物理AI的制造业迷思：从自动化到智能化，谁在为机器划定责任的边界？

项目与行业背景

当互联网AI在文字与视频的世界里狂奔时，一群深耕制造业数十年的“老兵”却保持着冷静的警惕。在他们看来，物理AI与互联网AI有着本质区别——它必须理解物理规律、承受责任的重量、并在安全与效率之间找到那条不可逾越的边界。

在“物理AI，未来工厂”巅峰对话中，主持人张礼立与四位制造业领域的资深专家——自动化“老兵”罗克韦尔中国区总裁石安、霍尼韦尔大中华区总裁余锋、通用机器人独角兽企业非夕科技创始人王世全、能源系统AI专家深度智控创始人李辉——展开了一场关于“物理AI与制造业”的深度思辨。这场对话的核心命题直指当下最热的概念：当AI从虚拟世界走向物理世界，它究竟能给制造业带来什么？而制造业又需要怎样的AI？

作为论坛的主持人，张礼立以其对制造业的深刻理解和对技术趋势的敏锐把握，为这场专业对话搭建了清晰的逻辑框架。他从“AI给制造业带来什么能力”这个基础问题切入，层层深入到工厂的边界与责任、人形机器人的价值争议，最终引导嘉宾们思考一个更具前瞻性的问题：物理AI的“超级入口”究竟在哪里？

能力之辨：AI不是简单的“更聪明的自动化”

当被问及AI与传统自动化的本质区别时，自动化“老兵”石安给出了一个精炼的概括：“传统自动化是你告诉机器要做什么，而AI是让机器拥有自我学习的能力。这个逻辑是完全不一样的。”

他追溯了工业的演进历程：“从纯劳工用手做，到工业自动化（OT层），再到信息化（IT层）融合成数字化，现在数字化又叠加了AI，这就变成了智能化。这里最大的差距在于——AI拥有综合的感知能力，可以在极短的时间内形成交叉理解的闭环，然后持续学习、持续优化。”

霍尼韦尔余锋则从更宏大的视角补充道：“自动化的时代，我们做了两件事：一是把人的经验、人的知识整理成工程能够接受的形态，让它能够持续进行；二是借助DCS、PLC、MES等一系列发明，让复杂的大型工业企业能够有序运营。而智能化时代，AI做的是有感知、有判断、有执行、有学习的事情。”

但他随即抛出了一个关键问题：“想象一下化工厂、炼油厂，如果全部交给智能系统控制，一个温度的微小偏差、一个化学成分的微小波动，都有可能导致无法承受的后果。所以这不是一个单纯的‘有多聪明’的问题，还有一个极为重要的维度——可靠。”

【石安观点：人形机器人的终极价值或许在陪伴】

“制造业的目的不是生产AI，而是生产产品。用户买的不是‘AI生产出来的东西’，用户买的是产品、是服务。所以制造业最底层的逻辑永远是成本、质量、交付、可持续。这里头的可持续又包含了安全。AI有一个很有意思的现实问题——它如果犯错了，怎么负责任？人存在的价值是负责任。但AI出错了，它可以很礼貌地跟你道歉，但你能对它怎么样呢？这是核心边界所在。回到人形机器人，我可能有一个跟大家不同的视角。现在社会结构变得越来越松散，家庭越来越小，孤独经济火爆，宠物经济火爆。大家需要陪伴，又不愿意跟人打交道。如果人形机器人真正能做到人跟人互动的感觉，那就不一样了——它扮演的是一个伙伴的角色。而且还有一个角度：定制化的车大家很愿意改造，但定制化的洗衣机卖得很差。为什么？因为定制是出去给别人看的。人形机器人带出去，别人觉得你有面子，这可能是它巨大的需求。”

边界与责任：AI不能“一杆子捅到底”

李辉从能源系统AI的实践出发，给出了一个更尖锐的判断：“AI跟工厂结合、跟制造业结合，并不代表就是物理AI。互联网AI是基于数据统计的概念，但物理AI必须真正理解物理世界、理解物理规律，才有可能进入制造业。”

核心技术与解决方案

他指出，把互联网AI硬套到工业领域，很多场景都不成功：“因为制造业对确定性、安全性、可解释性的要求极高。你很难想象，一个控制系统、一条生产线，用互联网AI可能只出现毫秒甚至一秒级别的误差，或者一个幻觉，就导致整个产线出问题——那是不可接受的事情。”

