作者：高庆哲

工业场景正在走向物理AI时代。

第26届中国国际工业博览会10月12日在上海国家会展中心开幕。展会上，“工厂+物理AI”正成为产业探索落地的新焦点，ABB机器人中国区总裁韩晨在现场直言，小批量、多品种、高频换型的生产工况，是物理AI在工业场景尤其适配的领域。

这里提到的物理AI指向的是应用层，这并不意外，工厂有现有自动化难以处理的任务，也有让新能力走向规模应用的机会；物理AI同样需要真实生产环境，检验技术能做什么，找到实际的市场锚点。这种靠近，可能通过物理AI玩家与制造业间的合作而产生，也可能从工业产业现有设备和软件中开发迭代出来。

不过，听起来一拍即合，真就这么简单吗？

问题在于，物理AI“感知物理世界，理解物理世界，在物理世界里做出决策“的叙事承诺，即使性感到吸引了工业这片或许前景广阔的市场，但工业在效率、成本控制与安全稳定等等方面天然的门槛和要求，却决定了它可不是一个能靠演示和愿景争取宽容的试验场。

换换说法，换换故事，解释不了双方的靠近背后，诸多的困难和挑战。

工厂拥抱物理AI，意味着新的感知、决策和操作能力正准备触碰发展历史、规模、链条远远大于新技术本身的支柱型成熟产业领域，工厂有自动化尚未经济解决的难题，也有早已稳定运转的设备、软件和管理系统。哪些任务值得交给物理AI，新能力怎样进入现有生产体系，又能否在更多产线用起来，将决定物理AI在工业中究竟能走多远。

工厂其实不缺机器人，更不缺自动化，但缺的是新的解决方案。

这样的方案更具体来说，对应着具体的工序需求。例如在多品种、小批量生产的上料环节，零件型号和摆放状态可能随批次变化，如果每次变化都要为自动化设备重新调整程序和工装，投入过高，工厂就自然需要人工来判断、分拣、整理。

如果物理AI所代表的新的感知与操作能力能够适应这些变化，减少人工处理和换型调试，它就有了进入场景的理由。精密插接等任务也是如此：工件位置会有偏差，接触后还要根据阻力调整动作，单靠一条预设轨迹未必能经济地完成。

这并不是说成熟的自动化完全做不了这些事。视觉、力控等技术早已被用于工业机器人，物理AI要证明的，是面对多品种、小批量和频繁换型的生产，它能否以更少的部署成本、工装调整和现场干预，把原本难以经济化处理的任务承接下来。

工厂需要的是这一道工序的改善；对物理AI而言，这道工序则是进入真实生产的支点。

更何况，用更加智能化的设备接手危险、重复的工作，减少生产对特定人员经验的依赖，本就是制造业持续投入自动化的大方向。企业可以继续讲“人的解放、生产力的解放”，也会受到“智能化先锋”叙事的吸引，而物理AI在感知、理解和决策能力上的承诺，最终还要转化成工厂看得见的生产改善。

另一边，物理AI同样需要工业场景。有投资人提到，资本仍在投入具身智能，但资方已经开始追问工程交付、持续复购和回款。真实工业产线提供的，不只是数据积累和技术改进的机会。对物理AI来说，它也能证明，一项新能力能够承担具体的生产任务，未来从试点走向持续经营也并非遥不可及。

但物理AI看似是从工业场景中找到了落地机会，其实工厂也是把自己难处理、任务最难达成的环节，抛给了物理AI。物理AI必须尽快利用自身还未完全迭代的能力，去解决成熟自动化流程大浪淘沙下来的“死角”问题。

况且，少数生产环节的优化，始终难以独自承载物理AI走向更多生产环节与更大工业市场的期待。

现有自动化已经覆盖了大量稳定、重复的生产任务。国际机器人联合会的数据显示，2025年全球工厂在役工业机器人已达约500万台。物理AI若要参与更多生产任务，就会与成熟自动化方案一起竞争，同一道任务，新的能力究竟能否让换型更省事、生产更稳定，又能否把总成本降下来？

于是物理AI与工业场景的关系，要回答两件事：在现有方案难处理的工序中，它能不能稳定完成任务；面对更广泛的生产需求，它是否比已有方案更值得采用。无论走到哪一步，安全、效率和成本这些工业的既有门槛，都绕不过去。

在工业场景，安全可靠是必然的第一道门槛。韩晨在接受媒体采访时称，“一旦物理AI在工厂运行过程中出现AI幻觉，后果十分严重。” 测试允许新技术在试错中改进，连续运转的产线肯定无法让物料、设备和现场人员承担试错的代价，这是工厂不会退让的安全底线。

