物理AI全产业链背后,国产工业软件正在啃最硬的骨头

本文致力于学术层面的产业研讨与科普分享，旨在加深读者在对应领域的认识。内容仅供理论参考，不构成任何实操建议或投资依据。请读者朋友理性研判，注意甄别。

引言 屏幕之外，一场没有喧嚣的工业变革

大众对人工智能的印象大多停留在手机、电脑屏幕里。对话框生成文字、绘图工具产出画面、语音程序完成对话，这些虚拟场景里的AI应用已经走进普通人的日常生活，热度居高不下。但很少有人留意到，另一股完全不同的AI浪潮，早已悄悄渗透进全国各地大大小小的工厂车间。它不再局限于数字信息的加工，而是直接接触齿轮、钢板、机械臂、反应釜这类实体工业设备，行业内将这类技术统一命名为物理AI。

2024年夏天，苏州某汽车零部件焊装车间开展一项典型的AI技术实践案例，叫做物理人工智能（Physical AI）。该车间和传统的制造环境不一样，以前常见的机械切割噪声以及经常有人工操作已经不见了，被以橘色六轴工业机器人为主的新自动化作业体系所取代。这些智能化程度很高的机器人装配有非常精密的三维视觉传感设备，在极短的时间内就可以准确地获取并处理复杂的排列状态下的齿轮坯料的位置信息，计算响应速度可以达到毫秒级别。依靠先进的算法支撑，在坯料的位置误差不到5毫米的时候，系统依然可以动态调节运动路径，保证抓取准确，而且能无间断地衔接起后面焊接的部分，实现了全程的高度自动运转，彻底远离人工干涉以及中间过渡阶段。

追溯到三年之前，这个工序需要两人都要驻守在传送带两侧，采用人工视觉检测、手工调整胚料位置的传统方式。由于人力效率的原因，当时的峰值产能为每小时300件，并且因为误判或者偏差造成质量方面的质量问题频频发生。两种生产模式的本质差别并不只是简单的人力投入、作业速率的比较，是工业自动化技术近半个世纪发展过程中的一次重大的技术变革。该种变革对提高生产效率、保证产品质量的稳定性都起到了很大的作用。

工业自动化的发展史是人对机械设备的自动控制要求越来越高的历史，是技术发展、社会需求不断变化的结果。1952年麻省理工学院研制出世界上第一台数控机床，用数字指令代替传统的手工操作方式，把机械加工的过程变成了高度的程序化、精确化。1975年霍尼韦尔公司推出分布式控制系统给化工、电力等行业连续性生产提供了一个高效的管理方案和技术保障，使资源的配置更加高效，运行更加稳定。到2023年为止，在人工智能技术融合之后，大模型能够对各种各样的机械设备展开虚拟环境外的运作，并且会对生产自动化造成直接的影响。

以物理驱动的人工智能（PhysicalAI）为技术主体的工厂运作方式正在被颠覆。虽然大多数公众把工业智能化看作是取代人的力量，但是它实质的含义并不只是简单的人力取代。该技术在实际操作中主要是对重复性的劳动、高危险度的工作、依靠经验和直觉进行决策的工种进行改善，进而提高设备自主工作的水平，使制造业由原来的“人机分工”模式转变为现代化高效的制造过程。

本文将技术演进的时间线作为框架，从理论机理、产业生态和本土实践三个方面对物理AI在现代工业体系重组过程中的具体应用途径进行论述。全文不会聚焦单一品牌产品性能对比，也不涉及企业经营层面的解读，仅做纯产业科普。读者能够清晰理解，这场工业变革的核心载体并非单一炫酷AI算法模型，而是工业软件、实体硬件设备、全流程工艺数据三者深度融合形成的完整系统；同时也能看到，国内各类技术企业持续多年的自主探索与技术突破，正在为全球制造业智能化转型提供全新落地路径与解决方案。

第一章 工业智能完整演进脉络：从纸上数据分析到真实物理交互

在工业发展过程中，提高设备的智能化水平一直都是促进产业变革的主要动力。该种发展趋向意在冲破传统机械化运作固有的局限，让生产设备可以依照外界环境的改变来调整自身运行品质上的参数。人工智能技术出现以后，在工业领域的功能扩展走过了三个重要的阶段，即初期用规则来驱动程序化的管理模式，中期是依靠数据挖掘和辅助决策而建立服务架构，现阶段才是把物理实体进行准确控制的技术革新。每一个发展阶段都会给制造业带来生产效率、产品质量和操作安全等关键指标带来的深刻影响，并且会加快产业升级的速度。

1.1 初代工业智能的功能边界：仅能识别问题，无法介入实物处理

自2018年以后，基础机器视觉质检技术在国际电子制造业和汽车零部件生产行业里已经得到了广泛的运用。主要运行机制就是，在生产流程的关键环节布置高性能的工业相机设备，动态地获取产品的和半成品的成像信息，然后采用初级图像处理和模式识别算法对表层缺陷(划痕)、几何形变、外部污染物等典型的质量异常进行准确的检测与分类。

根据基本效率方面的比较可知，该视觉检测系统对于产品外观质量的检测要远远好于传统的手工检测。当处于标准化作业条件时，单台设备每分钟可以完成300件产品检测的任务，比人工检测高出大约3倍的效率，由于不需要人工的支持并且具有连续工作的性能，所以可以有效地避免由于疲劳或者注意力分散所引起的人员判断失误的风险。目前这个初级工业智能化方案的功能相对简单，只对目标识别、数据记录和结果反馈等基本模块的执行负责，并没有给它提供自主判断以及应对缺陷的能力。

用电子工厂电路板虚焊缺陷检测来说明视觉识别系统的性能，可以准确地得到缺陷的空间坐标和类型数据，还可以生成质量检测报告供生产管理人员参考使用。对返工指令的下达、焊接设备参数的调整等具体执行过程，还需要人工操作，目前的人工智能技术还不能达到对制造装备运行状态实时动态控制的程度。

尽管预测性维护技术已经被广泛地应用在工业上，但是它本身的优点还存在着很多的不足。以风力发电机、水泵装置和电动机等旋转设备为例，在其外部安装上振动传感器和温度探测器之后，依靠人工智能的时序数据分析模型来对历史运行数据展开深入挖掘，能够在故障出现之前两周预测出轴承失效或者部件过度磨损这类可能的问题，并且给出对应的维修方案和备件清单。目前该技术不能自行发出设备停止运转的指令，并且不具有整合其它自动化执行能力的功能，相关的操作依然需要人工来完成，即设备维修，更换零件，修改系统参数等。

即使在具有较高智能化水平的排程系统中，尽管它的算法可以将订单信息、设备运行状态和物料储备等多方面因素融合起来，生成出最优化的生产安排方案，但是车间管理人员仍然要对初始输出的结果做人工的复查。经过确认之后，还需要利用制造执行系统把相关数据转换成电子指令，并将电子指令下达到各个生产线。

第一代工业人工智能技术虽然可以完成车间层面的数据采集和辅助决策，但是对于设备的实际运行状况的干预作用很小。这一特点主要是由于制造业对于系统可靠性有较高的要求所造成的。工艺参数的小幅度波动，有可能造成资源浪费、设备出现故障或者安全事故发生。以钢铁冶金行业为例，若炼钢炉内的温度超过规定温度5℃以上的话，几百吨的铁水就会因为不符合质量标准而被丢掉，机器人在执行精确装配任务的时候，如果出现路径误差只有1毫米，那么就会造成昂贵的零部件遭到破坏，化工合成反应中的压力控制一旦出现偏差，也有可能引发管道泄漏或者爆炸事故。在安全生产、经济效益两方面综合考虑的情况下，大多数企业把核心生产工序的操作权交给了人工来管理，在得到初级AI工具所产生出的一些建议后还要经过人工的审核再交由人工执行最后一步的操作指令。

1.2 物理AI核心技术本质：从输出分析报告，到直接下发设备执行指令

自2023年以后，物理型人工智能已经冲破早期只给予决策建议而无实际执行的局限，渐渐走进了大范围试点应用的时期，且表现出许多新的特点。和传统的工业人工智能相比，它主要不同之处在于输出方式的不同，即它的核心是输出结果以文本化或者数据化的形式，而不是以指令的方式给出，给控制系统提供了精准的驱动设备，实时控制生产和调度工作。

该种技术发展冲破了功能叠加的传统模式，达成对于关键运算架构的全面重组。传统的智能人工智能主要是用符号化的语言（如文本、图像、表格）来处理虚拟的数据，并且用统计建模和模式识别的方式来获取信息的意义；物理型人工智能主要是对温度、压力、位移、机械参数和物料属性等实数量指标进行分析，然后将分析得到的结果转换成可以控制实际设备的动作命令。

为了保证物理设备的正常运作，人工智能系统要同时达到三个互相独立而又非常重要的目的。人工智能在物理领域中的人工智能研究和应用过程中，一般都会遇到很大的技术问题，并且要耗费很多资源来完成其实施工作。

1.2.1 指令物理合规性约束

人工智能产生的调控指令必须要严格按照目标设备实际运行参数和技术规格来制定，不能超出台式设计界限或者性能上限。将运动控制信号传给机械臂的时候，系统要随时跟踪电机的扭矩，最大工作速度以及单次负载能力等重要的参数。检测到指令值超过设备的安全限度时，系统就会立刻中止执行，防止由于超载而造成损坏。开发物理仿真AI模型的时候，应当把设备所有的物理限制条件充分整合进来，在指令生成环节加上自动化的合规性验证模块，以此来有效缩减由于操作失误引发的技术风险。

1.2.2 全链路毫秒级实时响应

连续化生产模式在工业制造中被普遍使用，用汽车焊装生产线单班运转周期为例，需要处理大量的零部件。本场景里，依靠人工智能（AI）所完成的运算及控制任务，其响应速度要符合毫秒级的标准，一旦超出了这个界限，那么指令执行的速度就会受到严重的影响，进而导致设备性能方面的表现也会变得不如人意。在苏州一家主要做精密部件加工的公司中，原材料通过传送带匀速运输，如果AI定位系统反应迟缓超过一秒，就会造成待加工物体偏出预期的工作区域，进而使后续的机械臂抓取指令失效。为了克服精确高且快速的计算任务的难题，在物理上高效地完成AI计算任务常常会把边缘终端放到车间附近，这样做既可以大幅削减网络通信时延，也能明显提升整个生产系统。

