阅读时间大约9分钟（3235字）

2026-10-15 工厂说了：物理AI跑不过工人，就别上岗！

来源：人形大讲堂

资本在给物理AI加估值，工程界在给它加约束

作者：李鑫出品：人形大讲堂

10月12日，第26届中国国际工业博览会在上海国家会展中心开幕。31万平方米、3200多家参展商、近300项首发首秀——这些数字每年都在增加，但今年真正不一样的地方在7.1H和8.1H两个馆。

去年在这里，人群围着会翻跟头、会跳舞的机器。今年同样的位置，机器还在动，看客的问法变了。表演性质的机器人少了，更多机器被直接摆成工位：码垛、抓取、快递翻面。同样是搬一个箱子，有的用吸盘，有的用夹板，很多连人形都不是——外形已经不重要了，重要的是它在那条产线上顶不顶得住。

词也跟着换。"物理AI"第一次成了全场高频：ABB用它串起整个展台，和利时把工业世界模型XWorld摆在核心引擎的位置，京东工业在10月13日现场发布了工业世界模型，西门子一边发20余款新品，一边开放6类具身智能"进厂"场景，把中国5家工厂的实景产线腾出来给物理AI做测

试和数据积累；王兴兴在开幕式上讲的是"物理AI自进化"。

从"AI+制造"到"物理AI"，多出来的这两个字，把评判标准整个换掉了。

PART 01

物理AI和上一代工业AI，差在哪儿？

这两年工业AI讲的一直是"生成"：一张图纸、一段工艺路线、一份质检报告。生成错了，删掉重来，代价几乎为零。蓝沃AI的"沃土"大模型把工艺路线起草提速约60%，与工程师思路的契合度超过95%；黑湖科技的工程Agent大约一分钟解析完一张图纸的工艺，准确率约95%。

这些数字有一个共同前提：它们都发生在屏幕里。

物理AI要出屏幕。算法得直接驱动伺服、机械臂和移动机构，去抓、去拧、去碰真实的工件。这一步跨出去，错误就不再是可以撤销的操作，而是废品、停机，或者更糟。

所以物理AI的难度，不能拿模型参数去量，得拿"落到物理世界之后还能不能复现"去量。中国科学院院士、宁波东方理工大学校长陈十一在13日的长三角工业智能创新发展论坛上把话挑明了：全球科技力量对物理AI基础设施与工业场景的布局正在全面提速，但"是否所有路径都走对了，依然值得深入讨论"。

他的理由是工程性的。在工程领域，AI生成软件面临正确性、数字稳定性与可复现性的多重风险，提示词差异、上下文依赖、底层模型不同以及采样随机性，都会让生成结果天然带有不稳定性。而CAD优化与工业设计作为眼下最热门的方向，要求AI在给定物理约束下，以最高精度和最快速度完成既节省材料又确保结构功能的工程设计——这是全球工业界的核心攻坚点。他的原话是：真实AI与工业软件的结合，一旦应用在物理世界上，将面临最高的风险。

同一周里，资本在给物理AI加估值，工程界在给它加约束。这个温差，是今年工博会最值得留意的东西。

PART 02

物理AI一旦出现幻觉，后果有多严重？

既然错不起，展台上的应对就不再是"让模型更聪明"，而是"给模型划边界"。

和利时的XWorld把本体模型、时序模型、机理模型、决策模型四套模型放在一起跑。机理模型的职责写得清清楚楚：固化物理化学规则、划定安全边界。落到操作上，系统走的是"状态判断、风险提示、策略生成、人工确认"的分级机制——AI可以一路推到策略，最后一步交回给人。

ABB机器人中国区总裁韩晨在展台上把风险说得更具体。行业经常提及AI幻觉问题，一旦物理AI在工厂运行过程中出现幻觉，将造成十分严重的后果。所以ABB研发物理AI始终以安全、可靠、稳定和可复现为前提。

他还划了另一条线，比安全更难够到：性能。当前不少AI方案的运行速度远低于人工，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。他给工业级物理AI下的定义是——应用具身智能之后，作业速度不及人工就不具备生产价值，只能作为数据采集与科研实验，不能用于正式生产。

这不只是ABB一家的判断。产线验收一台设备，看的从来只有两件事：能不能干得了这个活，以及比人快不快——前者决定能不能上岗，后者决定这笔投入划不划算。

企业自己怎么估计边界，可以从另一个数字里看出来。京东工业的"工业透视"可以用一句话或一张照片生成设备图纸、拆解物料清单，直接联动采购下单。据现场工作人员介绍，简单零部件的设计耗时从30分钟压缩到1到5分钟；同一位工作人员也承认，眼下只能处理简单零部件，图纸生成后仍需工程师调整，今年计划把试用用户从100人扩大到1000人。

