WAIC热议：AI机器人进厂前，厂长们怎么看

你发现没有，过去两年，AI从技术突破到产业落地，这趟列车已经开出去老远了。大量企业已经完成了第一轮部署：接大模型、搭知识库、搞智能体、配AI助手、开发数字员工……该干的活儿，基本都干了。

但效果怎么样？麦肯锡和MIT联合发布的一份报告（2025年）告诉我们，约88%的企业在用AI，可真正能带来可衡量利润贡献的，只有约39%。更扎心的是，95%的项目都没能转化成可持续的生产力。

这说明什么？说明AI落地这事儿，不能只停留在工具提效的层面，得深深扎进产业场景里去。今年，一个明确的信号是：AI正在从第一轮部署，走向深度价值落地。

在2026世界人工智能大会（WAIC 2026）上，“物理AI”成了热词。人工智能正加速从数字世界，走进工厂、车间、产线。这不再是纸上谈兵，而是实打实的“真刀真枪”。

机器人进厂前，先听听厂长怎么说

一台机器人要进工厂，它得先听听厂长的意思。厂长们真正关心的问题，其实很实在：它能不能适配我们现有的运营系统？能不能稳定完成任务？失误率是多少？人工多久得介入一次？收回投资的周期有多长？至于它是用VLA还是世界模型，参数有多大，厂长们真不关心。

在WAIC 2026微亿智造的展台上，两台机械臂配合得天衣无缝，在高达1000mm/s的飞速移动中，精准完成抓拍与检测。它们能像老师傅一样，“看懂”零件，“拿捏”缺陷。这可不是什么还在实验室里的玩具，这套具身智能多臂协同机器人，已经走进全球顶级车企在中、美、德三地的生产基地，专门用来检测车身核心的大型压铸件外观。

过去，这个环节全靠人工肉眼检测，外观缺陷检出率只有90%。现在，机器人一上手，检出率直接飙到了98.5%。

除了质检，上下料也是机器人进厂打工的成熟场景。在精密制造自动化环节，CNC上下料看似技术成熟，但实际上是产线提质增效的隐形瓶颈。传统方案太死板，根本适应不了多品种、小批量、快迭代的生产需求。产线一换产品，就得停机，让专业技术人员逐台手动示教调试，又费时又费力。

微亿智造的上下料机器人就不一样了，它看一遍就能学会。工厂换线时间，从几天直接压缩到几小时，甚至几分钟。相比传统自动化设备，效能提升最高能到40%。而且，价格还和传统设备持平。

“工厂最关心的还是成本和成功率。上下料机器人的投资回报周期，可以稳定控制在1到1年半，作业成功率能达到99.75%。”微亿智造的工作人员在现场这么说道。

一头扎进真实业务，从“数据时代”迈向“经验时代”

2024年图灵奖得主理查德·萨顿在WAIC 2026主论坛上提出了一个观点：依赖静态人类数据训练的模型，正在触达天花板。真正意义上的智能，应该来自智能体与环境的实时交互——在行动中自主构建数据、自主学习、校正认知。换句话说，我们要从“人类数据时代”迈向“经验时代”。

蚂蚁集团首席执行官韩歆毅，基于长期的企业观察，也提出了类似的看法。他认为，依靠公开知识训练出的通用大模型，未必能真正理解一家企业的运行逻辑。真正的企业级AI智能，需要扎根企业真实的业务流程，持续沉淀企业专属的数据和经验，在真实运转中自主迭代学习，识别低效卡点，从而形成适配这家企业自身经营逻辑的判断力。他把这个方向总结为“经验型智能”。

现在不少企业AI产品，还停留在工具部署层面，帮员工更快地查资料、写邮件、整理会议纪要、审理合同。但只做浅层的个体工具提效，有时不仅解决不了组织问题，反而可能被现有组织流程的“尽责”惯性给裹挟住。