物理AI要承担生产任务，首先必须证明它能在真实工况下稳定运行，失误风险也处于工厂能够接受的范围内。

其次，是其工作效率能否得到保证。在展会现场，不管是工业机器人厂商，还是制造业高管，都在追问智能化应用后的速度、精准度和重复性。一台设备可能单次动作慢一些，却能连续工作，或换型时的停机时长更短；也可能演示时动作很快很顺畅，一进产线却频繁需要人工接管。工厂最终衡量的，是它能否跟上生产节拍，稳定交付合格产品，以及为效率付出了多少相应的成本。

真实产线很难有心情为物理AI当陪练，设备若不能稳定、高效地完成任务，也就谈不上在更多产线中应用。

而数据与部署，也一前一后地给物理AI出了现实难题。要让设备适应更多物料和产品型号，企业需要采集、整理相应的现场数据；要把本体或模型接入已有工位，还得完成训练、调试和后续运维。涉及更长的生产流程时，数据可能分散在新旧设备与不同系统里，也可能受到授权限制。如果每换一种物料、每进入一条产线，都要重新投入大量人力和时间，物理AI即使解决了操作难题，也可能只是把适配成本转移到了新方案上。

这些要求并非工厂刻意挑剔，而是大规模生产体系采用新设备前要算清的基本账。工厂是否采用物理AI，仍要按这套账本检验它的能力。

相比能做什么、有什么难点，更值得探讨的是一项新能力要怎样成为现有生产系统的一部分？

西门子在今年工博会上开放中国五家工厂的六类具身智能应用场景，包括无序散料分拣与上料、物料搬运、工艺操作与质量检测等，供生态伙伴在生产环境中测试。西门子希望借此挖掘具身智能应用的跨产线、跨场景迁移潜力，推动具身智能加快落地生产现场。

换一个角度不难发现，这其实是生产方把需求、现场和检验条件摆了出来，让技术提供者检验，自己的能力能进入哪一道工序，能把这道工序推进到什么程度，又怎样让能力迁移到其他产线和场景中。

成熟工业机器人厂商既熟悉工业标准和场景需求，也有累积的工程交付经验，自然可以先走一步；物理AI领域内的玩家在模型、感知、本体操作等方面的探索与积累，也是入场的关键方。不同玩家各有优势与进步空间，技术优势与场景经验的能力互补，就成了现阶段最实际、最经济的选择。

但这并不意味着双方的分工已然确定。

物理AI企业也可以在进场之后继续扩张自身硬件的适用边界，探索承担从本体到应用的完整方案；成熟厂商拥有工业经验和客户基础，也在思考如何提升AI能力，从而更好盘活自身优势的可能性。

一家企业能否承担更多工作，要看它除了提供某项技术，还能否处理设备配合、现场调试并实现持续运行；反过来，若一项能力确实解决了反复换型或人工调整的难题，即使先从生产流程中的某一段进入，也可能是有价值的产品。

玩家的位置，是在具体交付中争取来的，不是由身份直接决定的。

这也要求企业对自己的承诺有所判断。从提供一项能力，到交付一道工序，再到负责更长的生产流程，需要补齐的工作会不断增加。模型和本体的研发成果，必须有相应的工艺理解、工程团队和持续投入来支撑。

日立与发那科今年9月宣布合作，计划先在日立位于茨城地区的工厂，针对日立的物理AI模型与发那科的机器人及AI技术，检查识别精度、机器人动作、生产节拍和质量，再通过任务验证成绩及积累的实施与运维经验向更多场景方进行推广。

企业可以有覆盖更多产线任务的目标，但在当前阶段，技术的能力、安全的责任、从部署到运维的成本……新能力在实际工序中的表现边界，必须首先厘清，才有依据决定后续如何交付、向哪里扩展。

而进入一道工序，也不意味着标准可以放松。企业需要带回来的信息，应当包括现场调试用了多少时间、哪些情况仍会失败、异常怎样处理，以及工厂为使用这项能力增加了哪些工作。这些经验才能帮企业判断，物理AI落地是如何补齐产线能力，又是否推高成本增加隐患，也能让企业明白，现有资金和团队到底能够支持多大的业务范围，而非仅仅为更新一轮宣传再积累一个案例。

扩张的节奏，应当跟着现场问题被解决的速度走。

而在一道工序站稳，也只是第一步。工厂不会因为采用新技术，就放弃业已稳定运行的自动化设备、软件和管理系统。在可预见的未来，物理AI企业接手的任务和环节大概率仍然处在由这些设备和系统维持的生产流程中。物理AI能不能把自己的能力与现有体系有机融合，既关乎它在某一些工序中的成败，也与其未来在更多产线和工厂中是否成立，紧密相关。

