中新网上海新闻10月14日电(记者 李佳佳)正在上海举行的第二十六届中国国际工业博览会ABB机器人的展台上，人气最旺的地方或许不是精密装配的产线，而是一台正在制作手冲咖啡的协作机器人。

　　现场，GoFa机器人先观察了一段人工演示，再“读懂”咖啡磨豆机的使用说明书，自行规划注水与闷蒸的节奏，对于手冲咖啡来说，这项技能依赖的是对时间和水流的把控，而非固定的坐标点位。ABB机器人全球总裁马思康用一句话概括这背后的变化：“工业自动化的下一个时代，将由机器人的学习速度、而非机器人的编程水平来定义。”

　　如果把这句话放进本届展会，几乎可以当作当前智能制造的行业注脚。

 

 

　　隔馆相望的另一家自动化巨头施耐德电气，将此次参展的主题定为“智·在其间”。施耐德电气集团董事、高级副总裁、工业自动化业务中国区负责人丁晓红解释，过去智能化散落在不同层级、不同环节，如今要让这些应用“融会贯通”——从设备接入、基于软件定义的运营控制，到管理优化，让工业智能贯穿工厂全生命周期。

　　两家公司路径不同，ABB机器人在机器人侧把技术从“编程驱动”推向“训练赋能”，施耐德电气在自动化侧把AI贯穿EcoStruxure三层架构，但指向的是同一件事：让设备和机器自己“学会”适应多变的生产。

　　其实，把“学习”当作核心竞争力的，不止这两家巨头。国产具身智能公司深诣机器人带来了一组“自进化”演示：SEEN·E Sculptor物流机器人自主应对尺寸、材质各异的混合箱型码垛，双臂机器人Edge在干扰下完成0.1mm级精密插接。更值得注意的是，它用强化学习前后的对比，展示机器人如何从“学会完成任务”进一步“把任务做得更好”。这些改变并非重写动作规则，而是模型根据操作结果反馈持续优化策略。在深诣看来，这就是自进化。

 

 

　　然而，把各家发言放在一起，会发现一个更清醒的共识——工业AI的瓶颈从来不在算法，而在数据。施耐德电气工业AI应用能力中心负责人周浩杰讲了一个具体细节：在一家自动化水平不低的化工企业，客户想优化某台能源设备的能耗，却在数据库里发现至少五台设备用了相近的名称，有的还带后缀，“已经无法准确判断这些点位具体代表什么”。

　　数据命名混乱、跨厂商系统封闭、历史数据难以标定，是工业现场的真实常态。ABB机器人给出的解法是一套基于“Real2Sim2Real”的持续学习闭环：先用合成数据弥合仿真与现实的差距——其RobotStudio HyperReality可以实现仿真到现实最高可达99%的精度，再让产线回传的真实数据持续扩充模型。

　　正因为数据这道坎，行业对“走到哪一步”的判断相当克制。施耐德电气工业自动化OEM行业能力中心负责人杨小雷把工业AI划分为场景化、体系化、规模化三个阶段，直言“当前整个行业更多处于场景化阶段”，大量工作仍是单点应用。ABB机器人中国区总裁韩晨也承认，行业主要难点在于模型泛化能力不足，垂直场景已有成功实践，跨场景迁移仍有待提升。

　　也正因如此，中国在其中的角色被放大了。ABB机器人称，中国市场销售的机器人90%由上海超级工厂制造，该工厂刚获得工信部智能制造能力成熟度评估四级认证(CMMM L4)，成为国内首家获此权威评级的机器人工厂；在软银收购背景下，韩晨强调对中国市场的承诺不会动摇，并因部分海外大模型无法落地，正与英伟达、亚信科技、阿里云共建本土AI生态。施耐德电气则把目光投向存量改造：上海普陀工厂已运营约30年，通过引入开放自动化与AI升级为灯塔工厂，车间里的“智能领班”让领班先看仪表盘、再有针对性地巡检。丁晓红称这类“投入并不大，但效果非常直接”的应用为“小而美”。

　　“小而美”能否走向规模化，是工业AI真正的考题。施耐德电气认为“标准化是规模化的基础”，与伙伴共创的EcoPredict、EcoPumping等边缘系统，本质是把行业Know-how封装成可复用模块。在一个离散项目中，双方利用EAE通过能力和模块复用节省了60%以上的开发时间；但施耐德电气也坦承，“标准化不可能满足100%的需求”。ABB机器人则以“工业级”为门槛，直言“如果应用具身智能之后作业速度不及人工，就不具备生产价值”，回应了“具身智能泡沫论”。

　　而这场对“规模化”的追问，已不止停留在算法与软件层面。首次以集团形象亮相的全球精密技术公司锐联特，把主题定为“算电协同·精密筑基”。这家2025财年营收约21亿美元的集团，从数据中心液冷监测到芯片与高速光互连测试，让算力与智能在真实物理环境中“可验证、可监测、可控制”，与施耐德电气“算力的尽头是能源”的判断形成呼应：智能的规模化，从来不只是软件的胜利。

　　从一杯手冲咖啡到横亘在产线之间的数据孤岛，本届工博会上的工业AI叙事，正在被拉回现实。真正的问题不再是“AI能做什么”，而是“AI能否在真实产线上被验证、被复制、被规模化”。深诣机器人对规模化的理解，或许为这个问题提供了一个考量：机器人规模化部署的关键，不只是今天能完成多少任务，更在于能否以更低的成本、更快的速度学会新的工作。当机器人学会“学习”，行业的下一场竞争，或许已经不在实验室里，而在那些愿意先把数据、把工艺Know-how交出来的工厂之间。(完)

注：请在转载文章内容时务必注明出处!   

编辑：王丹沁