李辉将技术成熟度分为五个层级：“目前的数字化和自动化属于L1到L2，基于固定的范式、固定的编程、固定的规则。而物理AI应该达到L4到L5的级别——能够理解物理世界，自我识别、自我迭代、自适应地做闭环决策控制。我们光做一个能源系统的物理AI模型，花了将近十年时间。不是简单把AI套进去，而是让AI真正理解能源系统的物理需求和规律。现在还在不断迭代。”

【王世全观点：物理AI的核心是“仿人”的通用能力与安全兜底】

机器人独角兽王世全则从执行层面补充了“兜底”机制的重要性：“AI的幻觉什么时候能降到零？它可能无限逼近，但总归还是可能犯错。而产线是高度严谨、不容许任何错误的。所以AI真正要落地，需要有一系列的条件去兜底——多模态的感知能力、快速反应与慢速反应的分层机制、软硬件一体的安全保障。”

他举了一个例子：“比如打磨抛光，一个老师傅靠的是手感。如果机器人只有视觉，视觉AI判断错一点点，它就过切了。但如果有力觉的维度去兜底，确保力不超过十牛，那它就永远不会施加过大的力。这就是软硬件一体的过程——需要高冗余度，软件互检，独立的硬件确保一旦发生意外，机器人永远不可能产生那样的行为。当所有这些分布式的、底层的、多维度的安全机制都具备之后，AI才能在安全的环境里去做高维度的决策。”

【余锋观点：AI是逐步演进，不是一夜颠覆】

“我们的观点是逐步的。特别是霍尼韦尔在全球服务的石油炼化、建筑、钢铁等行业，对人民生活、对企业资产影响极为巨大。所以这是一个逐步演进的过程。一方面，要把工厂已有的各种设备、工艺技术，通过现有和未来的软硬件结合使用。我们近期推出了 Experion® 智预策解决方案，目的是帮助企业向自主运行模式跃升，提升运营安全性与决策质量。这款融合 AI 技术与工业知识的解决方案，凝聚了霍尼韦尔数十载的行业经验与洞察，已在多个全球领先能源企业完成试点应用，现已正式商用化发布。我们也没指望上百家大型化工企业一夜之间全部选用。对这些企业来说，聪明是一个方面，可靠、安全、可追溯可能更重要。第二个，企业内和行业内已经积累了大量的经验和教训，但都散落在各个装置、各个企业。怎么把这些数据收集好、清理好，让AI能够更好地了解、学习、感知——这是需要过程的，不是几个月就能完成的。”

当被问及AI是否会颠覆制造业工厂时，嘉宾们的观点呈现出微妙的共识。

余锋认为这是一个“逐步演进”的过程：“我们坚持认为，工厂需要分期分批地采用AI。聪明是一个方面，但可靠、安全、可追溯可能更重要。”

石安则从“人的接受度”角度给出了另一种演进逻辑：“AI的采用，讲的不是技术本身，是人。当大家越来越习惯——就像我们现在出门不需要带钥匙、不需要带现金——当下一代人生活的场景就是AI的环境，它会渐渐形成一个质变。这是一个由量变到质变的过程。”

李辉的观点则更具颠覆性：“我觉得整个工厂的制造形态，包括目前正在做的控制系统，都会被AI重构。”他以自己的产品迭代为例：“第一代产品是基于传统自控系统给它加一个大脑，依附于现有系统。但做到第三代产品时，它本身就具备了大脑，可以放到设备层级，实现更加敏捷、更加扁平化的自我感知、自我识别、自我迭代、自我决策。它不再需要原来那种非常沉寂的金字塔系统。”

他用自动驾驶作类比：“现在自动驾驶还处于L2、L3级别，基于现有的汽车，需要人机共管。但真正实现L5的时候，已经没有方向盘、没有刹车了，完全不是现有的汽车概念。每个行业都会这样，只是我们目前处于不同阶段。”

应用过程与关键能力

【李辉观点：物理AI将重构整个工厂形态】

“AI目前处于日新月异的发展阶段，肯定是从局部、特定的应用场景开始赋能，提效、降成本、增功能、保质量。但从未来远景看，我觉得整个工厂的制造形态，包括目前正在做的控制系统，都会被AI重构。我们第一代产品是给传统自控系统加一个大脑，依附于现有系统。但第三代产品本身就具备大脑，可以放到设备层级，实现更敏捷、更扁平化的自我感知、自我识别、自我迭代、自我闭环控制，完全不需要原来那种非常沉寂的金字塔系统。未来某一天，它会是一个即插即用的产品——不需要任何编程调试，不需要写规则，就能自我识别、自我迭代、自我进化、自我闭环控制。就像现在的自动驾驶，当某一天真的实现L5，已经没有方向盘、没有刹车了，完全不是现有的汽车概念。”