跑通一道工序，证明的是技术能在某一组生产条件下跑通工作流。而换一条产线，物料、设备和工艺要求发生变化，企业需要重新投入多少资源，才开始检验这项技术能否支撑一门持续经营的生意。

这里的“复用”，比“模型能够完成更多任务”复杂得多。模型可以识别新物料，设备仍可能需要重新配置；机器人可以迁移操作技能，生产节拍和质量要求仍需重新验证。

模型泛化能够减少一部分适配工作，但企业需要交付的是整套方案，其余的工程工作同样要有人承担、有人付钱。

这恰好触及工厂采用物理AI的一项关键期待：帮助生产更经济地应对变化。如果每遇到一项变化，都需要技术提供方重新组织大量开发和调试，工厂的适配成本只是转移到了供应商身上。早期研发或许可以承担这样的投入，但在业务真正扩大之前，企业必须找到减少重复工作的办法。

ABB近期将AI Robot Trainer加入服装物流分拣模块Fashion Inductor，就提供了一种具体尝试。该方案将面向服装分拣的预训练视觉模型与部署工具打包提供。集成商可以在此基础上，根据现场的商品、包装和布局变化重新训练模型，并借助数字孪生进行调试。这样一来，共通的能力可以沿用，现场的差异也有相应的调整办法，每次部署时从头开发的工作随之大大减少。

这也给物理AI的规模化提供了一个更实际的起点，先在相近的生产任务之间逐步扩大应用。在一处产线验证过的操作能力，有可能用于更多相近的生产任务，但物料、工装和设备接口的变化，往往需要额外适配。企业要做的，是尽可能沿用已有能力，同时减少适配所需的开发和调试。

“复用”能否成立，看的就是上一处现场积累的经验，能为下一次交付省下多少工作。

真实工厂场景的价值，也要在这个过程中重新衡量。

更多工业现场接纳物理AI，让其能够积累更多数据和经验，却不意味着物理AI就能自动形成产品优势。如果现场问题的解决方案、每个项目的异常处理经验无法统合处理，换一支团队、换一家工厂，许多工作仍要重新摸索。把现场经验沉淀成可调用的操作技能、调试工具和验证方法，试点中的投入，才能为更多生产现场所用。

训练和验证环节已经出现这样的探索。西门子10月19日披露，在德国埃尔兰根工厂，团队利用电路板组件的数字孪生生成逼真图像，用来训练视觉检测系统。这样，工程师不必等到实物原型到位，就能开始准备检测。它试图减少的是每次导入新产品时，等待实物、配置检测系统所花的时间。

它提供的思路在于：可复用能力也可以沉淀在训练、验证等生产准备流程中，面对不同产线时，物理AI部署工作就能相应提速。

当然，部署加速之后，还要看工厂是否真正获得了收益。单个工位提速，其前后工序并未变化，那也未必能带动整条产线效率提升；减少一个操作岗位，如果同时增加了维护和启停机相关工作，也未必真的能节省成本。

当越来越多工厂拥抱物理AI，对物理AI自身来说，它带来的并非平滑的指数级增长，而是每一条产线、每一个场景的安全、效率与实际结果，都需要被重新检验。

这也会影响物理AI玩家的经营选择。一个新场景可能带来订单、曝光和新叙事，却未必能沿用既有技术与交付经验；一批看起来不够新鲜的同类任务，反而可能有机会持续检验产品、摊薄研发投入。企业需要有耐心投入现场，也要判断哪些投入能够持续积累。长期深耕的价值，应当体现为产品能力和交付效率的积累，而不能只体现为项目数量的增加。

对物理AI玩家来说，工业场景的吸引力最终在于持续的生产需求。能在这里获得稳定位置的企业，需要把技术优势变成工厂能够使用的产品，再把一次次现场工作沉淀为下一次交付的能力。

在一条产线上做成之后，更多生产现场仍能以可承受的成本使用这项技术，物理AI才真正有机会在工业里长成一门生意。

结语

工博会上的热闹，展示了物理AI与工业相互靠近的可能。真正进入生产之后，新技术要接受的检验却具体得多。

理解生产工艺，也理解围绕工艺形成的设备、人员和经营安排，再据此判断自己的技术能够承担什么。而能在工业场景站稳的，未必是模型最耀眼、故事讲得最大的企业，而是能吃透生产需求，让新能力持续创造价值，并承担相应交付责任的企业。

工业欢迎新技术，但物理AI的价值，仍要在真实生产中得到验证。

特别声明：本文为合作媒体授权DoNews专栏转载，文章版权归原作者及原出处所有。文章系作者个人观点，不代表DoNews专栏的立场，转载请联系原作者及原出处获取授权。(有任何疑问都请联系idonews@donews.com)