21世纪经济报道记者 孙燕 张赛男
10月12日至16日，第26届中国国际工业博览会在上海举行，展览面积突破30万平方米，机器人展区以近6万平方米的规模成为全场焦点。
纵观整个机器人展区，“物理AI”的展牌随处可见。这传递出行业共同的追问：AI如何进入物理世界、理解物理世界、进而改变物理世界？探索的焦点，正逐渐汇聚于工厂。
“在工厂场景中，物理AI可实现诸多传统自动化方案难以达成的目标，尤其适配小批量、多品种、高频换型的生产工况。”ABB机器人中国区总裁韩晨告诉21世纪经济报道记者，部分工业生产流程复杂度高，采用传统自动化技术时，产线切换、调试及试错成本居高不下，这类场景正是物理AI的优势应用领域。
在韩晨看来，国内物理AI正处于从实验室原型向工业产线落地迁移的关键阶段。“目前行业的主要难点在于模型泛化能力不足。垂直场景下已有不少成功实践，但跨场景迁移适配的能力仍有待提升。”
长期以来，工业机器人的部署依赖编程：工程师写程序、现场调试、投产运行，而产品一切换、产线一调整，就要重新编程调试。物理AI的第一个命题是：机器人对物理世界的理解，必须从“被写入”变为“自己学”。而在“自己学”上，各家机器人公司各有神通。
最直接的是模仿学习，ABB机器人的协作机器人直观演示了手冲咖啡：机器人仅需一次人工示范即可习得手冲咖啡技能。韩晨告诉记者，机器人读取理解使用说明书后，依托大语言模型完成自主学习，掌握设备操作方式；再通过模仿学习，复刻闷蒸、一刀流等手冲冲泡手法。这套演示综合应用了OmniCore™ EyeMotion 视觉系统、AI Robot Trainer、AI自主路径规划等多项物理AI技术。
合成数据仿真学习也是路径之一。真实产线经不起机器人反复试错，数据从哪来成了“自己学”中最昂贵的一环，而仿真技术正在解决这一问题：ABB机器人的RobotStudio® HyperReality通过生成精度最高达99%的高精度合成数据，实现高度还原真实场景的AI模型训练，从而缩小仿真到现实的差距。
而当工厂无法接受换一个产品就要采集几万条数据的学习成本时，少样本快速部署就可以解决难题。梅卡曼德的轻量化AI算法最少仅需1张样本、1秒完成模型训练，帮助多品种产线缩短转型与调试时间。在小型电机多任务飞拍质检单元中，单次作业即可完成螺钉有无检测、几何测量、标签字符识别。
不难发现，在机器人“自己学”的过程中，数据采集和处理的能力非常关键。非夕科技展出的Flexiv Trainer数据采集与处理系统，能够串联起双臂遥操作数采、数据集整合与模型训练的全闭环流程。开发者可以在采集数据后，采用自有模型训练完成具体任务。该工具满足具身智能伙伴从高质量数据获取、前沿模型研发到批量部署落地的全链路需求。
“物理AI本身就是一个自主学习、持续迭代的过程。”韩晨指出，项目初期需要基础数据完成模型训练；当模型精度达到既定标准并部署到工厂后，会产生全新的业务数据，回传至工具链，持续扩充数据集，形成完整应用闭环。
机器人学习的成果要接受检验，就绕不开物理AI的第二个命题：系统里排好的任务，如何变成车间里的真实动作？
从任务到动作，中间隔着一条转换链：理解任务、感知环境、规划动作、执行落地。晨昏线科技的SMT车间上下料场景展示了这条链路的完整形态：WMS仓储管理系统下发任务指令后，机器人结合现场LED定位信息识别目标料盘，自主完成寻找、识别、取放与传递等操作，让数字系统中的任务要求转化为物理世界中的具体行动。
支撑相关应用探索的，是晨昏线科技自研的目标因果世界模型GCWM1及配套具身智能系统。GCWM1围绕任务目标理解空间关系与物理约束，预判动作可能带来的结果，为任务规划提供依据，并与执行及控制模块协同，推动感知信息向有效操作转化。
梅卡曼德用“眼脑手”技术打通任务到动作的转换链。依托以Mech-GPT多模态大模型为核心的具身大脑，机器人可理解自然语言指令与料筐电子标签，面对随机摆放的食品、日用品、文具、玩具、工具等数百种物体，实时识别物体类别并调整分拣策略；双臂与Mech-Hand灵巧手协同操作，实现物体的精准抓取与分拣。
而当任务落到需要真实接触的精密操作上，转换就进入最难的一段。非夕科技用自适应力控实现了任务到动作的“最后一厘米”。在汽车总装车间，非夕自适应机器人首先轻轻接触工件，通过力觉信息适应拉杆位置误差，再来回触碰搜索，完成螺母和工具的找位和结合。在调整过程中，先进的力位混合控制策略可以使机器人能够兼顾转动方向的刚度与其他方向的柔顺性，保持工具稳定接触。
链路打通只是第一步，真正的门槛在于转换能否跨任务、跨场景通用。只有当模型足以理解任务语义、感知环境变化、自主规划动作，排产系统的一行指令才能直接变成机械臂的一次动作。
也正因如此，通用能力正取代单一场景的定制能力，成为物理AI竞争的新焦点。
工博会现场，这种通用化已经能看出轮廓：梅卡曼德的“眼脑手”体系跨工业机械臂、人形机器人等多种本体，贯穿智能抓取、分拣、装配、涂胶、质检等场景，涉及十余个行业。非夕科技展出了29台自适应机器人、18个复杂操作应用，展现通用智能机器人基座在接触式操作中的优势，以及横跨多行业、深入专业工艺的适用性。
正如非夕科技联合创始人兼CEO王世全所说，真正的通用能力，体现在以少数几款机器人产品便能覆盖全行业，深入大量专业工艺，并在批量落地中持续创造价值。
理解了世界、打通了任务到动作的链路，物理AI还要回答最现实的一问：工厂凭什么买单？这其中有三笔账。
第一笔是性能账：物理AI要进工厂，先要跑得过人工。“当前不少物理AI方案运行速度远低于人工，这在工业场景中并不具备可行性，产线不会为适配AI技术而牺牲产能。”韩晨指出，如果应用具身智能之后，作业速度不及人工，那么就不具备生产价值，只能用于数据采集与科研实验，不能用于正式生产。
第二笔是门槛账：部署越简单，物理AI离车间越近。部署是否足够简单、现有团队能否用起来，决定物理AI能不能真正走进车间。ABB机器人的AI视觉部署周期从数月缩短至数天，自动无碰撞路径规划将现场调试时间最高缩短90%，生产节拍时间最高缩短50%，数小时内即可完成产线调整适配。当产线调整以小时计，物理AI才真正拥有了适应柔性制造的速度。
第三笔是稳定账：演示允许出错，但产线不允许。一次抓取失败可能是物料报废，一次装配偏差可能是整批返工。也因此，工博会上真正有说服力的，不是机器人能做什么，而是任务成功率。
智元精灵G2在客户量产线上跑出的数据是这一笔账的典型注脚：平板精密上下料连续6天并线直播，任务成功率99.99%；三销定位柔性装配节拍最快12.97秒、成功率99.9%；体系内适配工位已达千个。类似的数字在展馆里反复出现，如梅卡曼德的FPC软排线插接成功率超过99.7%。
工厂为什么要采用物理AI，答案最终落在一句朴素的话上：它必须比人更稳定地完成同样的事，并且在每一次产线变化时，都重新证明这一点。
