中国机器人进入工厂，需要全球企业合力。
本月12-16日，中国国际工业博览会正在上海举行。第一财经记者从现场观察到，人形机器人是德国、中国、美国等各国企业共同关注的焦点。中国人形机器人跑在全球前列，但现在也面临数据短缺、算力不足以及产业链不完善的瓶颈。
中国制造业的成就，不是只靠中国企业的努力，也离不开全球企业的参与。人形机器人的进化，同样需要各国企业紧密合作，快速补齐短板。
聚全球之力
人形机器人能接住精密制造的“细活”了。
工博会上，智元展示了具身智能在光模块制造领域的落地情况。数据中心对于高速光互连的需求日益增长，光模块是数据交互的枢纽。光模块插拔精度要求达到毫米级，插拔过程还必须避免刮伤模块接口上的镀金触点，而传统人工效率并不稳定。
智元的精灵G2机器人凭借高精度力控臂与关节扭矩传感器，以及真机强化学习框架，可做到毫米级操作。据现场人员介绍，其视觉感知、运动控制、力控调节等能力可快速编排，熟练情况下两三小时即可跑通一整套作业部署。
智元之外，众多企业推出了机器人落地工业场景的项目。
第一财经记者在现场看到，台达展示了具身智能双臂协作方案，基于英伟达算力平台，可建立实时3D环境建模、动态避障，依托统一控制平台融合AI 与机器人控制，可适用于多样化工业等复杂装配工序，提升产线换线柔性与多任务适配能力。
“自动化应用场景许多都是非标的。我们根据客户的应用需求，使用机器人对某项工艺做功能提升，以符合客户产线需求。”一位台达业务负责人介绍说，这套具身智能方案能有效提升换线效率，未来可广泛应用于AI服务器组装等多任务、高复杂度的组装场景。
德国企业西门子则把工厂开放给了机器人企业。
工博会期间，西门子宣布开放五家中国工厂、六类应用场景以支持具身智能发展，包括无序散料智能分拣与精准上料、物料容器自主搬运与流转、物料容器智能拆垛与码垛、工艺操作与质量检测、高精度螺丝拧紧、制成品灵活包装。
真实工业场景是具身智能能力训练、验证与迭代的关键基础。制造现场工况复杂、任务多变、节拍严格、安全要求高，来自真实产线的测试反馈与数据积累，是具身智能形成可复制、可规模化工业应用能力的前提。
西门子数字化工业自动化业务执行副总裁裴安咨表示，让具身智能在真实的工业环境中完成能力训练与验证，有助于挖掘跨产线、跨场景迁移潜力，推动具身智能加快落地生产现场。
英伟达的芯片，是不少机器人企业的首选，比如新款智元G2 Max采用了Thor平台，搭载2070 TFLOPS端侧算力。不过，中国本土的芯片企业也逐步崭露头角，有能力打入机器人内部，比如爱芯元智和地瓜机器人都在工博会展示了面向机器人的算力方案。
地瓜机器人的旭日S600芯片已经适配优必选、它石智航、上海人形等20余家机器人企业，覆盖工业焊接、柔性线束装配、电力巡检及物流搬运等场景，且多数项目进入量产出货阶段。
爱芯元智为大模型在边缘和端侧落地打造了大算力AI芯片AX8860系列。爱芯元智合作方原力灵机则携自研的具身大脑，现场展示了接口插拔质检、通用工业插入和灵巧手柔性切削三个任务，呈现具身智能在电子装配、精密制造、工业质检及柔性加工等场景中的应用潜力
全球制造业产业链经受了贸易摩擦的压力。而工博会显示，中国机器人的发展，已经成为产业链焦点，它有凝聚全球企业的能力。这也是中外企业的重大机遇，芯片企业、自动化企业都会从中获益。
共补短板
全球企业也在合力补齐机器人的短板。
物理世界数据的短缺，也许是机器人最明显的短板。在工博会的一场圆桌上，中国工程院院士王坚表示，现在工业界所有数据还是锁在每个人的“抽屉里”，机器人行业想要实现重大变革，离不开工业界的数据共享。
裴安咨同样认为，AI规模化应用在工业，需要高质量的数据。新的生产线相对容易，而在已有、不是那么新兴的行业里，数据收集不易，因为数据往往分散在多个系统当中，有新机器、有旧机器，也很难做到每条生产线的数据都能对齐。同时，这些数据不仅要在实验室里运行有效，还要在工厂中正常运行。
“现阶段行业数据的有效利用率整体还在爬坡，能把一半左右的数据做到真正有效，就已经走在行业前列了。”地瓜机器人销售副总裁江舟对记者表示，工业企业的数据对齐难度不小，但这不是无法解决的问题。只是工业非常纵深，一些掌握大量数据的传统工业企业，平台服务开放性没那么好。“这需要大家一起找平衡点，属于长期正确、但需要时间去解决的问题。”
德国博世集团在中国成立了机器人专项项目组。据博世力士乐中国商务高级副总裁王英姿介绍，该项目已经与多家公司签署战略合作协议，在安全协议基础上，开放工作站点及相关信息给到机器人公司，以便定点采集数据和训练机器人。
数据短缺，算力同样不足。
“即使是用英伟达Thor的算法公司也觉得算力不够。具身模型迭代很快，大模型不断被裁剪到端侧、不断补数据、针对特定场景做约束，这件事估计还要进行很长时间。算力肯定是不够的，全行业都不够。”江舟说。
地瓜机器人把芯片推向客户，收到了正面反馈，也得到了改进意见。
“希望我们改进的，肯定是向英伟达多学习，把工具链易用性做得更好——行业老大哥做了很多年，生态很好，很多算法工程师上学时学的就是CUDA这一套。”但江舟感觉，差距缩小得很快：一方面自己的工具链这几年打磨得不错；另一方面，AI Coding已经极大拉低了模型优化的复杂度。“本质上，我们在不断压缩和降低模型迁移的门槛。”
国内外的工厂都还没有大批量引入人形机器人。工厂里使用的人形机器人，既需要超低延迟，也需要稳定的载重能力。那些进入工厂的机器人，目前可以完成一些确定性的任务。
“人形机器人落地工业，最大的挑战不是动力系统，也不是大脑系统，而是它是否适合真正工业场景。”裴安咨表示：“但是在我看来，根据人形机器人的发展速度，相信不久的将来我们可以看到更多人形机器人在工厂的产线上应用。”
