国家层面首次定义“开源基座＋垂类”，AI下半场拼谁懂行当

10月12日，第26届中国国际工业博览会（工博会）现场释放出一个关键信号：人工智能（AI）的产业重心，正从单纯的参数竞赛，加速向实体制造场景深度转移。

工信部总工程师王卫明在开幕式上明确提出，要“纵深推进‘人工智能＋制造’”，并在具体实施路径上给出了罕见的前置性定义——要求“大力发展开源基座模型和垂类模型”。

同一天，上海市经济和信息化委员会主任汤文侃在国芯展公布了一组极具分量的数据：上海集聚的集成电路企业已超1200家，占全国产业份额的近30％；2025年全市集成电路产业规模接近5800亿元，而今年1至8月的同比增速更是超过了20％。

这两条新闻拼接在一起，勾勒出了当前中国AI产业的真实走向：大模型的时代上半场已经结束，下半场的核心战场在于“开源底座如何降低门槛”以及“垂类模型如何重塑工艺流程”。结合上海集成电路产业链的强劲表现，中国“算力芯片＋AI算法”的双轮驱动正在加速落地。

从“通用聊天”到“专病专治”：政策底牌的变化

过去两年间，国内大模型赛道经历了野蛮生长。各家互联网巨头纷纷发布千亿甚至万亿参数的通用大语言模型，试图在代码编写、文本创作等领域全面替代人类脑力劳动。

然而，当AI进入工厂车间时，“通用型”遇到了现实瓶颈。一家化工企业的温度压强控制系统、一家汽车零部件厂的精密质检流水线，它们需要的不是能写诗作画的大模型，而是能够理解特定物理规律、处理高频工业数据流的专业模型。如果强行使用庞大的通用模型，不仅推理成本高昂到中小厂无法承受，而且由于缺乏行业专有数据的微调，误判率根本无法满足工业生产的安全红线。

这正是工信部此次定调“开源基座＋垂类模型”的商业逻辑所在。“开源基座”意在打破闭源巨头的技术垄断，让开发者基于一个开放的底层框架进行二次开发，大幅摊薄研发成本；“垂类模型”则是指针对特定行业痛点训练的专用AI，它不追求大而全，但求在单一工艺环节做到极致精准。

截至2026年上半年，全国已累计建成基础级智能工厂5．6万余家，先进级1．3万余家，并在航空航天、新能源汽车等领域沉淀了超6000个垂直领域模型。但这仅是“试点期”的成绩。工信部现在的意图很明确：要把这些散落的珍珠串成链，通过开源化推广，实现从“少数样板房”到“千万普通住宅”的跨越。

上海的产业底盘：1200家芯片厂背后的供应链博弈

AI模型的落地离不开物理载体。没有高性能的计算芯片和稳定的存储传输，任何先进的算法都只是空中楼阁。这也是为何AI政策发布的同时，上海集成电路产业数据备受市场关注的深层原因。

上海此次亮出的“1200家企业”和“5800亿规模”，不仅是一个城市的成绩单，更是整个中国半导体产业链自主可控能力的缩影。在当前地缘政治博弈加剧、高端芯片出口受限的大背景下，依赖进口尖端算力已不再具备长期安全性。国内芯片企业正加速转向成熟制程的深度挖掘与先进封装技术的突破。

例如，近期国内部分厂商已成功发布基于14nm全流程制造的软件定义近存计算芯片，并开始尝试搭建千卡级国产训练集群。这意味着，即便在最严苛的制裁环境下，国产芯片依然能够通过堆叠架构优化（而非一味追求极小纳米制程）来提供满足工业大模型推理所需的算力底座。

伴随算力基建的完善，上海的下一步目标是构建完整的智能制造生态。在本次工博会上启动的《上海市加快发展新一代智能制造行动方案》提出，到2028年，将重点培育500家先进级智能工厂，推动8000台人形机器人落地工厂，并开发10个具有国际竞争力的垂域大模型。为了支撑这一蓝图，上海设立了总规模达1000亿元的先导产业母基金，其中专款用于集成电路领域的出资高达450亿元。

资金的高度集中，预示着硬件制造商（包括传感器、伺服电机、减速器等）、边缘AI芯片厂商以及工业软件集成商将在未来三年内获得确定的订单增量。

谁是赢家？谁又在承压？

政策的倾斜与市场的风向标已经明确，但在实际商业落地的过程中，利益格局将被重新切割。

首当其冲受益的是边缘计算与AI芯片板块。 垂类模型的推理任务大部分发生在工厂本地（边缘侧），以降低延迟并确保数据安全。这将极大提振国产边缘AI加速卡、NPU（神经网络处理器）的需求。其次，工业机器人产业链将迎来风口。方案中明确提到的人形机器人落地与自动化产线改造，意味着高精度减速器、力矩传感器、机器视觉模组等传统细分赛道的龙头公司将获得新一轮估值重估的机会。

其次是工业软件与系统集成服务商。 将AI注入旧有的生产线是一项极其复杂的系统工程，涉及海量工业数据的清洗、标注与建模。拥有深厚行业Know－how（专业知识）的工业软件龙头企业将成为这场变革的“包工头”。

然而，阵痛也同样存在。 那些仅仅依靠调用国外开源大模型接口、缺乏底层技术积累和数据壁垒的中小AI初创公司，其生存空间将被进一步压缩。此外，许多传统制造企业在数字化转型初期曾盲目投入无效的信息化系统，如何在“AI＋制造”的新浪潮中及时止损并重构数据底层，将是企业管理层面临的最大挑战。

投资视角下的三个观察指标

对于产业投资者和企业决策者而言，宏观的政策口号最终都要落实到可量化、可跟踪的微观指标上。未来一年，建议重点关注以下三个维度的变化：

| 观察维度 | 关键监测指标 | 背后的商业含义 | | ：－－－ | ：－－－ | ：－－－ | | 开源生态活跃度 | 国内头部大模型在代码托管平台的技术开源频次与下载量 | 标志着国产化AI基座的成熟度是否足以支撑大规模商业开发，从而摆脱对海外闭源模型的依赖。 | | 工业AI转化率 | 每年新增验收的“先进级／卓越级”智能工厂数量及平均改造周期 | 检验AI技术与传统工艺磨合的真实效率。如果改造周期过长或投资回报率低下，可能导致下一轮资本开支收缩。 | | 芯片库存与交付周期 | 工业级微控制器及车规／工控级模拟芯片的交货周期与价格波动 | 作为AI落地到物理世界的第一道关卡，芯片周期的拉长或紧张往往领先于整机厂的财报表现半年以上。 |

总体而言，“开源基座＋垂类模型”不仅是技术路线的选择，更是中国制造业在存量时代寻找增量的破局点。谁能在年底前拿出可复制的行业标准解决方案，谁就掌握了下一阶段产业升级的话语权。