申万宏源证券研究所首席经济学家杨成长

　　申万宏源证券研究所政策研究室主任、首席研究员龚芳

　　申万宏源证券研究所资深高级研究员方思元

　　当前生成式AI和代理AI的商业化应用快速深化，物理AI和具身智能的大规模落地尚在前方，智能经济与产业融合正处于从局部突破走向全面渗透的关键阶段。各产业的转型选择，很大程度上将决定未来五到十年的竞争格局，先行者积累的数据资产、场景经验和能力体系，将成为后来者难以逾越的壁垒。然而人工智能并非以同样的方式改变所有产业，由于不同类型的产业在数据基础、信息处理、物理场景、生产组织、业务流程和劳动结构等方面存在显著差异，智能化转型的路径、节奏和重点也各不相同。站在新一轮产业变革的重要起点，对于市场主体而言，当务之急是要找准自身产业类型对应的智能化切入点，加快补齐基础能力，把数据资源、应用场景和组织体系转化为未来智能化发展的基础条件。对于地方政府而言，要积极开放场景、贯通数据、完善规则、提升制度供给弹性，帮助不同产业找到与自身禀赋相匹配的智能化发展路径，在智能经济时代塑造新的竞争优势和发展动能。

　　一、产业特征决定智能经济应用路径

　　人工智能正在从一项技术创新演变为一场生产力变革。从技术演进历程看，智能经济并不是单一技术的线性演进，而是多类技术并行突破、相互叠加、共同推动的系统性变革。过去十多年，人工智能首先从图像识别、语音识别、推荐算法等感知AI技术起步，2023年以来随着以大模型为代表的生成式AI快速迭代、以智能体为代表的代理AI加速发展、以具身智能为代表的物理AI持续突破，人工智能的能力边界不断外扩，逐步进入内容生产、软件开发、客户服务和经营决策等更多领域。可以说，当前感知AI已让机器拥有感官，生成式AI让机器具备创造力，代理AI让机器拥有行动能力，物理AI让机器逐步进入现实世界并创造价值，人工智能已经具备沿着研发设计、生产制造、供应链管理和市场服务等环节全面渗透的能力，并推动产业智能化进入加速发展阶段。

　　产业特征的差异性决定了智能经济的应用方式、渗透速度和产业影响也各不相同。由于不同产业自身的结构性特征与人工智能技术的适配程度各有不同，不同行业的智能化进程呈现出明显分化。部分行业已经实现率先突破、部分行业仍处于渐进演进过程中；部分行业从核心业务环节率先突破，部分行业则从辅助环节逐步渗透；部分行业实现效率提升和成本下降，部分行业则面临商业模式乃至产业逻辑的重塑。总体来看，影响人工智能应用路径的因素主要有四个方面。首先是数据密度，数据是AI学习和推理的基本原料，行业是否沉淀了大量文本、图像、交易、行为和流程数据，决定AI能不能快速学习、分析和预测。数据密度不只决定AI的起点，也决定AI优化的最终效果，数据越丰富，模型迭代越快，AI带来的竞争优势也越显著。其次是物理场景复杂度，即行业是否需要在真实物理环境中完成工作，以及环境是否具有高度不确定性，决定AI能不能从数字世界进入现实世界。物理场景越复杂、不确定性越高，AI的渗透门槛越高，落地周期越长。第三是劳动密集程度，对于依赖大量重复性劳动作业的行业，人工智能和机器人往往更容易发挥替代作用，同时劳动密集度高的行业，AI替代的经济动机也最强。但人工智能在劳动密集产业推广过程也需要兼顾就业、收入分配和社会稳定等因素。第四是监管约束程度，对于涉及生命健康、公共治理等领域，即使人工智能能力已经成熟，应用节奏仍然需要受到制度和责任体系约束。谁来承担AI决策失误的法律责任、如何保证算法的可解释性和公平性、如何防范系统性风险，均是人工智能技术大规模商业应用的关键约束点。基于这一逻辑，我们将主要产业大致分为信息密集型产业、社会服务型产业、数实融合型产业、劳动密集型产业以及体验型服务产业五类，分别分析其智能化演进路径。五类产业在上述四个维度上各有侧重，决定了各自与人工智能技术的适配方式、渗透切入点和演进节奏存在根本性差异。