那么，企业AI到底该怎么走向深度价值落地？韩歆毅分享了三点思考：企业AI的智能不止于知识积累，更在于经验沉淀；企业AI的更高价值，不止于个体提效，更在于组织进化；实现深度落地的路径，是打造“组织智能”。

很多企业现有的流程，本就是为“人”设计的，而不是为“Agent”设计的。旧流程让信息在组织中的人之间逐级传递、逐级确认，结果往往是每个环节都做到最好，但所有环节串在一起，却都不为结果负责。智能体应该作为智慧的顾问，不仅能发现和诊断问题，还能辅助员工做权衡判断，在业务推进与风险管控之间找到解法。

韩歆毅认为，企业AI实现深度落地的路径，就是打造“组织智能”。未来，每一家企业都会拥有海量的数字员工，每一个员工都将拥有自己的智能体伙伴，智能体之间还会形成新的协作网络——也就是AI的组织形态。

智能体工厂，像搭乐高一样建流水线

AI落地到底卡在了哪里？

蚂蚁数科CTO闫莺的一句话点出了关键：“卡在四件事上：模型很强，落不了地。工具很多，接不上最后一公里。企业要的不是零件，是整车。智能体多了，没人定规矩。”

有一家新能源企业在海外建厂，管理层只需设定目标，随后由战略、金融、供应链、法务、ESG等数百个智能体组成的团队，就能全流程自主执行。也就是说，企业可以在商业智能体超级工厂这个系统上，像搭乐高一样搭建智能体“流水线”。于是，企业便拥有了一支全天候工作的AI队伍，以及一个能规模化协作的Agent工厂。

支撑这套“流水线”的平台，就是蚂蚁数科在WAIC 2026上发布的“商业智能体超级工厂”。它的应用平台首批预置了近200个岗位级数字专家模板，还提供了数百个可订阅的Skills级智能体工具。企业无需从零起步，就能直接启用数字专家。

据IDC报告披露，在17.5亿元规模的中国智能体开发平台私有化市场份额中，蚂蚁数科位列非云厂商第一，并位列2025年中国金融大模型、智能体应用及服务市场占有率第一。截至目前，蚂蚁数科“商业智能体工厂”已服务100%的国有银&行和股份制银&行，超过60%的地方性商业银&行，以及数百家金融机构，落地了超过300个金融行业智能体。

“工业时代，当机器越来越多，诞生了现代工厂。软件时代，当代码越来越复杂，建立了软件工程体系。那么AI时代，同样需要一种新的基础设施，让百万智能体高效、可信协作。”蚂蚁数科CEO赵闻飙这样总结道。

场景与数据，AI落地的重中之重

“中国工业门类的广度、制造业体系的深度、产业创新的速度、对新技术的开放态度，成为发展工业AI的独特优势。”西门子中国董事长肖松认为，工业场景是AI应用的“深水区”，零容错，对确定性、可靠性和安全性要求严苛，系统高度复杂，不同行业、不同生产模式和不同制造工艺差异明显。所以，工业AI不能追求全覆盖的发展方式，必须从真实业务场景入手。

肖松总结了工业AI的四个特征：痛点够高频，数据可获取，价值可量化，具有推广复制和泛化的潜力。质量检测就是符合这四个特征的高价值场景。西门子Smart Detection智能质检平台，已经在成都、南京、苏州等多家西门子工厂实现规模化部署。数据显示，该平台能将硬件成本降低90%，项目交付周期从“周级”缩短至“小时级”。

“数据质量是工业AI成功的关键，尤其是负样本的数据。破题的关键，是抓住场景。”肖松表示，大量影响生产质量和效率的关键知识，常常沉淀在工艺规范、操作经验，以及一线工程师和“老师傅”的脑海里。这些数据如果没有经过治理、整合与标注，就难以支撑大模型、智能体的训练使用。只有以具体场景为牵引，数据才能从无序积累，走向有序生产。