1.2.3 多层级安全应急机制

物理型人工智能系统最突出的特点就是具备完备的故障诊断以及应急反应系统。当感知单元失效，计算模型有误，运行参数超出正常范围的时候，系统就要在极短的时间内发出安全防护指令，保证在亚毫秒级以内实现自动停机，从而防止出现人员伤亡、财产损失等重大危险。该功能体现出工业级的AI技术和消费电子领域语音助手存在本质上的差别，前者会因为软件设计缺陷造成实际的危害，而后者只存在信息误导的风险。因此，在此种情况下，内置安全模块成了这类系统结构设计中不可或缺的组成部分之一。

为了满足合规性、实时性、安全性的各种需求，物理人工智能技术体系打破了传统机器学习模型所固有的限制，创建起了一种将工业软件、传感硬件和执行机构结合起来，构成一个闭环结构的技术系统。运行机制可以总结为以下几点，在边缘计算节点上部署适合的场景下物理AI模型，持续采集传感器传输过来的车间环境动态参数，利用数字孪生技术进行多层次的虚拟仿真，对方案的安全性和可行性进行评价，当仿真结果满足要求的时候，采用标准化工业通信协议把控制指令转换成设备可以识别的形式并发送到目标装置上去执行实际操作，设备执行完毕之后，会把反馈的数据及时回传到上层管理平台（包括边缘服务器、云端资源等），给AI算法迭代升级提供数据支持。信息流贯穿始终，形成完整的数据循环链条，即从原点开始到终点的状态监控全流程都被整合进来，使得AI技术可以完全深入到智能制造的核心生产环节中，并不是单纯的辅助手段。

1.3 工业场景成为物理AI最优落地试验场

物理人工智能在各个应用场景中取得的成就说明，在自动驾驶、服务型机器人、无人机等领域的进展已经非常突出，但是工业制造作为技术成熟度高、市场需求大、项目数量多的发展方向，已经成为全世界最有代表性的应用领域。工厂特有的环境优势，给物理AI的商业化的进程赋予了强有力的支撑，并且催生出诸多明显的价值和竞争优势。

1.3.1 全品类设备标准化物理通信接口

在智能制造领域，数控机床、工业机器人、智能传感器这些核心装备依靠的是全球通用的工业通信协议来进行协调工作。其中，Modbus、Profinet和OPC UA等标准化协议因突出的功能性而被广泛应用。这些标准通过统一数据传输规则来保证物理人工智能系统实时数据采集、远程控制的有效性，而且大大降低了对于传统硬件结构进行改造的需求。与家庭服务机器人相比，由于各个品牌的通信协议没有统一的标准，参数的定义还没有形成行业标准，跨品牌设备之间的联动操作存在很多的技术障碍，不仅会降低产品的市场接受度，也会造成成本超预期。

1.3.2 高密度、具备因果逻辑的工业原生数据

汽车整车制造生产线上的传感器每秒就能产生上万个结构化数据，有温度、压力、机械振动、电机电流和物料位移等各种各样的信息。该些数据体现出具体的物理属性，用因果联系表现出具体的功能体现，比如焊接电流参数影响焊点质量的稳定程度，电机振动频率体现出轴承工作状态及其潜在的失效危险。具有明显因果关系的此类数据集，给研制出精确的物理人工智能模型赋予了优秀的练习样本。相比之下，互联网环境下用文本、图像等表现出来的数据更多是表面的相关性，缺少严格科学研究支撑的因果逻辑体系，在实现复杂的实体操控任务的时候，不能达到很高的精度和可靠性标准。

1.3.3 成熟完善的前置仿真验证体系

企业可以在创建高度逼真虚拟仿真环境的基础上，利用数字孪生系统对大量的数据集做模拟测试，从而找到最佳决策方案。这些试验主要是检验调节方案的安全性和对于工艺流程改善的实际效果。以工业机器人路径规划为例，所有的设计都必须先进行虚拟车间的仿真测试，检测有无空间干涉、动作停滞等隐患，在确认无误之后才能下达到真实的设备上执行任务。先仿真再实施的管理方式很好地解决了由于物理环境造成的试错风险，提高了运行效率，并且加强了安全保障水平。相比而言，在自动驾驶方面虽然也使用虚拟测试的方法，但是由于复杂的、不断变化的实际情况和不确定性，因此对于极端情况下的预测准确性以及相应的应对措施还比较有限，在某种程度上也会限制着自动驾驶技术的商业化以及发展的空间。

1.3.4 可量化、清晰可见的生产收益逻辑

物理人工智能系统实施过程中的经济效益可以利用定量分析的方法进行准确的评价，主要从三个方面来体现即降低劳动力成本、提高生产效率、提高产品质量和资源利用率。清晰的收益框架大大提高了企业开展技术革新和大规模推广的积极性。对于年产能100万辆的汽车生产企业而言，把次品率从目前的1%降到0.5%，那么每年能节省多少人工费用、返修材料费用呢？但是消费领域AI的应用（虚拟客户服务、图像处理工具等）由于经济回报难以直接衡量而受到吸引不够，进而对企业在长期研发投入上的意愿产生影响。

物理人工智能(PA)在各个领域里对制造业起着检验技术价值的作用，从而将制造业逐渐变成一个评价物理人工智能技术效果的重要实验场域。2023年以后，全球众多从事工业软件研发、高端装备制造、云计算服务的企业开始涉足物理AI，把化工、钢铁冶金、汽车整车制造、电子精密加工等工业领域纳入到规模化升级改造的行列之中。该集成化方案推进着商业化的脚步，并且也完成了技术可行性全面检验的任务。

第二章 支撑物理AI稳定运行的三大底层技术底座

物理人工智能不是只依靠一种算法来运行的技术体系，它是一个集多种学科知识于一身的综合性的工程系统。其运行效率依靠三类核心技术共同来实现，即数字孪生技术、工业领域专用模型和仿真验证框架，这三个技术一起构成了其运行效率的保障。缺乏上面任何一个关键的技术，该领域就会出现无法大规模应用以及不能及时部署的情况。

2.1 数字孪生：从可视化监控大屏，转型为AI决策专用虚拟试验场

目前大众对于数字孪生技术的认识大多集中于工厂控制中心的大屏幕所呈现的那些内容，即车间三维仿真界面、设备运行参数实时显示、生产进度动态图等等。现阶段该技术的主要功能定位是建立可视化监测系统，它的基本逻辑就是把物理世界和数字映射环境进行单向的数据交互。早期开发的数字孪生平台只用线性的数据传输方式，把真实的环境中的数据采集之后，映射到虚拟模型上，但是缺少了虚拟环境指令对实际设备的控制功能。

当人工智能和物理系统深度融合的时候，数字孪生的功能范围也从原来的传统的数据映射的框子里跳脱出来，变成智能决策前的检验场地。关键特性就是实现物理实体与虚拟仿真动态交互以及信息交流的机制。当基于AI算法生成的优化控制指令发出之后，就会被输入到事先搭建起来的虚拟生产线环境之中，从而完成对整个生产流程的全生命周期仿真分析工作，进而预估出出现设备兼容问题、工艺偏差情况以及能量消耗失衡等问题的可能性大小。只有经过严格的评价并满足规范要求的指令才能在实际的生产过程中被应用。同时现场运行结果数据立即被采集并回传给虚拟模型，进而使得仿真系统愈加准确可靠。

2.1.1 炼钢行业数字孪生落地完整案例

转炉炼钢是冶金工业中工艺精密度和响应时效性要求很高的重要工序，在高温环境下（约1600℃）工作，内部熔化的材料中的碳、磷、硫等主要元素的状态不能用一般的检测手段来直接观测。传统的生产方式下，炉前作业人员大多依靠多年积累下来的丰富专业经验，凭借火焰特性以及设备振动参数这些直观的表示来做出合金添加的时间和出钢时间的手工判断。高度依靠经验的操作方式很容易造成人为失误，给产品质量的稳定性带来潜在的风险。

现代钢铁企业一般会给每一座炼钢转炉创建独立的数字孪生模型。利用设备端采集到的炉体振动参数、氧气喷枪轨迹、冷却水流量、炉膛内声学信号等多种数据，再把这些实时数据一起发送到对应的虚拟转炉模型上。以冶金化学反应机理为基础，利用人工智能算法进行建立的物理模型，能够对炉内复杂的化学变化过程做出准确的模拟和动态解析，从而可以预知钢液里各种元素含量的变化趋势，进而对合金添加量以及供氧时间等工艺参数做出适当的调节。

系统在把控制指令发给现场生产设备之前，会使用数字化双胞胎技术创建出虚拟仿真实验平台。本平台主要模拟原材料的投入以及熔炼的过程，用智能算法来评价优化后的钢水的化学成分是否符合规范要求，预测并分析炉衬的侵蚀情况是否在安全临界值以内。当这两个主要指标都符合要求的时候，才会发出执行命令来控制设备运行。前置的虚拟验证过程只需几秒钟就可以完成，相比传统的依靠人工经验来判断的方式，它的成分检测准确性提高了30%，有效地降低了由于人为因素造成的质量问题的概率。

2.1.2 数字孪生缩短新产线调试周期

在离散制造行业里，生产线搭建之初的调试工作一直被看作是成本控制的主要难关。汽车产业在正式投产前采取了传统的模式，企业一般要经过数月或者半年左右的时间来展开试运行工作，此过程中会耗费大量的金属原料（钢材、焊接材料等）以及会对重要的机器设备造成一定的磨损。近些年来，伴随数字孪生技术发展迅速并且被广泛地使用，现代企业可以建立起来完整的生产线模型，并用智能算法来模拟各种复杂的工况。在这期间九成的技术参数调节与改良工作已经被预先转到虚拟环境当中执行，实际的生产线调试所需的时间被缩减到数周内，而且实物物料的需求量也被削减了，人工干预的成本也得到了降低，整个项目的实现速度提升了60%以上。