　　二、信息密集型行业率先迎来智能化重构

　　信息密集型行业的主要特征是高数据密度、低物理复杂度，代表行业包括金融、传媒、信息服务、专业服务等。人工智能本质上是一种信息处理和知识生成技术，信息密集型行业的大量活动发生在数字空间，沉淀了海量文本、图像、交易和行为数据，业务流程标准化程度较高，对物理环境依赖较小，生成式AI和代理AI能够直接作用于核心业务环节，因此应用门槛最低、落地速度最快，最容易成为人工智能率先渗透的领域。当前人工智能已经开始深度介入相关行业的工作流程，例如在金融领域，智能投顾、量化交易、风险控制和投研分析能力持续提升；在传媒领域，文本、图片、视频等内容生产成本快速下降；在法律、咨询和财务领域，文书审查、案例检索、合同生成以及数据分析等大量基础性工作正在加速智能化。从更深层次看，未来智能经济将从根本上推动信息密集型行业知识生产方式和专业服务模式的重构。过去专业服务业的发展建立在信息不对称、知识积累和经验优势基础之上，专业知识获取成本高、服务供给能力有限，因此高质量专业服务往往集中于少数机构和少数客户。而人工智能技术的广泛运用正在降低知识获取门槛，将个人和小团队的知识生产能力放大数倍乃至数十倍，使部分标准化、流程化和重复性的专业能力未来有望逐步从稀缺资源转变为普惠服务。

　　信息密集型产业要重点推动知识生产和专业服务流程重构。面对生成式AI和代理AI等人工智能技术突破，未来信息密集型行业的竞争的重点将不再是简单的信息和专业知识掌握能力，而是提出问题、整合资源、创造解决方案以及建立客户信任的能力。谁能够率先实现人工智能与专业能力深度融合，谁才能在新一轮竞争中获得优势地位。具体而言，未来信息密集型行业的转型路径主要有两个方向。一方面是“向上走”。随着基础知识获取成本不断下降，战略判断、商业洞察、创意创新、资源整合、复杂谈判等能力将变得更加重要，信息密集型产业要聚焦人工智能难以替代的高复杂度能力加强建设，形成更高质量的解决方案以及建立更强的信任体系。另一方面是“向规模走”。信息密集型行业要借助人工智能极低的边际成本，将过去只有大中型企业才能享受的法律、财务、咨询乃至金融专业服务扩展至更广泛的客户群体，走向更加普惠化、规模化的发展阶段。对于地方政府而言，过去金融、法律、咨询、设计等专业服务业往往高度集中于少数中心城市，随着人工智能降低专业服务交付成本和空间约束，部分专业服务资源有望从少数中心城市向更广泛区域扩散。地方政府应主动抓住这一机遇，积极引入专业服务和信息服务企业、分支机构或服务平台，加快培育数字化、智能化专业服务生态，推动更多高附加值服务资源向本地集聚，提升本地企业获取高端专业服务的便利性和可及性。