西门子与十五冶合作，整合了11个工艺段的设备数据，以及来自行业文献、工艺规范和老师傅口口相传的行业知识和一手经验，打造出炼铜行业首个下沉到边缘的智能体。这一举措，让影响铜成品质量和炉体寿命的关键指标——冰铜品位稳定性，提升了15%。

肖松还强调，工业AI落地不是单一模型部署的问题，而是一个复杂的系统工程，需要与工业软件、边缘计算设备、执行装备，以及工艺流程深度结合。只有打通感知、决策、执行、反馈的全链路，工业AI才能从技术能力，转化为现实生产力。

西门子推出的Eigen工程智能体，在WAIC 2026上斩获了最高荣誉奖项——SAIL之星奖。这是全球首款面向工业自动化工程的AI智能体，已在全球19个国家、逾百家企业进行部署。部分工业自动化任务，较人工执行效率提升了2至5倍，整体解决方案质量提升了80%。

以前，汽车、机械制造行业切割精度下降时，工程师必须赶到现场排查并修改PLC程序。现在，只要用自然语言给Eigen工程智能体下达指令，它就能自动完成PLC编程、HMI可视化、设备配置等任务。

在西门子WAIC展台现场，一款电池模组智能拆解原型机前围满了工业“老师傅”。这款原型机由西门子与北辰循环共同展出，可对不同电池模组进行扫描和智能识别，结合人工复核，实现自动且可靠的电池模组智能拆解。工作人员介绍，在开发过程中，Eigen工程智能体就已经介入，用于提升设备的工程实施效率。

此外，西门子还携手中科摩通，打造了用于组装和检测电动汽车电子机械制动系统的设备。在Eigen工程智能体的助力下，中科摩通将程序开发时间减少了30%，产线现场调试周期缩短了30%，人工与物料损耗降低了10%。

为什么工业智能体能如此之快地进行全球规模部署？西门子股份公司执行副总裁、数据与人工智能负责人Vasi Philomin认为，制造商面临的挑战越来越清晰：在熟练工程人才持续短缺的情况下，必须用更短的时间交付更复杂的系统。智能体从只能提供建议，到真正交付成果，这让AI在工业领域完成了跨越式的转变。

必须知道为什么对，AI进入“责任时刻”

“大模型在通用场景表现出色，但在电力生产、石油勘探、航空发动机监测等安全攸关的生产场景中，‘大概是对的’远远不够，必须‘知道为什么对’。”中数睿智董事长、创始人韩涵一针见血地指出了问题。

AI如何从“聪明”走向“可托付”？

中数睿智在WAIC 2026上发布了智能体产业落地的创新方法论——AI for Reasoning因果智能，系统性提出了因果世界模型。基于元因果认知理论，他们自主研发了动态因果构建与演化引擎，一个贯穿并支撑关联、干预、反事实三层的动态底座。这一技术底座，让产业AI实现了从“会说话”到“敢担责”的跃迁，从“看懂数据”到“读懂场景规则”的认知升级。

在石化场景中注入因果智能后，系统一旦察觉到工艺异常，它不再只是输出一句“存在风险”，而是基于因果逻辑推演多条干预路径：不干预会怎样？立即停产会怎样？降负荷运行会产生什么后果？通过系统量化比较，帮助企业在风险发生前作出最优决策，并直接驱动问题的解决。

中数睿智长期深耕企业级复杂智能决策赛道。他们推出的《因果世界模型技术体系蓝皮书》，其中的因果世界模型引擎已在35家以上大型央国企及行业头部单位完成部署，覆盖油气、电力、制造、金融等800余个零容错核心业务场景，累计安全运行超15000小时，未发生一起因模型幻觉导致的决策误导。

正如《蓝皮书》结语所说：“AI认知的下一阶段，是从‘描述世界’走向‘理解世界如何运转’。这一步一旦跨过，AI就不再仅是能言善辩的顾问，而真正成为可托付信赖的伙伴。”

图片／ 采访对象