英伟达的Omniverse平台已经成为业界公认的最具有代表性的通用型工具，也是目前数字孪生技术的发展方向。该款集成了3D仿真的协同工具，利用统一的数据管理方式把CAD的设计数据、CAE的仿真结果、物联网感知的信息都囊括其中，并且可以做到各个异构设备之间以及各个品牌的机器数字模型之间的互相连通。目前在国内制造业中，很多企业利用Omniverse搭建物理AI驱动的数字孪生系统的时候存在着明显的技术优势和经济效益，它既降低了研发门槛又大大削减了相关的费用开支。

2.2 工业世界模型：为AI搭建预判未来工况的推理大脑

第一代工业人工智能的主要技术特点是以静态图像分析为主要研究内容，在这个阶段主要是解决一些基础的问题，比如瑕疵识别、设备状态监测和数据分类统计等等。对物理空间内的智能系统进行设计的时候，必须要将动态推演和前瞻性预估的能力结合起来使用，以便于提前对某个操作引发的种种影响进行预测。调节反应釜温度参数的时候，系统应该把质量、能耗、硬件消耗这些要素纳入考量范围之内，机器人作业姿态改变时，也要考虑所造成的空间干扰危险程度，并且对每一次移动操作所牵涉到的时间变动区间做出数值化的界定工作。该类预估性剖析依靠创建包含有关工业场景全部要素的完备数字孪生模型来形成支撑架构。

世界模型的概念最早可以追溯到2018年，是有关学者提出的一种理论设想。由于计算资源匮乏、行业数据库建设不完善等缘由，它的实际应用一直被局限在原来的范围内。直到2023年，它才第一次被应用到制造业当中。工业世界模型属于结合跨学科知识的虚拟仿真方式，依靠车间实时数据来准确预估数分钟乃至数小时后生产系统状况的改变趋向。

相比传统的单步预测算法，“世界模型”有明显的优势，它的核心就是具有多步的递归性复杂场景模拟能力。传统的预测方法只能预测设备下一个时间点的故障概率，不能对多环节协同效应进行分析，而此模型可以从全局的角度将信息流统一考虑进去，用单次的运算来推导生产流程中所有可能的结果。在集成电路晶圆制造等高度集成、工艺链条长的领域中，这一点就更为突出。晶圆加工有上百道连续工序，任何一个参数的变动都会导致后面多步骤产生连锁反应。使用常规的分阶段优化方法时，性能的提高效果不大而且时间比较长。建立专门针对某个工业应用场景的专业化“世界模型”，可以进行全要素参数的实时仿真，进而得到最佳的调控方案，从而不断使产品质量合格率比基线提高5%以上。

世界模型形成需要有包含行业多年经验积累且结构完善的工艺数据集，还需要有具有多物理场高精度仿真能力的专业软件工具。研究者要整合几十年的熔炼工序历史数据，并且使用冶金学中系统化的物理化学理论模型框架，在虚拟实验中对数以十万计的钢水成分变化进行模拟试验，才能得到准确的钢水演化规律。该过程体现出通用互联网大模型在工业场景的应用所存在的局限性，因为它的训练数据主要是从网络文本的经验描述或者语义关系分析中获得的，没有给特定行业提供独特的物理化学机理支持，因此生成出的优化方案很难符合实际的生产规律，进而降低其可行性和有效性。

英伟达建立的Cosmos平台目前是世界上规模最大的工业级模型训练算力基础结构，它自带大量环境光照种类以及各种材质物品以及加工装置的工作状态，有接近真实的模仿操作场景能力。利用该平台在实际物理环境里反复调试的传统方式被打破，研发人员可以依靠模拟数据来搭建和改良算法模型，从而大幅削减人力投入、缩减研发期限，并且能提升资源利用率。

2.3 仿真优先：把所有试错风险完全隔离在虚拟环境

不规范的操作指令对实体制造业来说是有潜在危险的。工业机器人引发的设备相撞会造成本金高达数十万甚至上千万人民币的损坏，而且还会引发有毒有害物质泄漏、生产线长时间停产等一系列隐患，从而给产品的质量交付带来不良后果。根据工业生产过程中积累的安全事故数据统计可知，在将人工智能技术运用到物理系统之前，必须要使用全面的虚拟仿真技术做安全评价。即使算法模拟结果呈现出向好的趋势，也得要严谨地进行虚拟实验来证明它的可行性和可靠性，才能够获得许可在真实工业环境中使用。

该准则不是单纯的规范，而是以多起产业安全事故为依据的重要的行业标准。2019年，国内一家大型的整车制造公司为了提高焊接装配线的生产效率，违背了全面仿真验证的要求，直接使用人工智能算法得到的机器人运动轨迹投入生产。由于没有考虑到空间环境的影响，造成机器人的运行与工装设施发生了严重的碰撞，导致六个重要的高端工业机器人受到损坏，并且一周内生产线停止运转，直接造成的经济损失达到上百万。从此以后，国内制造业智能化改造项目大多把严格的仿真测试列为必需的环节，简化或者省略这类步骤的行为都被严令禁止。

2.3.1 标准化仿真优先完整运行流程

物理仿真模型可以产生出十种不同的机器人运动轨迹设计和经过改良的月度生产计划。

把候选方案放入集成数字孪生技术及通用知识图谱的协同仿真平台里开展全方位评价，然后并行开展。系统可以自动地把各个方案在设备负载均衡、生产节拍优化、废品损耗控制、生命周期碳排放等主要指标上的表现数据解析出来。

该仿真是自动识别出最优化的、同时具有最小设备运行风险的方案，再利用小型物理实验线做小规模实际试验。

小批量实体测试无异常后，方案才会全产线推广落地。

此仿真的平台每次运作往往要数万次虚拟的周期，时长从几日乃至多日都有。它的突出优点就是可以很好地规避物理实验过程中出现的设备损耗、安全危险和资源浪费等种种可能存在的隐患，在长期使用的过程中体现出比传统的实验方法更具成本效益的特点。

仿真软件技术不断发展，明显提高了整个仿真的执行速度。早期商业化的仿真工具只针对一个物理领域进行研究，即仅仅对机械应力应变分析或者流体力学特性进行模拟。目前现代工业级的多物理场耦合仿真平台可以同时对热传导、流体流动、结构力学、电磁兼容性等各种参数进行综合分析。电机新品研发阶段使用此类高端仿真系统可以精确预测电磁场分布、转子振动载荷、定子绕组发热情况以及滚动轴承的服役性能等，取代以前依靠实体样机的传统试验方法，不但大大缩短了产品开发时间，而且降低了研发成本，同时提高了设计准确性和可靠性。

在物理法则同人工智能技术深度整合的现代化工业体系里，仿真系统早已超脱出作为研发辅助工具的框架，变成了一种全天候运作的重要生产设施。依靠先进的AI算法驱动的优化模型，依靠仿真平台完成常态化测试评价工作，运算复杂度远远大于实际生产过程的需要。在此背景下，仿真工程师作为新兴职业领域的出现，以及它向着专业化方向的发展趋势越发明显。仿真工程师的功能定位同传统意义上的项目性需求不一样，而更加接近设备维护的专业人员角色，长期地处在生产现场当中，保障虚拟仿真的正常运转，为智能化决策赋予技术支撑及保障。

第三章 工业软件身份全面跃迁：从独立工具到全链路工业操作系统

物理人工智能（Physical AI）技术大范围使用时，迫切需要创建起一个完备的高效工业软件生态系统。回顾近几年来的发展情况，虽然CAD、CAE、PLM、MES、SCADA等各种核心的工业软件在一定程度上实现了模块化的设计，但是它们运行的逻辑大多集中在某个具体的生产环节，存在着明显的“信息孤岛”现象。各个系统之间数据交换和协作没有一个统一的标准，因此物理AI的理念不能得到更深层次的实施和使用。目前，传统工业软件的作用正在发生改变，它由原来的业务辅助工具变成了介于物理AI算法和现实设备之间的关键桥梁，并且它的开放性和兼容性特征也越发明显起来。展望未来，伴随着各方面的技术融合发展，“模块化”式的分割方式会逐渐被一个具有整个系统数字化管控与智能化操控能力的“操作系统”，所取代，使制造业的整体效率、竞争力得到大大提高。

3.1 传统工业软件全新定位：AI与物理世界双向翻译接口

经过几十年的发展，工业软件已经积累下丰富的工艺知识以及结构化的数据资源，是促使物理驱动型的人工智能系统稳步前进的重要条件。CAD工具里有许多三维零部件模型，加工精度参数和标准化的设计规范被收录进去，CAE软件拥有流体动力学，固体力学，热传导分析这三大算法体系，PLM平台把产品从概念到结束的全部流程悉数收拢起来，MES系统精确记载了生产计划制订，品质检测，设备性能监视这些操作的全过程记录，并且还包含了关于SCADA系统的有关内容。这些系统一起构成技术储备系统，给物理AI模型赋予了足够数量的训练数据支撑，也保证了给出的命令可以适配到真实的工业现场设备的操作当中。

物理型人工智能（Physical AI）同机床、机器人这些实体装置打交道的时候，遇到很多障碍，只能依靠工业软件把信息传递过程里涉及的两个重要环节，即信息转换成数据的环节和数据转为指令的环节，来进行处理。首次转化就是把AI产生的高层级控制指令转化为满足一定规范的信息表达方式，再把它转换成底层硬件控制器可以识别的技术协议(G代码)。在这个阶段，如果人工智能给出关于机器视觉检测阈值的改善提议，那么这些方案就不会直接影响到实际运作的设备上，而是依靠CAM系统将其转换成符合自动化生产系统的编程语言，并且有步骤地传送到需要被执行的执行单元上进行操作。第二次转变在硬件运作之时数据获取的部分中展开，经由工业软件把捕捉到的实时数据实施标准化处理，进而得到一个具有结构化的数据集合，给AI模型赋予反馈参照，促使它能够不断做出调整并持续改进自身的能力。

工业软件是物理人工智能系统中的纽带，它的主要任务就是把虚拟的智能指令同实体制造系统之间协调起来。缺少该组件会造成AI决策输出的实际执行效果不好，同时也会使生产现场的数据采集效率降低，也使得模型训练需要的规范数据供给不足，从而导致物理AI架构无法实现工程实践的落实。