　　三、社会服务型产业将进入人机协同发展阶段

　　社会服务型产业的典型特征是高数据密度、高监管约束，代表行业包括医疗、教育等领域。从技术角度看，医疗、教育等行业同样积累了大量数据资源，人工智能具备较强的应用基础，例如医疗领域拥有海量影像数据、病历数据和诊疗数据，教育领域拥有学习行为数据和教学数据，因此人工智能在这些领域的应用并不存在明显的技术障碍。但与金融、传媒等信息密集型行业不同，教育医疗行业普遍涉及生命健康、公共利益和社会公平，人工智能的应用不仅要考虑技术可行性，更要考虑伦理边界、社会接受程度和责任承担，即使人工智能在某些场景下已经达到甚至超过人类平均水平，一旦出现误判，相关责任认定、风险承担和社会影响难以完全明确。因此目前人工智能在这些领域更多承担辅助分析、风险提示和方案生成等角色，最终决策权仍然掌握在人类手中。例如人工智能已经可以应用于医疗影像识别、疾病筛查和辅助诊断，但医生仍然是最终诊断责任主体；教育领域已经出现智能作业批改和个性化学习推荐等应用，但教师仍然承担价值引导和教学组织职能。未来随着技术成熟和制度完善，人工智能参与决策的深度可能不断提高，人工智能技术也将持续提升专业人员的能力边界，但在可预见的时期内，人机协同而非完全替代预计仍将是社会服务型产业智能化发展的主要方向。

　　社会服务型产业要重点深化人机协同水平和责任体系建设。从产业演进规律看，社会服务型产业的人工智能发展要遵循“从后台走向前台、从辅助走向协同”的发展路径。后台环节是风险最低、收益最明确的切入点，社会服务型产业要率先推动后台及辅助环节的智能化落地，包括挂号预约、档案管理、材料审核、费用报销等行政流程智能化，以及医疗影像初筛、试卷批改等辅助分析。随着技术能力和制度体系不断完善，人工智能再逐步向诊疗辅助、教学辅助、治理辅助等更核心环节延伸，实现从后台支持向前台协同的演进。对于地方政府而言，推动社会服务型产业智能化转型，关键是构建与人工智能相适应的数据体系、责任体系和监管体系。要发挥场景开放和需求牵引作用，通过政府采购、试点示范和应用场景开放等方式，率先推动医疗AI辅助诊断、智慧课堂系统等产品落地应用，一方面为企业提供真实场景和迭代空间，另一方面通过标准制定、规则设计和应用评价，引导人工智能沿着安全、可靠、可追溯的方向发展。从本质上来说，社会服务型产业的智能化不是单纯的技术升级，而是公共服务能力和治理能力的同步升级。

　　四、数实融合型产业有望率先迈向全链条智能化发展

　　数实融合型产业的典型特征是高数据密度、中物理复杂度，代表行业包括制造业、现代物流等领域。不同于金融、传媒等主要发生在数字空间的行业，数实融合型产业的核心特征是实体物理过程与数字信息系统深度结合，既高度依赖数据流转和信息系统，又最终在物理世界中完成生产、运输和价值创造。过去多年，数实融合型产业是我国自动化、数字化转型最快、成效最明显的领域之一。由于生产流程、物流流程和管理流程相对标准化，无人工厂、黑灯工厂、智能仓储、智能配送等已经形成大量现实样板。当前要认识到，智能化是自动化和数字化的进一步延伸。自动化解决的是“按规则执行”的问题，一旦环境发生变化，例如产品型号调整、设备状态波动、原材料质量差异等情况出现，往往仍然需要依赖人工经验进行判断和调整。人工智能解决的则是“在变化中决策”的问题，能够通过数据学习规律，识别异常情况，处理非标准化场景，并不断优化决策过程。例如过去制造业设备维修环节大量依赖老师傅经验的判断，当前在部分制造场景中，人工智能已可以基于设备运行数据建立健康模型，在设备故障发生前提前预警。再比如部分制造企业可以通过视觉质检系统等感知AI技术将生产参数、设备状态和原料批次进行关联分析，在发现产品问题的基础上，找出质量波动的真实原因。更重要的是，数实融合型产业天然具备全链条智能化的基础。原材料采购、研发设计、生产排程、设备运行、质量检测、仓储管理、物流配送、售后运维等每一个实体环节，都能够持续产生海量数据，随着这些数据被进一步打通和利用，人工智能有望从单台设备、单条产线、单个仓库的效率提升，走向研发、制造、物流和服务全链条的全局协同优化。此外，随着未来物理AI和具身智能进一步突破，人工智能还将通过机器人、智能装备和无人系统更深度地进入生产现场和物流网络，推动数实融合型产业成为人工智能与实体经济融合最深入、最全面的领域之一。