人形机器人之争：工业不需要，但家庭需要？

当话题转向当下最热的人形机器人时，四位嘉宾的观点出奇一致。

王世全从工业场景的实际需求出发：“在工业场景中，任务相对有边界，有明确的SOP。人形其实无非就是移动能力加两支臂。但在工业中，最优的形态可能是单臂、单臂加移动平台、双臂、四臂，甚至十臂。真正需要人形的场景——既需要灵活移动、又需要双臂才能完成任务——在工业中肯定不是占主要的。”

余锋则从流程工业的角度给出了更直接的判断：“工业分离散工业和流程工业。王世全讲的例子在离散工业中基本不需要人形。在流程工业中，人形机器人现阶段的应用价值并不突出。流程工业以连续化学反应为主，化工、钢铁、水泥、冶炼等行业的生产运营更多依靠参数判断、智能调节与控制，而非肢体操作。人形机器人可能在上中央电视台、给老百姓看的时候有普及作用，在家里面可能有些作用——我只能说是‘可能’，因为扫地确实不需要人形。”

石安却从社会结构的角度提出了一个有趣的补充：“现在社会结构变得越来越松散，家庭越来越小，孤独经济火爆，宠物经济火爆。大家需要陪伴，又不愿意跟人打交道。如果人形机器人真正能做到人跟人互动的感觉，那就不一样了——它扮演的是一个伙伴的角色。而且还有一个角度：定制化的车大家很愿意改造，但定制化的洗衣机卖得很差。为什么？因为定制是出去给别人看的。人形机器人带出去，别人觉得你有面子，这可能是它巨大的需求。”

超级入口：谁将定义制造业的AI标准？

论坛最后，张礼立抛出了最后一个问题：未来三到五年，如果让你押注一个物理AI的垂类方向，哪个点最有可能成为制造业智能化的“超级入口”？

李辉押注的是工艺与能源系统的参数优化：“通过AI算法实现更好的效率、降低成本、提升质量。同时我也非常看好高风险、高复杂度场景的AI应用。”

实践成效与行业价值

余锋押注的是“管理”：“设备的管理、质量的管理、走动管理、标准化作业……管理本身有大量的机会。过去几年我同时管了几十个工厂，发现一个工厂出现的问题，在很多其他工厂要么是一年前碰到过，要么是三个月后碰到了。但这些东西没有连起来。中国是全世界制造业最大的大国，如果哪天有十万个工厂、一百万个工厂能够连起来，大量的问题其实是共性的。如果能够把这些东西输入AI，拍个照片就可以告诉你有什么安全隐患，有三个建议、原因分析、具体怎么做——这不仅仅是服务一两个高端客户，而是可以服务几十万甚至更多的客户。特别是在现在越来越‘卷’的情况下，特别是在行业竞争日趋激烈的当下，企业只有先做好降本增效，才能腾出更多资金与空间投入创新。”

石安则从“标准制定”的角度给出了一个更宏观的判断：“谁能够主导超级入口？我认为会是由链主主导的平台。谁能定标准，谁就是入口。英伟达可能定的是底层平台的标准，Google可能定义应用层的标准，工业巨头定义工业体系的标准。最后再慢慢融合。”

王世全押注的则是食品行业：“这是一个自动化率、数字化率相对传统、用工短缺已经非常明显的行业。食品行业用工平均年龄四五十岁，每年还在往上涨。环境差、低温高湿、年轻人不愿意去。但如果物理AI能够进入食品行业，不仅解决劳力短缺这个国计民生的问题，还能提升食品安全、食材质量和口感——多重意义，想象空间很大。”

当互联网AI在虚拟世界里狂奔时，这场关于物理AI与制造业的对话，却呈现出一种冷静、务实、甚至略带警惕的底色。

四位深耕制造业数十年的“老兵”给出了一个清晰的共识：物理AI与互联网AI有着本质区别。它必须理解物理规律、承受责任的重量、在安全与效率之间找到那条不可逾越的边界。它可以“逐步演进”，也可以“重构工厂”，但绝不能“一杆子捅到底”。

而那条最根本的边界，或许正如石安所言：“AI出错了，它可以礼貌地跟你道歉。但你能对它怎么样呢？”

这场对话最终指向了一个更深层的命题：当机器开始拥有智能，人类与机器之间的责任边界，究竟应该划在哪里？而这个问题的答案，将决定物理AI究竟能走多远。