随着工业软件的职能定位不断发展，它的战略价值也越来越高，在制造业数字化转型的过程中起着非常重要的作用。初期企业引入工业软件的目的主要是对某个业务环节进行效率优化，用CAD替代手工制图、用CAE代替物理实验等。现阶段随着人工智能技术的发展和应用越来越深入，工业软件已经成为工厂智能化改造的“基础”支撑，它的缺乏会影响工厂智能化改造的速度。该趋势又使得全世界的工业软件领域出现了大量的兼并收购行为，行业中技术含量高的软件厂商纷纷对不同的产品进行整合，形成了一种覆盖全部生命周期的综合性软件产品，以此来加强自身的竞争优势。

3.2 工业软件与物理AI融合发展三阶段

工业软件和物理人工智能技术深度结合不是一蹴而就的，其发展过程可以被准确地分成三个互相接续的阶段。目前我国大部分的制造业企业仍然处在技术应用的普及推广期，在流程导向型企业中，有部分龙头企业的部分区域已经开始了向自主运行第三阶段转型的尝试。

3.2.1 第一阶段：辅助赋能阶段

该模式在国内工厂在2023年以前广为使用，并不含有意将人工智能（AI）深深植根于工业软件核心业务流程中，而是把人工智能作为一个附加性的工具来运用。在这种架构之下，重要的操作权限以及决定性的权力依然被人工掌控。工程师利用CAD软件进行零部件的设计时，AI会从历史数据中获取有关的参数支持；当要进行CAE分析的时候，就会用智能化的参数优化系统来提高仿真速度。工艺文件的编制环节可以依靠预置模板和已有的数据来进行部分自动化的产生。这一模式引进了人工智能，可以减小人们在操作过程中介入的程度，但是并没有从根本上改变生产活动中最重要的管理逻辑。

3.2.2 第二阶段：自主调用阶段

2023年以来，中国高端制造企业正处在一个迈向智能化经营较高层次的重要时期。人工智能（AI）在这一过程里具有将工业软件和大数据结合起来，对工艺流程进行自主的优化的能力，并且可以执行所有的操作任务，只对核心的风险进行确认的是手工工作来完成。当车间接到紧急订单的时候，AI依靠产品生命周期管理系统（PLM）的产品物料清单、生产制造执行系统（MES）的生产制造过程数据以及企业资源计划系统（ERP）的库存信息，产生出排程计划并提交给管理层进行审批，在出现监测设备发出异常报警的时候，AI依据Supervisory Control and Data Acquisition(SCADA) 系统以往运行数据加以排查可疑问题出处，并自动产生规范化的维修任务工单推送给保养队伍完成。在这个时期内，大部分的标准工单都是人工智能参与其中的，主要任务是处理工单，而决定工单是否通过最终还是转人工进行处理还存在人工进行监管这一方式的存在。

3.2.3 第三阶段：全链路自主运行阶段

目前物理系统与人工智能技术在工业软件中融合还处在初级阶段，大部分还是集中在化工、电力和冶金这些连续型的流程制造业的一些重要环节上。伴随着人工智能技术的不断发展，以AI为基础生命周期生产管理开始形成趋势。其主要目的就是逐渐取代传统依靠经验为主的方式。在这个框架里，借助于月度订单预测、设备运转情况评判、原材料存贮规划及变动的能源市场价格种种不同形式的数据，AI就会从事整个月份的生产安排拟定，工艺参数调配安排，机械设备维修检修安排等任务。所有的决策方案都要经过数字孪生仿真平台的模拟检验以后才能施行，以免引起执行环节的安全风险或不稳定性。在整个的生产过程中，AI一直监测重要的性能指标，对轻度的偏差用闭环的方式进行调节，保证系统的正常运行。当出现超过预定范围的重大事件时就启动应急响应程序，使得人工参与进去。该模式的目的是创建出一个智能化、高效率、可持续发展的现代化工厂运行系统。

各个细分行业的数字转型进程存在明显的不同位置以及不同的发展走向。以化工、电力、钢铁为代表的流程型制造业，由于其生产环节连续性强、设备高度自动化、工艺参数控制能力好等特点，在智能化转型过程中发展速度更快。汽车整车制造、航空航天零部件加工、电子装配等行业的数字化转型进程较慢，主要是因为产品多样化程度高、工艺流程复杂、客户需求个性化明显等特点导致的。从整体上看，产业正在朝着一个方向发展，即逐步减少人工干预对于重复工作的作用，同时加快生产线自我学习和动态优化的速度。

3.3 未来十年工业系统标准化三层技术架构

从长远看，分散独立的工业软件正在向着满足统一标准的三层架构发展，从而解决目前软件模块化程度不高、数据隔离等主要问题。该架构由上到下分为AI决策层、工业软件协同层和物理设备执行层，用功能解耦、接口标准化设计来帮助企业灵活地将多供应商集成起来，在各个场景中创建出符合要求的智能工厂系统。这样一种转变对于推进制造业的数字化转型具有非常重要的作用。

3.3.1 顶层：AI全局决策层

顶层架构创建起一套完整的物理空间人工智能模型体系，工业系统仿真，多目标优化算法，全流程智能调度机制等都是这个模型的组成部分。该架构把企业高层的战略决策，比如每个月的生产计划、节能控制指标、质量标准等解析为具体的工作步骤以及操作办法，再传达到执行层去执行。该设计主要给出顶层的决策架构，没有给底层硬件和通信协议等底层的详细技术细节留出空间，所有底层的操作都是由中间层统一的数据接口来完成，从而达到高效信息传递的目的。

3.3.2 中层：工业软件统一调度层

中层架构把CAD、CAE、PLM、MES和SCADA等有机结合起来，创建起一个统一的集成平台，给整个智能制造体系赋予了关键的支撑作用。该架构收到顶层人工智能模块发出的控制指令之后，就会将其拆分成对各个子系统具体的操作任务，用CAD三维模型来获取几何参数然后进行校验，使用CAE工具来评价工艺的可行性并且优化设计方案，同时更新MES生产计划表并利用SCADA系统来监测和控制生产设备。一直记录底层设备运行的数据和工艺参数，传送给上层的AI模块，完成闭环反馈的过程。

3.3.3 底层：实体设备执行层

该架构的底层就是车间全要素硬件资源的统一管理平台，包含了数控机床、工业机器人、各种传感器、自动化物料运输系统（AGV）、智能化控制阀等一系列主要的装置。以上面几个设备为载体共同构成系统物理执行的基础。上层工业软件把中间层的标准化操作指令传送到底层设备上去，让底层设备执行切削加工、焊接、物料转运、温度控制等工作，同时收集温度、位置、振动、载荷等重要的物理参数。接收到的数据马上传送给顶部的调度管理信息管理系统。底层设备按照预先设定好的规格来执行机械动作，并且不须要对复杂的、人工智能驱动的算法作出指令。

三层架构的主要优势就是其全程都存在模块化的思维模式，各个层面对接的标准接口使得整体的功能得以解耦合并且相互协作。该架构给企业创建起一个动态适应车间生产需求的技术支撑体系，可以将集成第三方供应商的AI算法、工业软件和硬件资源，有效地规避了对某一品牌或者某一生态系统的过度依赖。该特点既大大降低了智能化改造过程中的技术锁定风险，又大大提高了生产线功能拓展、设备更换等各个方面的灵活性以及兼容性。

到2026年为止，三层标准化结构被少部分的顶级制造企业所使用，行业普遍适用性还在不断完善的过程中。面向产业层面的基础性指导规范，在不断的升级中。伴随着物理AI技术的广泛使用，在未来十年里，该分层架构会成为世界智能制造领域标准范式的标杆，并且会对工业软件界的国际竞赛局面产生巨大的作用。

第四章 工业智能无法绕过的长期技术积累：真正的产业核心门槛

近些年来，由于通用人工智能模型不断更新，业界开始出现一种普遍的误区，那就是只依靠算力提升和参数量增多，就能彻底解决制造业数字化转型的主要难题。根据国内典型制造企业实践经验可以看出，该说法有误。当通用预训练模型直接进入工业实践场景的时候，很容易出现违反专业逻辑的技术谬误现象。钢铁冶炼工艺参数预测当中，这样的模型会给出不符合冶金化学基本原理的非理性的合金配方建议，在车间生产调度优化任务上，无法很好地考虑设备维护周期对于整体运行节奏的影响，在工业机器人运动控制指令生成的应用场合中，还会出现超出硬件性能界限的设计方案。

根据实践研究表明，在工业智能化领域，技术发展最主要的问题并不是人工智能算法模型的开发所造成的，而是由于工厂长久以来积累下来的复杂工艺经验而引起的。该类经验存在明显的专业性以及系统性特点，其形成过程要经历长时间的经验积淀，不能依靠短期的资金投入或者算力提高来完成，是物理形态AI产业发展过程中重要的制约因素之一。

4.1 通用大模型天然短板：无法理解工业场景底层物理因果逻辑

通用大模型的训练数据大多来自于互联网上公开的各种类型资源，包括文本、图像、视频等，它的内容属性大多是描述性的，一般只会展示某一领域操作步骤（比如工业生产流程）的内容，没有对于变量间定量因果关系的详细分析。即便在冶金行业有关网络科普资料当中，虽然提到了炼钢过程中的碳含量调控基本要求，但是并没有就碳含量与熔化温度、供氧速率、合金加入量等展开细致的研究并说明其背后复杂的物理化学原因。该类模型可以识别出数据中统计关联的特征，但是它建立因果推断链路的准确性还存在着明显的不足。

制造业生产控制的关键就是对影响产品质量原因进行研究。焊接工序的产品质量波动受到电流、电压、焊接速度和焊丝伸出长度等重要因素的影响，并且存在明显的物理性质，可以利用电磁学和热力学理论体系对其进行解析。由于通用语言模型没有行业背景的支持，文本语义匹配得到的参数优化建议很难精准地对应到实践中。该模型得到的增大焊接电流可以使接头强度得到提高的结论，在实际操作过程中会因为超出了设备额定范围或者过度加热而引起设备过载甚至材料性能变坏，从而大幅度降低产品质量并造成安全隐患。