　　数实融合型产业要重点推动全链条智能化升级。制造业和现代物流业过去积累的自动化、数字化基础，已经为人工智能应用提供了重要的数据土壤和场景基础。然而当前企业智能化升级面临的最大瓶颈是数据无法贯通，许多企业已经积累了大量生产数据、设备数据、质量数据、仓储数据、物流数据和销售数据，但这些数据分散在不同部门、不同系统和不同环节之中，形成“数据孤岛”，人工智能难以开展跨环节分析和全局优化。未来企业智能化升级的重点是打通研发、生产、仓储、物流和销售各环节的数据链条，建立统一的数据管理、分析和决策体系，让人工智能真正具备跨环节优化能力。对于中小制造业企业而言，推进智能化不能简单照搬大型企业路径。龙头企业往往拥有更完整的数据资源、更丰富的应用场景和更强的系统集成能力，而中小企业单独建设全套智能化系统成本较高、难度较大。中小企业要依托工业互联网平台、供应链平台和行业平台接入龙头企业生态，通过共享订单、排产、质检、仓储、物流等环节的智能化能力，获得人工智能带来的效率提升和协同红利。对于地方政府而言，要充分认识到未来数实融合型产业竞争，将越来越从单个企业竞争演变为产业链竞争，而人工智能最大的价值之一在于跨企业、跨环节优化资源配置。如果只有少数企业完成数字化升级，而上下游企业仍停留在传统模式，人工智能的协同价值将难以充分释放。因此各地要围绕重点产业集群推动统一标准建设、数据互联互通和产业链协同平台建设，促进研发、制造、物流和服务体系同步升级，推动产业集群整体迈向智能化发展阶段。

　　五、劳动密集型产业要重点为未来物理AI时代做好准备

　　劳动密集型产业的主要特征是低数据密度、高物理复杂度，同时普通劳动力密集，代表行业包括农业、建筑、能源资源采集加工、家政护理、餐饮等领域。对于劳动密集型行业来说，大量工作需要与复杂场景、非标准化对象以及不断变化的外部条件进行交互。无论是农田里的作物生长、建筑工地的施工环境，还是养老护理中的人与人互动，都远比数字空间中的信息处理更加复杂。因此劳动密集型行业虽然存在巨大的智能化需求，但技术实现难度也明显更高，人工智能不仅需要具备感知、理解和决策能力，还需要通过机器人、智能装备、传感器等物理载体和物理AI技术进入现实世界，真正完成搬运、护理、巡检、种植、施工等具体工作。当前人工智能已经开始在部分场景实现应用，例如农业领域出现了智能农机、精准灌溉和病虫害识别系统，建筑领域开始推广施工机器人和智能巡检设备，养老护理领域也出现了健康监测、康复辅助和陪护机器人，但总体来看相关应用仍然主要集中在标准化程度较高的场景，距离大规模替代复杂劳动还有较长距离。未来随着具身智能、传感器、机械臂等物理AI技术持续突破，人工智能有望逐步进入更多复杂环境，推动实体劳动从机械化、自动化进一步迈向智能化。但需要注意的是，农业、建筑、餐饮、家政等行业吸纳了大量劳动人口，其智能化进程不仅是技术问题，也是社会问题。长期来看，劳动密集型行业的智能化发展过程不会是简单的“机器替代人工”，更可能人工智能优先替代危险性高、劳动强度大、重复性强的工作，人类则更多承担复杂决策和现场协调等任务，推动产业组织方式、岗位结构以及技能需求发生深刻变化。

