从能干活到可复制：物理AI为机器人进厂提供底层支撑

　　今年4月份，在南昌龙旗科技智能制造中心开启一场长达8小时的产线直播。智元机器人精灵G2以“正式员工”身份，在3C精密制造产线上连续完成精密上下料、人机协同作业。实测数据是：连续8小时无重大异常，整体作业成功率99.5%以上，单道工序18至20秒，每小时吞吐310件产品。同一时期，它石智航与安波福签署协议，计划2026年内在安波福完成百台级工业具身机器人部署，覆盖柔性组装、检测协同、生产管理等8大工艺、33类应用场景。优必选Walker S2在极氪汽车智慧工厂里搬料箱、拆码垛，能自己换电且前后用时不到3分钟。
 

　　这些场景回答的正是“机器人除了跳舞和表演，到底能不能干活”的问题。物理AI被视为人工智能从数字世界向物理世界延伸的关键一跃——它要求机器不只是执行预设轨迹，而是听懂需求、理解物理约束、在干扰中做出判断。精灵G2能自适应产线的动态扰动与位置偏差、智能分拣不良品，并与工厂MES系统实时数据互通，说明“感知—决策—执行”的闭环已经在真实产线上跑通。
 

　　但从“能干活”到能“稳定地、可复制地干活”之间，还有两道约束：数据和网络。
 

　　数据是物理AI的第一道关口。 物理AI的预训练阶段，大量依赖仿真合成数据和人类视频数据。据央视财经报道，一家物理 AI 数据企业的头部客户，训练数据需求从去年的十万小时级，今年已经跃升到百万小时级，一年之间暴增近10倍。行业里一个被反复引用的判断是，要实现具身智能的涌现，至少需要百万小时的真实物理交互数据，而目前积累的还不够。仿真数据可以大规模生成，但摩擦力的细微变化、材质的触感差异、真实环境中预料之外的干扰，很难完全被模拟。这正是真人数据不可替代的地方：人能在日常操作中自然地感知重力、判断力度、处理突发状况，而这些“身体知识”恰恰是机器人缺失的。
 

　　围绕真人数据，海天瑞声在2026年春节后承接了智元的真机摇操订单，服务超过100台本体的数据采集，三个月内扩容至数百台，下一阶段目标冲击千台规模；同时与极佳视界在真机遥操方向深度合作，并计划拓展到第一视角(Ego)数据。帕西尼在武汉落地了“以人为中心”的全模态数据采集工厂，采集员佩戴头显和触觉传感手套，在1:1还原的客厅、操作台前完成擦电视、收纳红酒瓶等动作，头戴设备拍画面，手套记录接触位置、力度和方向，关节处的磁编记录手指弯曲角度——不操控实体机器人，却把人的操作转化为机器人可学习的多模态数据，采集效率比传统方式提升3到6倍。更轻量的路径也在出现：觅蜂科技发布的“觅蜂派”平台，让普通用户通过App领取任务、佩戴MEgo设备，在零售、仓储、制造、家庭等真实场景中完成指定操作，按有效数据时长获得报酬，内测期间注册用户达到2万人，累计产生1.3万份采集任务提交。
 

　　网络是第二道容易被低估的关口。在一个6G网络演示场景中，工作人员通过脑机接口发出指令，基站内的算力实时解析脑电信号，指挥机器狗和机器人配合完成危险品排查任务。这个演示的意义不在于脑机接口本身，而在于它把“算力放在基站、指令以毫秒级抵达终端”的网络架构摆到了台面上。有专家指出，6G将通过通感一体化、意图传输与实时交互，破解当前物理AI落地的瓶颈。紫金山实验室搭建的6G通感智算一体专网，已经能稳定支撑人机之间4K、8K环境感知数据传递和机器人端边协同AI大模型的实时运行。物理AI要规模化进厂，需要的是确定性时延、大上行带宽和边缘算力的一体化供给，而不是简单的“网速更快”。
 

　　回到工厂车间。智元计划2026年第三季度将精灵G2的产线部署规模扩大至百台量级，并向汽车制造、半导体、能源复制；它石智航与安波福的目标是2027年将部署经验推广至更多制造企业，逐步扩至千台级乃至万台级。这些数字背后，物理AI的产业化路径已经清晰：先在一个工位、一条产线上证明“能干活”，再用标准化部署样板证明“能复制”，最后用数据和网络的底座支撑“大规模地干活”。
 

　　(声明：本文部分观点由AI生成，本站发布此信息的目的在于传播更多信息，与本站立场无关。并且郑重提示所有阅读者，股市有风险，投资需谨慎，本文不作为任何投资的参考意见和依凭。)