通用大模型在工业中使用受制于两个主要问题，这两个问题使得其不能满足生产实际的需求。一方面，因为缺少对设备硬件特性以及技术规范的了解而产生的失误可能会造成系统出现过载、崩溃之类的危险情况发生，另一方面是由于其决策推理的速度比较快（一般在几秒钟之内），不能完全满足工业现场中毫秒级时间精度的要求，无法很好地支持及时性较高的任务的安排以及运算。

这三个根本性的缺陷不能用提高模型参数量、增大互联网文本数据规模来加以克服。通用大模型依靠统计关联来完成优化训练，一般用在虚拟场景的语言产生和知识搜寻等地方；物理AI则是凭借全部物理定律构建精确的动态仿真体系并达成即时闭环控制，其运作依靠实体间存在的因果关系原理。两者在技术架构上存在着很大的差别，不能互相兼容。

4.2 四道长期积累形成的产业核心门槛

打造一支具有强大功能、可靠性能的工业物理人工智能系统的企业要整合出四个方面的能力要素，再经由长时间的聚焦并持续钻研来达成。由于这些能力很难在短时间内通过提高来达成，因此它们整体水平已经成为评价企业技术创新能力的重要指标。

4.2.1 完整带场景上下文关联的结构化工业数据集

工业领域的数据集核心价值不是数据体量多少，而是单个数据是否可以包含完整的、有情境性的场景描述。100℃在不同的产业背景中内涵有很大差别，在钢铁冶金工业里它是转炉内熔融金属的表面温度，在化工生产里它可以是反应釜物料的加热温度，在电机制造过程中则可能是绕组绝缘材料温升的具体指标。即便表现为相同的数据形式，“100℃”所承载的技术规范、工艺要求及操作准则却大相径庭。

在创建高精度物理人工智能模型的时候，完整因果链数据集是十分重要的一个因素。很多中小型制造企业的生产设备采集到的数据存在着存储分散、标识不清的问题，直接用作模型训练非常困难。以某工业领域的技术型企业来说，拥有较多的行业积累，可以不断产生具有结构化特点、内容丰富并带有背景信息的高质量工业数据资源。

4.2.2 生产记录系统长期业务接入权限

工厂的核心生产数据主要依托产品生命周期管理（PLM）、制造执行系统（MES）以及 Supervisory Control and Data Acquisition (SCADA) 等信息化平台进行存储与处理，其业务范围贯穿于企业的全链条制造流程。该类系统升级一般都会引起较高的成本负担，涉及时间、人力和科学技术等各方面。拿某汽车制造企业来说，它服役了十年的MES系统里面已经存有成百上千条与工艺参数、质量控制以及生产排程相关的数据记录。对现有的系统进行改造或者更新时，必须要有复杂的业务重组以及全面的培训活动，一般会耗时多年，并且还会花费巨大的资金。

企业选择某个信息系统之后，一般都会形成稳定的合作伙伴关系，并且会把供应商当作重要的资源加以使用。此时对于系统访问权限的有效控制，可以保证得到细分领域全部的工艺数据集，给物理AI模型的研发赋予重要的数据支撑。第三方算法供应商虽然具备先进的技术实力，但如果缺少和工厂核心记录系统之间的接入许可，很难取得结构化的生产数据，进而无法将实际应用落到实处。依靠长期的合作所形成起来的资源壁垒，给行业的新进入者带来了很大的阻碍。

4.2.3 多物理场高精度仿真验证工程能力

所有的物理领域的人工智能代理控制指令都必须经过全面的虚拟化检验。构建高精度仿真平台是件系统工作，牵涉到诸多学科相互渗透技术综合的手段支撑，要靠雄厚的理论基础来推进。流体动力学仿真要细致探究连续介质力学方程，湍流机理和网格细分方法；结构力学剖析须要懂得材料本征特点，有限元办法的应用技法以及非线性约束下系统的耦合道理。不同种类的专用仿真模型有着明显的学科特征，航空器以及化工装置的设计模拟不能直接转化为，跨行业知识的迁移存在着诸多的技术障碍和繁杂的操作程序等问题。

此仿真工程体系依靠资深工程师团队多年的项目经验来创建，不能用采购的商用软件包快速搭建。致力于虚拟仿真技术的研发与应用的企业可以借助自身所具有的专业技术优势，搭建起专门的、高度精确化的数字化仿真平台，进而为有关的物理人工智能系统安全及可靠性的评价提供核心支持。由于时间的紧迫性以及竞争者的同质性，短时间内形成相同的技术水平对于潜在竞争者来说是个极大的障碍。

4.2.4 全链路闭环落地能力与行业长期安全信任

AI模型的训练和仿真验证只是对它的初步开发，还不可能立即使用到实际生产中去。数据采集到指令反馈整个流程的闭环运转要创建起数据采集、模型更新改良、虚拟环境检验、操作指令执行、状态即时检测这五块功能模块的体系结构。该系统在实际使用时会遇到很多技术上的问题，例如硬件老化引起的数据显示异常变化、交互界面的使用者和操作者之间存在的障碍、多级应急预案协调一致的问题等等。这些问题急需把丰富的工程实践经验纳入统筹之中予以解决。

制造企业对于工业智能化新技术的容忍度一般比较低，在试点项目的项目过程中，如果出现批量不合格品或者设备故障等，很容易会受到行业客户对该项目技术可行性的怀疑，从而影响到信任关系的重建。只有那些有着深厚行业底蕴，并且有着成功应用案例的公司，才能很好地提升潜在客户对其项目的信任感，从而为物理系统同人工智能融合改造项目持续推进构筑起牢固的地基。

前四类产业能力的产生是经过长时间系统性积累而成的，其发展速度受较大限制，不能靠短时间内增加投资资金就完成。这就成为工业智能化领域里不可能出现互联网行业式寡头垄断局面的主要原因。即使新兴企业的人工智能算法存在优势，但是由于没有深厚产业积累，也很难使新兴企业产生对传统企业产生的超越性影响。

4.3 算法模型可迭代，完整产业体系无法快速复制

目前市场对于人工智能算法演进的认识有较大偏差，大多数认为人工智能算法的迭代周期很短，顶尖的算法很快就将被新的技术架构所取代，从而使得历史上的算法不能创造长久的价值。尤其是在工业智能化方面，认识有非常误导性。工业智能的关键竞争力并不是靠单个特定的算法模型实现的，而是在模型的整个生命周期中，依靠一个完整的产业生态系统来创建的。主流架构即Transformer正渐渐转用Mamba这类新式架构，不过由于拥有长时间的累积数据资源、标准化的设备接口、精密的仿真实现手段以及实际操作经验等诸多方面的因素存在显著障碍与稳定优势，这使得新的追赶者短时间内无法做到完全模仿或者超过。

以从事计算机辅助工程（Computer-Aided Engineering，CAE）仿真的企业为研究对象，它所具有的竞争优势不是体现在某一种具体数值求解算法的突破上，而是在多年技术积累的基础上，形成了一个包含全面系统的仿真系统。该平台将多物理场耦合的自主开发求解器、种类繁多的材料特性数据库、包含上千个行业典型工程案例的知识库、规范化的仿真作业标准结合在一起。当人工智能新技术开始被市场关注的时候，只需要在现有的架构基础上，将新的算法集成进来，并结合自身丰富的材料参数数据和实战经验案例来针对性地加以改进，就能迅速推出能够满足实际应用需要的产品版本。新兴力量如果只引进先进的AI技术而没有深厚的行业积累，就容易因为不能准确地适应真实生产的需要，在产品市场化的进程中遇到很大的障碍，很难提供可靠高效的仿真服务支撑。

流程工业领域的DCS属于典型的企业，在DCS这个典型的领域当中，它的核心优势并非是掌控某一特定的控制方法，而是掌握起一套完备的自动化解决体系的本领。该体系把各种化工生产设备所必需的硬件平台、标准化的工业组态工具、全方位技术支持服务体系、遍布全球的能源市场服务机制等有机地结合起来。由于人工智能驱动的优化控制技术更新换代，上述企业把现有的DCS软硬件系统作为基础，在保证系统稳定运转的情况下快速引进新技术，并且通过大量的历史运行数据实现动态优化。相对于专门研究一个算法的供应商来说，它缺乏对于复杂的化工工艺的把握以及硬件兼容性的考虑，在工程化应用上很难突破规模瓶颈。

工业智能化领域的核心竞争力是系统化的，也是整合性的，其本质依靠技术积淀、数据支撑、工程经验、客户信赖等众多因素共同作用并且不断沉淀。这样的复杂生态系统形成起来时间较长，在成熟运用阶段后就会产生较强的竞争壁垒和较高的模仿难度，成为细分市场领军企业竞争优势维持的源泉。

第五章 物理AI全产业链四条清晰发展主线

物理人工智能产业表现出多层次嵌套、跨领域协同的态势，它的体系结构可以分成四个主要部分，分别是底层依靠算力芯片和感知传感器给予硬件支撑、中层将工业软件和自动化装备融合起来、高层致力于算法模型的研发以及行业解决方案的设计与施行。与此同时，这条产业链所包含的技术创新前沿领域也很广。2026年物理人工智能产业已经形成了四个发展的脉络，技术研发深浅，市场需求变化，应用场景适应程度不一样。本文主要从四条主线出发，对物理AI的发展形势进行全方位剖析，并且重点论述技术发展的方向。本文不会就具体的企事业单位经营情况或者市场竞争情况做详细的研究。

5.1 主线一：国产工业软件迭代升级，从基础可用到车间主力工具

工业软件属于物理人工智能生态系统最基本的依托，它的推进受制于国际科技竞争的态势。欧特克（Autodesk）和达索系统（Dassault Systemes）属于全球三维设计领域的领头羊，而以多物理场仿真为主的技术研发机构ANSYS以及Altair，在该类研究领域中已经形成了市场占有率。在产品全生命周期管理（PLM）上，西门子和PTC通过战略投资来达成行业的整合。而以西门子、罗克韦尔自动化、霍尼韦尔为代表的国外公司所占有的市场份额是世界上最大的。长期以来，国内自主研发的工业软件大都局限在低端制造上，高端精密制造以及连续流程工业的重要研发技术依然大量依靠外资企业的支持和提供。