　　劳动密集型产业最终将成为物理AI和具身智能最重要的应用场景。农业、建筑、养老、餐饮、家政等行业现实场景复杂，智能化落地周期相对较长，但一旦技术出现突破，将对行业产生颠覆性影响。对于企业而言，物理AI的发展建立在海量数据基础之上，未来机器人要理解环境、学习经验和优化决策，都离不开持续积累的数据资源。因此劳动密集型产业要加快推进传感器部署、生产流程数字化和运营数据采集，把现实场景逐步转化为可感知、可记录、可分析的数字场景，只有完成这一阶段积累，未来物理AI和具身智能大规模成熟时，企业才能真正承接新技术红利。对于地方政府而言，劳动密集型产业的智能化不仅是技术问题，更是就业问题和社会问题。地方政府要管理好人工智能应用的节奏，建立重点行业智能化进程监测机制，动态跟踪不同岗位受到人工智能影响的程度，提前研判就业结构变化趋势。同时，要围绕设备运维、机器人管理、数据分析、智能系统操作等新岗位方向，提前布局职业技能培训和再就业体系建设，推动劳动者从简单执行者逐步向设备管理者、系统协同者和场景服务者转变。

　　六、体验型服务产业将加速向个性化和场景化升级

　　体验型服务产业的主要特征是低数据密度、强线下体验，主要包括文化旅游、体育健康、高端餐饮以及其他生活性服务业等领域。体验型服务行业的核心价值并不完全来自信息处理能力，也不主要依赖标准化劳动，而是建立在情感交流、文化表达、现场体验和人与人连接的基础之上。消费者购买的不仅是一项产品或服务，更是一种体验、一种感受甚至一种情绪价值。因此人工智能虽然能够提升部分环节效率，但很难完全替代人在其中发挥的作用。例如文旅行业的人工智能可以帮助实现线路推荐、智能导览，但旅游目的地真正吸引游客的仍然是独特文化资源、历史底蕴和沉浸式体验；运动健康领域的人工智能可以提供运动分析、健康监测和个性化方案，但用户真正需要的仍然是专业教练指导和现场互动；在高端餐饮领域，人工智能可以优化供应链管理、客流预测和菜单设计，但决定客户是否愿意持续消费的，依然是服务体验以及人与人之间的情感交流。从长远看，随着越来越多标准化工作被人工智能承担，人们对于文化体验、社交互动和个性化服务的需求可能进一步上升，能够提供真实体验和人与人连接的行业反而越具有稀缺性。因此体验型服务行业未来的竞争重点是把人工智能与场景创新、内容创新和服务创新更好结合起来，推动人工智能成为提升体验的重要工具。

　　体验型服务产业要重点提升场景运营和需求创造能力。对于市场主体而言，未来最重要的发展方向是“AI负责后台，人工专注前台”。企业要积极利用AI进行用户画像分析、内容生成、营销推广、客流预测、资源调度和运营管理等大量后台工作，在此基础上识别消费偏好变化和潜在需求趋势，把人的精力更多投入到场景设计、服务细节中，围绕个性化、品质化、情绪化消费需求开发新产品、新业态和新服务，更高效地组织服务资源、更持续地开展用户运营。对于地方政府而言，体验型服务业不仅是消费产业，也是与居民生活品质、城市吸引力和人才留驻能力密切相关的重要产业。地方政府要更加重视支持体验型服务业智能化升级，支持建设智慧景区、智慧商圈、智慧体育场馆等数字化基础设施，帮助中小商户提升数字化运营、内容传播和用户服务能力。同时也要警惕过度AI化带来的服务同质化和场景趋同化，更加注重特色资源保护与创新利用，避免简单复制热门业态和网红模式，鼓励企业围绕本地历史文化、特色产业、生活方式和消费习惯开展差异化创新，让技术放大特色，而不是让特色被技术消解。