物理AI“下厂”热潮背后：工博会上的新故事与一道绕不过的旧账本

第26届中国国际工业博览会落幕不久，“工厂+物理AI”成为产业界绕不开的关键词。ABB机器人中国区总裁韩晨在工博会现场直言，小批量、多品种、高频换型的生产工况，正是物理AI在工业场景中尤其适配的领域。资本与产业的热情并不难理解：当传统自动化在频繁换型面前暴露出换线成本高、调试周期长的结构性短板，物理AI所承诺的“感知—理解—决策”闭环，恰好踩在了制造业柔性化升级的痛点上。

然而，工博会上的热度，并不等同于工厂账本上的认可。物理AI在工业场景中的真实处境，可以用“明线热闹、暗线吃紧”来概括。

明线是需求侧的缺口真实存在。在多品种、小批量的上料环节，零件型号和摆放状态随批次变化，若每次换型都要重新调整自动化程序和工装，投入产出比往往难以成立，工厂只能退回人工判断与分拣。精密插接等工序同样如此：工件存在位置偏差，接触后还需根据阻力动态调整动作，一条预设轨迹未必能经济地完成任务。物理AI如果能在这些“成熟自动化啃不动的死角”里以更低的部署成本和现场干预把任务接过来，它就有了进入产线的第一张门票。

但暗线才是决定这门生意能走多远的变量。工业场景对安全、效率和成本的要求，不会因为技术叙事的新鲜而打折。韩晨本人就坦言，“一旦物理AI在工厂运行过程中出现AI幻觉，后果十分严重”。连续运转的产线没有义务为技术试错买单，一台设备在演示中动作流畅，进入真实产线后若频繁需要人工接管，工厂衡量的就不仅是“能不能做”，而是“能不能跟上节拍、稳定交付合格品”。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，同比增长9%。这意味着物理AI要争取的每一道工序，几乎都要在成熟自动化方案已经占据的存量盘子里证明自己“更值得用”，而不仅仅是“也能做”。

比单点技术验证更棘手的，是规模化交付的经济账。物理AI的商业模式能否成立，不取决于一条产线上跑通了一个工位，而取决于下一家工厂、下一条产线需要重新投入多少开发和调试。模型泛化可以减少一部分适配工作，但设备接口、工装变化、质量验证仍然需要有人承担。如果每进入一个新场景都要从头组织工程资源，适配成本只是从工厂转移到了供应商身上，规模效应便无从谈起。资本端已经开始用更硬的指标来审视这一命题：有投资人明确提到，资方对具身智能的追问已经从技术演示转向工程交付、持续复购和回款。从试点到持续经营之间，隔着的不是模型参数，而是一套可复用、可验证、可收款的交付体系。

工业欢迎新技术，但工业的账本从不为叙事打折。物理AI在工博会上的集中亮相，证明了制造业对柔性智能能力的真实渴求；而安全冗余、节拍稳定、部署复用与回款周期这些“老门槛”，则决定了哪些玩家能把展台上的故事变成产线上的订单。热闹之后，物理AI需要交出的不是又一个演示视频，而是一张工厂愿意持续续费的账单。