过去五年的全球经济发展处在深重变革与重建的过程中。在全球化大背景之下，跨国产业链的技术协作方式不断更替，由于缺少海外软件供应链的稳定，造成了隐性的危机，从而使得本土制造企业加快了自主研发的步伐。随着我国工业制造业由低端向中高端转型升级的步伐不断加快，工厂数字化的进程也日趋加快，从而产生了多种多样的应用需求，进而给国产工业软件的发展提供了一个重要的市场检验环境。现阶段我国工业软件正在从注重基础功能开发走向深度融合到车间生产的关键环节。

军工、航空航天、大型能源等国家战略性产业中国产CAD/CAE软件逐步代替进口CAD、CAE软件，已经成为关键核心技术体系的支柱力量。由于这些行业的软件安全性要求较高，相关应用软件要进行多次的技术审查，在经过严格的检验之后才可进行规模化商用部署。这一严格的程序给企业给予了稳定的需求市场支撑，而且促使企业根据实际业务需要一直改良技术性能，改善产品质量的服务导向体系创建起来。

我国民用消费品制造业中国产工业软件大规模商用还存在许多困难。中小企业由于成本原因更喜欢购买价格便宜的国外产品，从而使得本土软件投资与升级的积极性不大。国内高端工业软件技术性能同国际顶尖品牌的差距很大，在复杂的曲面三维建模以及多物理场耦合分析这些尖端技术方面。同时国产软件生态系统还处在初级的发展阶段，第三方组件兼容性、规范化的教育培训体系、区域化技术支持网络的建立等等工作还须加快和完善来提高市场竞争力，促进行业发展。

国产工业软件的发展会在将来聚焦于两个大的方面，第一个是关键算法底层的创新技术推进，从而在很大程度上减少同国外同类产品之间的功能差距；第二个是搭建起全链条的生态系统支撑体系，在本地技术支持上推行全覆盖。伴随着制造业数字化转型不断深入，“自力更生”成为国产工业软件发展的一大亮点，它所具有的对核心软件工具有望自主替代的能力，也成为了国内产业界和学界的关注重点之一。

5.2 主线二：物理AI场景落地，整条产业链想象空间最大的技术分支

工业智能化的过程中，物理人工智能（Physical AI）属于一种新的技术范式，它的战略价值早已超出了工业AI只是进行数据分析和生成报告这样简单的领域。前者重视的是虚拟数据的处理，后者依靠实体设备的实时互动，可以提高效率、减少产品的质量、能耗，并且成为推动产业升级的动力。目前物理AI还处在初步发展阶段，主要应用于部分制造业细分领域的具体应用场合，市场覆盖范围小，在各个行业内部的应用路径上呈现出不同的发展趋向。

5.2.1 流程型工业：技术成熟度高，批量规模化落地

物理人工智能(PH-ai)对于连续流程工业已经表现出比较明显的实用性。化工、火力发电、钢铁冶炼等典型的行业由于具备了全年不间断工作的特性，在积累了大量的结构化设备监测数据的同时，也对各种设备进行了物理化学上的深入了解，从而给生产全过程的提高赋予了良好的应用场景。研究表明，在生产管理方面加入物理AI技术之后，一方面可以使企业经营能力不断上升，大约为5%～15%，另一方面还可以使企业生产运行成本持续缩减，能耗下降了大约3%～10%，产品废品率与资源损耗减少大约20%～50%，3%～8%。

5.2.2 离散型制造业：处于技术探索试点阶段

在汽车零部件组装、3C产品生产以及通用设备加工这些产业当中，由于工序遍布各地、物料种类繁杂并且存在多品种混线生产的特性，使得该产业的运营体系具备了较为突出的复杂性。目前单体生产线部分工段已经初步采用了物理AI技术，并且得到了效能的提高。在国内外整车制造企业当中，采用物理AI改善焊接组装机器人路径，使整车生产线各节拍速度提升幅度超过10%，对电子SMT锡膏印刷工艺参数做进一步划分细化工作并控制其误差范围，从而使得整个系统废次品率削减达百分之三十之多。虽然以上应用取得了阶段性的成果，但是怎样建立覆盖全车间甚至全流程的智能化自主运作系统，仍处在不断的研究和改进之中。

尽管物理人工智能（Physical AI）在大规模的应用中已经取得明显的效果，但是它被广泛应用的过程中还存在着诸多的技术问题需要解决。工业流程往往包含很多变量且存在很强的耦合性，现有的模型在建立之初就无法具备将数据从一个工厂转移到另一个工厂或者设备上进行分析的能力，尤其对于工艺条件的变化，要不断更新数据集并调整训练参数，就显得比较困难了。由于工业领域对于毫秒级的实时响应要求非常高，目前边缘计算节点提供的算力还比较欠缺，主流的推理算法速度又有所影响。就系统多层次安全防护机制而言，目前缺少在实际应用场景中获得经验的论述，很多制造企业对于依靠AI完成生产的操作存在顾虑，对完全依靠AI来操作生产的考虑不够充分。伴随着计算硬件性能不断提高和仿真技术不断进步，这些问题也将会逐步得到缓解，在未来五年内物理人工智能的应用范围将会由单个工序发展到整个车间甚至是更大范围的生产区域。

5.3 主线三：智能制造硬件与工业机器人，前期投入周期长，长期落地收益稳定

在人工智能中，自动化控制硬件与工业机器人紧密结合起来给实体操作赋予了有力的支持，有着明显的作用。近几年来，该领域市场受到的关注度不断提高，其发展的特点也很明显，即初期投资金额大，但是盈利过程却比较缓慢。按产业细分，主要是工业控制系统设备、工业机器人整机、服务型人形机器人，国内技术革新和自主可控的速度存在差异。

5.3.1 工控核心硬件

在工业自动化体系里，可编程逻辑控制器、伺服驱动器和变频器是起着主要节点作用的设备。过去我国制造业对高端装备的制造长期依靠进口品牌的技术支持以及产品的供应。得益于近几年来国产工控硬件技术不断创新改进，中小规模的自动化生产线正在向本地化替换转变。就精密程度极高、连续化生产的大型工装、设备来讲，国产元件的使用量也在逐步上升。目前国内工控行业领军企业自主开发出来的成果，已经得到了机床加工、新能源动力电池生产、光伏模块制造以及汽车零配件装配等方面的广泛应用，并且正在不断开拓东南亚、中东等新的市场领域。

5.3.2 通用工业机器人整机

在中国六轴通用工业机器人市场中，整机销量占国内市场份额过半的工业机器人，主要的应用场景为物料搬运、简单的焊接等工作，属于低水平、中低端的应用。在汽车车身焊接、航空航天精密组装这些复杂专业性要求较高的情况下，外资企业依然占据主导地位。协作型机器人发展方向中，国产协作机器人凭借性价比优势在全世界市场上的出货量年均增长速度较快，并且开始渗透到高端精密制造领域当中。

5.3.3 人形工业机器人

作为前沿科技领域的一个主要研究方向，该问题有着很高的学术研究价值和重大的产业应用前景。目前我国有许多高科技企业已经成功地研制出仿生型机器人样机，但大多数应用场所还是停留在实验室以及某些专用工业环境的试验阶段。大规模商业化生产要耗费大量的自主研发和技术创新周期。

智能制造硬件领域中的主要制约因素就是核心零部件自主可控能力不足。目前高精度减速器、高性能伺服驱动装置和专用运动控制器这些高端零部件大部分仍然依靠进口，不但大大提高了整个机制造成的成本，而且也给产业链安全造成了潜在的危险。人工智能视觉技术目前还不能很好地应对复杂光照环境、多变物体等多变情况，它的稳定性、可靠性还不能完全证实。对于工业人形机器人适用场景的研究还处在起步阶段，除了简单地完成物料的搬运、装卸任务以外，其他对质量要求很高的应用场景例如精密装配、智能检测等等还没有得到大规模的商业化运用。由于关键能力的突破和智能算法的持续改善，可以推测这一个产业将会迎来更大的发展空间。

5.4 主线四：工业AI配套算力硬件，行业技术快速迭代，机遇与挑战并存

创建全面物理仿真的AI系统，保证系统的高效运转要依靠多层次的算力支撑系统共同工作。模型训练使用高性能的GPU集群来分配足够多的计算资源进行处理，从而得到较好的结果，车间实时推理性需要专门的边AI芯片来加速算法运行，得到更好效果。为了提高工厂内部传感器节点和执行器之间数据传输速度，必须要使用光纤通信装置。在工业环境里生成的海量原始数据要实行集中式存储，因此应当采取高密服务器群组来进行综合管控。近些年来，人工智能领域硬件技术创新的步伐越来越快，不但促成了新的商业机会产生，而且给企业技术研发能力设定了越发严格的标准。

5.4.1 通用GPU算力芯片

国际厂商因为有着重要的核心技术，所以占据了高端通用型训练GPU市场的绝大部分份额。但是国内自主研制的GPU芯片还处在开发和改进阶段。在国内，针对工业边缘计算的专用推理ASIC芯片取得了比较大的技术进步，它的能量效率在工厂生产环境中得到了证实，可以满足本地高精度推理的要求，并正在朝着规模化应用和工控设备系统深度融合的方向发展。

5.4.2 高速光通信模块

在全球范围内，人工智能领域对于高性能计算能力的需求越来越大，进而促进了1.6Tbps高速光模块市场的发展。国内具有明显国际竞争力的重要的关键产业环节，在技术研发、产业化应用上已经达到世界先进水平，并成功地进入海外市场，给云计算服务提供商和算力设备制造企业提供核心产品。硅基光子集成技术是未来光通信行业的一个重要方向，中国企业的技术取得了重大的创新成果，并且有着良好的生产良率以及成本控制能力。

5.4.3 AI服务器整机制造

在全世界高端人工智能服务器制造领域中，我国电子信息制造企业依靠大规模整机组装的优势和完备的供应体系，已经得到了许多芯片供应商的订单。由于代工模式下产业价值链分配比较分散，目前行业内很多企业正积极投入到边缘计算服务器自主品牌建设当中，努力提高产品技术性能，提高市场的核心竞争力。