100到1000。如果技术真的已经过关，这个数字不该这么小。

PART 03

钱为什么从"身体"突然转向了"大脑"？

企业对自己有多克制是一回事，钱往哪儿走是另一回事。展馆外的数字说得更清楚。

赛迪的数据显示，2025年中国具身智能机器人行业全年发生760起投融资事件，整机制造及系统集成是最受资本青睐的领域，占比超过六成。到了2026年上半年，机器人本体整机公司的融资额降到56亿元，占比只剩13%左右。取代整机成为第一大资金池的是具身大脑、世界模型、灵巧操作硬件和数据基础设施，其中以具身大脑为核心业务的公司吸纳了222.53亿元，占比50.8%。

一年之内，钱换了一半的方向。展馆里的展品跟着这股钱走：去年各家比本体，谁的双足能跑、谁能后空翻；今年比底座，工业世界模型、世界动作模型、具身大脑被摆到最显眼的位置。

但大脑往前跑的时候，手还留在原地。中国科学院院士丁汉在论坛上摆出一组对比：人类外科医生手部协同自由度可达21个，触觉分辨率优于1毫米，感知模式是多模态融合；当前机器人手部协同自由度只有6到11个，触觉分辨率是单触点，感知模式大多停留在单模态。由此带来触觉反馈缺失、视触觉空间不对齐、高维控制失真，智能体难以处理易碎、透明、柔软这类复杂物体。

中国电子信息产业发展研究院科技处处长董凯把问题又往下推了一层：灵巧手硬件做得不错，但模型没起来，没有数据喂给它，做不到泛化；过去两年，行业一直没大规模、系统性地采集过触觉数据，缺乏物理接触的时空连续数据。

钱往大脑走，短板留在手上。而补上这块短板要用的原料，恰恰是最难拿到的那样东西。

PART 04

工业数据，锁在谁的抽屉里？

开幕式上有一段对话，把这个难题摆到了台面上。中国工程院院士、之江实验室主任王坚当场向海尔、施耐德这类制造业企业喊话，希望它们把工业数据开放给机器人企业。他的比方是：现在人工智能可以理解代码、写代码，这是一个质的变化，但人工智能距离工业界的数据还比较远，这类数据锁在每个企业的"抽屉"里。这个问题不解决，两者拥抱有非常大的挑战。

王兴兴在同一场对话里给出的是本体厂商的视角：宇树会把机器人真正部署到物理世界的最后几厘米作为重点，真机数据仍然非常关键。Sharpa联合创始人向少卿把数据拆成三层——人类操作数据构建智能的"种子"，仿真数据用于强化学习和数据增广，真机数据负责填平仿真到真实的落差。西门子开放5家工厂的实景产线，做的也是这件事：用真实工况换真机数据。

向少卿还有一句话，把"物理"两个字和硬件架构绑在了一起。执行任务时机器人在和物理世界实时交互，从时延性看，算力应该尽可能靠近机器人，最好是端侧的。他的原话是：物理是不会等你计算完毕的。

数据锁在抽屉里，算力被迫往端侧搬，模型得守在机理边界内。三条约束同时压过来，落地路径就不再是条直线。

也因为如此，出货量的热闹和落地的进度眼下还是两回事。IDC的全球人形机器人跟踪报告显示，2026年上半年全球出货量接近2.5万台，同比增长432.1%，中国市场超过1.9万台。这份报告里还有一组更能说明落点的数据：科研教育、表演展示、政府数采中心三类场景的合计出货占比，从2025年全年的83.8%降到今年上半年的69%。在降，但仍是绝对大头，工业制造、零售、物流尚未成为主要出货方向。

上海市经信委二级巡视员韩大东在工业具身智能产业创新高峰论坛上把今年定义成"机器人单场景落地的元年"。上海人工智能研究院通用机器人中心主任费海平把工业现场的验收标准拆成四个问题：能不能稳定干活、能不能降本增效、能不能少改产线、能不能安全可维护。

四个问题里没有一个问参数。

PART 05

工博会办到第26届，问题换成了什么？

验收标准既然不看参数，账就得换个算法。京东工业与中国工业互联网研究院在展会期间联合发布了《AI赋能企业价值量化评估研究》，提出把评价视角从"AI应用水平"转向"AI驱动能力与价值"，测算路径分四步：业务改善识别、业务价值折算、AI贡献归因、AI净价值核算。