技术更替速度很快已经成为制约计算机硬件发展的主要障碍。光模块技术更新一般是3～4年一代，但芯片架构的改进、更新却是连贯的。企业在进行技术研发的过程中要投入大量的资金，而且必须保证不断的创新能力，否则就容易因为研发落后而导致失去市场竞争力。由于全球化的背景之下，跨境供应链的稳定性下降，关键零部件供应时常会受到外部不确定因素的影响，因此有关企业迫切需要加快建立本土化配套供应链体系的战略布局。

第六章 国内物理AI产业链代表企业产业定位科普

本文选取12家在国内物理人工智能细分市场有代表性的企业为研究对象，在四大核心技术领域对其进行了考察。通过整合公开可以获取的数据资源，从企业专长、技术储备、应用场景等角度来分析其产业生态位及其职能定位，但是没有对企业的经营状况以及产品性能做具体的比较分析。所有的案例都被依照所属的技术赛道进行了分类汇总，其目的就是清楚地显示各个企业在这条链条上所处的位置以及合作方式。

6.1 赛道一：工业软件与数字仿真技术企业（索辰科技、中望软件、能科科技、凡拓数创）

6.1.1 索辰科技

国内仅有少量掌握全品类多物理场有限元分析（CAE）仿真技术的单位，索辰信息是其中之一，在物理建模以及数字化双胞胎方面具有明显的优势。该领域技术难度大，包含流体动力学、固体力学、热传导理论和电磁学等诸多交叉学科知识体系，并且要解决跨尺度多场耦合计算的技术难题。在这样的情况下，研发团队一方面要具备丰富的专业知识储备，另一方面还要耗费大量的精力去开展创新活动，由此形成了很高的技术门槛。经过长期积累，公司已经形成力学、热学、电学等各个方面的自主知识产权解算器系统，并且成功的完成了多层次多物理量联合模拟的功能突破，在国防军工、航空航天、海洋工程等行业中，用于高档次制造的领域。由于以上行业对于产品性能的评价有很高的要求，所开发出的工具要经过权威机构的检验才能进行大规模的商业化应用，这就加强了行业的技术壁垒。近些年来，公司在原来的基础上继续拓展人工智能辅助工程技术的研究和应用，用深度学习算法改进复杂系统行为预测的精确度，加快全球化的步伐，创建起包含全球服务网路的体系，德国设研发总部，并购德国同类型企业。

6.1.2 中望软件

作为拥有全部自创知识产权的三维和二维计算机辅助设计（CAD）软件研发型企业，在关键技术方面取得重大进展。CAD内核技术属于工业软件的重要组成，一直以来都是被国外厂商所掌控的。中望软件依靠多年的不断研发，在实现国产替代方面取得明显的成果。其二维CAD产品依靠成熟的工艺技术以及丰富的应用基础，在许多制造企业中深入到生产流程中，而且不断走向全球化的小型企业市场，而三维CAD产品专注于创新，努力克服复杂的曲面建模、多个部件互相配合等问题。公司正向着数字化转型的方向不断迈进，主要研发基于云计算架构的服务模式以及融合人工智能辅助的各类设计工具，把传统的CAD系统的主要功能模块融入进去并加以集成改进，从而打造出一个产品设计、仿真实现、加工制造等全过程均能够顺利进行的一套一体化方案，助力制造业实现智能化的升级改造。

6.1.3 能科科技

该企业主要为全球高端制造企业提供从制造全流程到云端工业平台覆盖的智能化整体解决方案，以物理设备和人工智能技术相结合的方式来提供数字转型服务。就技术研发来说，它并不把主要精力放在底层CAD、CAE这些基础软件的研发上，而是在制造业全生命周期的基础上重点打造各类工业软件之间的兼容性以及集成系统。采用自主开发的AI调度和优化算法可以明显提高车间的生产效率，也促使增值服务不断创新。公司大力推行以数字化改造方式来改进国内企业海外工厂的工作流程，依照各地产业政策制订出不同的本土化技术方案。

6.1.4 凡拓数创

该公司重视人工智能同三维可视化的融合，针对某一行业展开数字孪生解决方案的研发工作。产品结构分为两个部分，一是以人工智能为技术依托的高效的三维内容创作工具，二是可以满足各个场景应用需求的全息数字孪生操作系统。目前公司的业务范围已经涉及水利资源管理、能源设施维护和城市综合服务等重要方面。依靠高精度的流域水文模拟系统，在水利行业可以给企业的防汛减灾决策提供数据支持，在能源工业中也可以用设备运行数据实时采集和预测性维护算法相结合来提高工厂的生产效率和可靠性。目前公司主要是采用定制化服务的方式经营，同时逐步展开SaaS服务平台的标准化创建，从而加强产品的通用性以及市场竞争力。

6.2 赛道二：流程工业数字化控制系统企业（中控技术、宝信软件）

6.2.1 中控技术

中控科技是我国流程工业分布式控制系统（DCS）技术研发的领军企业，主要给化工、石化以及火力发电等行业供应核心控制方案。自主研发的DCS系统把设备分散监控和集中管理结合起来，创建起支撑流程工业企业完成智能化转变的技术平台，包含软硬件组件主要功能模块。该系统已被应用到中国各个制造业领域中，而且经过了严格的国际认证标准之后也走出国门，在中东、东南亚等地区同许多知名能源企业签订了合作协议。经过多年的现场运维经验积累，公司不断地开展创新研究工作，开发出一些与时序数据分析有关的先进技术模型，同时构建起一个涵盖无人化工厂创建的整体框架，并且利用大数据分析和物理建模相结合的方式提高智能调节效果。伴随着全球化的发展，海外业务所占比例不断增大，中控科技也逐渐成为流程工业自动化领域的一个重要的技术创新中心。

6.2.2 宝信软件

依靠国内成熟的钢铁工业体系，本企业主要做钢铁产业链的数字化转型服务。主要业务有三个部分，即钢铁生产环节的MES专业制造执行系统、全流程的资源计划ERP管理系统和大数据支撑的数据中心算力基础设施。由于钢铁行业工艺流程复杂、技术要求高，通用型的MES系统不能满足其特殊的要求，所以公司自建一套针对钢铁行业专用的MES系统，在国内市场同类改造项目中所占的份额也最高。目前企业正在积极开展物理层人工智能技术研发工作，主要是从原料检测、熔融控制以及轧制参数优化等重要方面创建智能化算法模型，努力给钢铁产业转型升级赋予新的支持和参照意义。

6.3 赛道三：工控硬件与工业机器人整机企业（汇川技术、汉得信息、埃斯顿）

6.3.1 汇川技术

作为国内工控硬件行业的龙头，该企业变频器、伺服驱动系统、PLC等都有很强的竞争力，在自动化领域硬件市场的各个细分市场都有涉及。经过多年的研发以及经验的累积，该产品的性能已经达到了国际领先水平，在机床加工、锂电制造、光伏组件制作、新能源设备等诸多场合都有使用。公司大力开拓工业机器人整机制造业务，对人工智能控制算法加以研究，把参数优化技术融合进伺服电机和PLC控制系统之中，给设备赋予了即时的本地化精准调节功能。就国际化发展战略而言，目前主要开拓东南亚、欧洲市场，依靠海外销售团队以及区域合作网络来推进全球市场的发展战略。

6.3.2 汉得信息

该企业是传统数字化服务行业里最先开始进行海外ERP管理系统地方化适应、个性化开发的企业之一，目前已经为国内数千家制造、消费品企业提供了全程化的综合解决方案，还具备诸多的跨领域业务流程改进积累。伴随着全球数字化转型的发展，公司不断加强自身的人工智能技术方面的研究，创建起H-ZERO工业PaaS平台以及H-AI算法中台，主要给制造业提供包含订单弹性调配、智能供应链管控以及生产现场精细运转等方面的物理层AI应用服务。依靠加深同国际一流云服务企业的战略协作，不断优化AI模型的精确度和实用程度，把服务架构由原来的“一次性项目交付”向“模块化、标准化平台”的转变。

6.3.3 埃斯顿

是我国工业机器人领域主要的科研单位，在六自由度通用型机器人、人机协作型机器人两个主要的系列产品上均有很好的研究和应用成果。近些年来，依托于对关键零部件领域技术的不断革新，企业已然攻克了控制器、伺服电机以及减速器这些核心关键技术难题，进而使得整机性能得到全面优化，以此来精准契合国内制造业各种各样的需求，其市场占有率一直保持在行业的前列位置。为了拓展市场，公司集中所有的资源来攻克运动控制以及高精度力反馈的两个主要的技术难题。国际化战略成了推动全球化布局的重要驱动力，从越南市场开展初期实践可知，依靠本地化生产网络快速响应海外市场订单，又依靠自主研发的三维视觉识别系统和智能感知算法，大幅提升设备对复杂环境的适应能力，扩大了人工智能技术的应用领域，提升了产业的价值。

6.4 赛道四：工业感知与算力硬件企业（奥比中光、工业富联、中际旭创）

6.4.1 奥比中光

国内3D工业视觉感知技术领域中，该公司的核心产品就是3D视觉传感器，是工业机器人实现环境感知、定位的一种重要的组成。公司从光学芯片的设计、图像处理算法的改进以及传感器的集成制造等各方面，都完成了从设计到生产全过程的完全自主研发。工业级传感器在无序抓取、精密部件检测、AGV智能导航等场合有广泛的应用，在商用服务机器人配套市场中占有很大比例。公司不断加大高精度测量技术的投入力度，依靠差异化的策略逐渐缩小同国际一流企业的差距。与此同时，在国际化经营方面取得了可喜的成果，公司所采取的解决办法已经被众多全球领先的工业机器人企业提供服务，并且与其达成了合作意向，从而促使业务范围从国内市场向海外市场推进。

6.4.2 工业富联

该企业属于全球最大的AI服务器以及高性能计算的供应商，给物理模型创建和边缘推断的任务给予重要的算力支持。通过和行业里顶级的芯片制造公司签订战略合作伙伴关系，取得大批量高端AI服务器生产项目的承接权，在供应链优化和规模化交付方面具有明显的优势。目前公司正在积极推进自主品牌边缘计算服务器的研发，主要针对工业制造场景开发了一类轻量级的定制化工业智能计算单元，并且实现了工业级智能计算设备的应用扩展以及市场的培育。

6.4.3 中际旭创

本企业为全球高速光模块的研发与生产企业之一，其生产的有关产品在数据中心、工业互联终端等应用领域被广泛应用，并且在物理层AI传感器的数据实时传输中起到非常重要的作用。由于全球人工智能算力基础设施的发展迅速，具有1.6 Tbps传输速率的高性能光模块也开始进入商业化的使用阶段。依靠自身所具有的技术水平，在这个细分市场里一直向国际知名的云服务提供商、芯片制造公司供应主要的元件。根据对硅基光电集成技术战略部署，也就是决定未来光纤通信体系变革方向的一个重要因素，该公司努力推进新一代具有3.2Tbps传输能力光模块的研发，来稳固自己在行业的技术创新中位置。

第七章 全球产业链国内企业整体技术层级差异

在我们国家人工智能技术产业物理链条的各个环节中，依靠几十年的技术积累和研发投入，在国际市场上形成起来的竞争态势，有明显的层次之分。部分重要领域已经形成了国际领先的创新体系并且实现了规模化商业应用；有些细分领域在国内处于垄断的地位，在全世界范围内还需要加快追赶的步伐来达到国外先进水平的水平；还有很多方面只在局部的关键节点上有所突破，生态系统的完整度还需要进一步提高。该种分层现象是由行业发展的过程所引起，也有着区域间供应链协同水平的高低影响，还有着本土化应用中产生经验的推动等众多的因素共同作用所致。接下来就要对这一分层的现象以及背后的原因进行系统分析。

7.1 第一层级：具备全球同步竞争力的两大细分赛道

7.1.1 流程工业DCS分布式控制系统赛道

中控技术是流程工业自动化控制领域的龙头企业，是国内最早从事该行业研究的大型企业，其在技术的研发和产业化应用上已经达到国际上的最先进水平。由于分布式控制系统(DCS)具有复杂的系统结构以及严格工艺匹配的要求，在它的开发过程中遇到了很大的困难，并且在很长一段时间内，外资企业一直占据了主导地位。虽然中控技术产品品质、可靠性可以达到国际一流标准，但是依靠自身形成起来的本土化服务网络和对一些场景高度适配的能力，在中东、东南亚等市场承接了一些大型能源项目，成功抵御住了跨国公司的竞争压力。竞争优势来源于公司在化工、电力等行业多年经验的累积，在短时间内很难被新进入者所复制或者超越。

7.1.2 高速光通信模块赛道

国内的中际旭创一直占据着高端算力传输的市场统治地位，在此方面不断的进行技术创新。由于光模块技术更新速度快，光模块的研发工作会碰到许多精密芯片的设计和高精度制造工艺等复杂的难题。由于我国光通信产业长期积累起完整的生态系统，因此相关企业具有在1.6 Tbps速率和硅基集成等方面领先的竞争力，并且实现了对国际主流算力企业的规模化供货。完善的供应链布局、规模化生产能力和持续加大基础研究投入三者一起，是使我国企业在这一领域占据优势地位的主要因素。

7.2 第二层级：国内市场领先，持续追赶全球顶尖水平赛道

该类企业在国内市场的开发和应用场景适配方面有明显的优势，但是其主要功能的拓展、生态系统建设等各方面同国际领先的产品还存在较大差距。从总体上看，这些企业正处在逐步完善、力求超越的发展过程中，可以分为三个主要类型。

7.2.1 研发设计与仿真工业软件赛道

中望软件属于二维CAD领域的代表企业，索辰科技属于三维CAD领域的企业。前者在国内市场拥有二维CAD技术优势，致力于提升三维CAD系统对于复杂工程问题的处理能力；后者依靠自主研发的CAE软件，完成了军民融合的应用，在高端制造方面取得了重要的进展，但是民用市场的潜力有待于进一步发掘。两家公司对于工艺需求分析以及本土化服务都有明显的优势，但是对全世界范围内跨国公司的技术积累、成熟的第三方工具生态系统来说，还存在着一定的差距。为了缩小这个差距，相关企业对于核心算法的研发投入越来越大，努力提高产品的竞争力和与国际先进水平的差距。

7.2.2 工控硬件与工业机器人整机赛道

汇川技术、埃斯顿属于行业的标杆企业，在国内市场上工业控制系统硬件以及通用机器人整机的销量均处于领先地位。由于具有显著的成本优势，两者很好地满足了国内中小制造企业设备更新换代多样化的需求，在东南亚地区得到了迅速的发展。而汽车整车制造、航空航天等领域高端机器人以及核心零部件主要被外资企业占据。我国本土企业对于关键零部件的研发和产业化过程存在着诸多的瓶颈，这样的状况既制约着整机性能的提高升级，又对自主品牌国际化进程造成障碍。

7.2.3 AI服务器整机制造赛道

工业富联属于全球算力设备制造行业的领军企业，在整机关键芯片的选择以及高端机型的研发上，对外的技术供给方有着较高的依赖度。尽管它的规模化生产和供应链整合做得好，但是自有品牌算力终端的市场占有率仍然不高，产业链价值的提升需要依靠长期的技术创新战略来达到质的飞跃。

7.3 第三层级：单点细分技术突破，整套产业体系仍需完善赛道

本级赛道企业的核心竞争力已经形成，但是在产品的标准化程度和应用领域上还存在欠缺。目前产业生态体系还处在初级发展阶段，国际竞争力提高还要依靠不断的技术革新和物质财富积累来实现突破。

7.3.1 行业数字化落地服务赛道

以能科科技、凡拓数创、宝信软件、汉得信息等为代表的企业，在特定的业务领域已经形成了成熟的工艺流程解决方案，并且拥有很多的实际操作经验。目前它的经营模式主要是依靠客户定制化服务，标准化的通用型产品供应比较少，在跨行业应用时容易造成很高的实施成本和复杂的程度。因为市场竞争的主体是多样的，并且细分市场的分布也是广大的，所以整个行业的服务体系还没有形成统一的标准和规范体系。未来的进步之处就在于改善平台化产品的研制速度以及研发水平，加强场景适应性和兼容性，推动产业生态系统的成长与发展。

7.3.2 高端工业3D视觉精密检测赛道

以奥比中光为例，在消费级三维感知上已经取得明显技术性的进步，其产品抓取类工业基础的使用优势较为明显。就高端工业领域而言，比如半导体晶圆和高精密零部件的微米级缺陷检测这些细分市场来说，国际上的主要企业（例如基恩士、康耐视等）依然处在支配的地位当中。尽管我国企业对于高阶成像算法的研发和精密光学元件的制造不断加大投入，并且取得了不错的成果，但是由于缺少对精密制造应用场景的经验积累，系统集成能力不足等问题，使得国内的相关企业仍然需要加大投入来完善高端检测领域的整体解决方案的设计。

结语 站在2026年，看懂物理AI开启的制造业全新十年

2026年情景下物理智能技术体系还处在初级阶段，还没有形成大规模产业化应用局面，其商业化进程处在探索性的起步阶段。目前国内工业领域对这一技术的运用大多集中于单台设备效能改良以及局部生产流程的自我调度掌控等情形之下，其牵涉到的既有工厂整体或者跨供应链协同运作的繁杂问题解决办法，仍须经由持续的技术研发并加以深入实践考察来加以完善并检验可行性。未来的发展方向已经十分清楚，在全球制造业里，传统的人工操作模式会向以人为主、机器设备具备自我动态调节功能的新型操作模式转变，物理智能则是这一变革的主要推动力。

产业转型升级过程中，诸多外部限制不断对它的走向产生影响。技术创新领域多物理场耦合建模的精度、AI算法跨场景迁移的适用性、边缘计算环境实时数据分析的效率等问题还必须加以克服，从产业角度品牌之间工业软件和硬件之间的兼容性不好，现有的基础设施智能升级的成本高、缺乏统一的工艺数据安全标准也使得人工智能技术的普及遇到了很大障碍。从社会学角度出发，就制造业劳动力结构的改变而言，需要创建高效的培训体系并制定出统一的安全监管标准来应对新的风险情况出现。虽然每一代工业革命刚开始都会遇到诸多难题，但是经过各方努力逐渐形成相应机制后，整体科技前进的轨迹无法改变。

人工智能技术在物理领域里的应用并不是要全面代替工厂生产一线的操作工人，它主要是依靠自动化的方式来释放出人的力量。其主要目的在于帮助人摆脱繁琐复杂、高危苛刻、高度依赖经验的劳动方式，从而使人的劳动方式发生由重体力、低智慧向轻劳动、高层次发展的转变。在这种情况下，工艺工程师可以摆脱对现场进行重复性的观察、调节参数的工作，集中于新产品开发以及系统的研制方面，设备维护技术人员也由原来的例行巡视变成了设备的智能化更新和性能改良工作，企业管理层也可以把更多的精力放在对数字化经营分析上面，推进整个产业链向高质量发展。这系列的改变不但明显改善了制造业总体运行速度，而且促使工业生产潜力慢慢展现出来，进而孕育出众多的新职业并推动着整个产业生态的重新塑造与发展。

目前工业界正处在以智能物理AI技术为主导的变革之中。未来十年内，该技术会从示范工厂的限制中解脱出来，在全国范围内的各个类型制造企业当中普遍运用到，从而达成对生产全流程以及产业链条进行高度整合的效果。其应用范围也从单一的设备或者工序发展成为整个工业设施或者完整生产工艺系统。依靠国内企业长期的科技创新和行业实践所形成的经验优势，此类成果可以给全球制造业的智能化转型升级赋予创新性的途径和技术上的支持。

产业革命的最初迹象一般出现在生产实践中的小改变里。苏州焊装车间的橘色智能机器人依靠自身感知、抓取的特点，很好地体现了全球工业转型的主要走向。这场依靠科技创新，缓缓前行的制造业变革虽然没有造成大动荡，但是它已经对现代工业体系产生了深刻的影响，而且正在迈向加速发展的阶段。