从机器视觉到具身智能，工业AI正从概念验证走向价值创造，成为产业升级的重要引擎。

　　在2025工博会期间，《科创板日报》观察到，AI与工业的融合已成为贯穿展会的主线，工业AI应用呈现百花齐放之势。多名业内专家表示，AI技术必须紧扣工业场景的真实需求，避免陷入“为AI而AI”的误区，并持续提升其在工业环境中的确定性与精确度，以满足电力基础设施、算力基础设施等领域的强韧性需求。

　　▍具身机器人在工厂勤快搬箱

　　在英特尔展台，一台工业具身机器人进行了搬运演示。今年7月，智元机器人、安努智能在富临精工绵阳工厂开展三小时直播，通用具身机器人连续进行两班制、单班搬运800余个周转箱任务。

　　《科创板日报》获悉，该场直播基于英特尔酷睿Ultra处理器完成落地作业，并实现了批量商业化采购。成都安努智能技术有限公司CEO文宏杰介绍，当时现场实现了具身智能的轮式机器人和AMR协同搬运，效率达到两班倒，每班10.5小时，每台机器人测算下来能够替换0.7个人，一台机器人可以算1.4个人。在空间回收、搬运节拍上，从刚刚进场时的3分钟，到现在接近35秒，已经达到了人类速度的标准，还在持续进步中。

　　在科技领域，人形机器人是过去一年最靓的仔。一位英特尔技术专家表示，这一年人形机器人的数量增长远超预期。“去年大概两三千台的销售量，当时第三方市场机构对今年的数字判断大约七八千，但目前就与人形机器人、具身智能客户交流，以及市场反应来看，今年可能会突破3万甚至更多。”

　　据上述技术专家介绍，作为AI技术在工业场景中落地的典型方向，具身智能不仅限于人形机器人，还包括轮式复合机器人、机械狗、工业机械臂和AMR。在人形机器人领域提炼出的技术，最终也将下沉并应用于传统工业机器人，从而提升其智能化水平和AI能力。

　　▍工业AI蕴含更大的市场潜能

　　工业AI是一个比具身智能范畴更广的领域，其潜在的市场规模也更为庞大。“工业场景一直是AI商用落地最重要的场景之一。近两年，许多企业开始在设备端、数据中心以及在线人机界面（HMI）中广泛应用AI技术。根据IDC预测，不管是通用软件，工业的编程软件还是工业视觉软件，以及其他行业软件，AI的渗透率和市场空间正在快速增大。相对应地，AI算力的需求，不管是端侧、设备侧、数据中心，相应的市场规模也会不断扩大。”另一位英特尔技术专家表示。

　　该专家指出，除具身智能外，工业AI的具体应用场景还涵盖机器视觉、工业控制、工业数字化等。工博会现场，海康威视带来了观澜大模型在工业领域的场景应用：依次按顺序在包装盒中放入不同的相机配件，通过大模型对包装全流程进行实时视频分析，可监测是否有配件错漏放的情况发生。据了解，该质量管控智能应用已经在海康威视制造基地规模化落地，可直接省去配件物料齐套管理的工作，起到提质增效作用。

　　据介绍，这些年来，海康威视还面向工业领域，持续推出了系列基于不同“物联感知+AI”技术的数字化产品，广泛应用于质量检测、设备管理、生产运行、安全生产等不同场景。

　　今年台达在工博会的展位面积超过200平方米，包含AI数字化工厂、AI数据中心等四大主题展区。在AI数字化工厂展区，台达通过数字化、可视化、智能化的全场景数字化管理，结合机器人、人工智能和数字孪生（DIATwin）技术，虚实整合，展出整厂级别的绿色制造方案。

　　中达电通总经理宫鸿华表示，近几年，人工智能迅速崛起，成为全球产业升级的重要引擎，尤其是基础设施和工业制造两大领域，电力基础设施、算力基础设施、智能制造等均需强大的电网韧性支撑。在AI赋能智能制造方面，台达通过全场景数字化管理，虚实整合打造未来工厂。

　　施耐德电气则将AI技术融入产品、生产运营和服务当中，并与合作伙伴联合打造工业AI优化方案，涵盖水厂加药曝气优化控制与公用工程冷站、空压站优化等应用场景。

　　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介绍，目前正尝试在全生命周期引入AI。“从产品的设计之初，研发环节做一些编程的指导加速研发的设计；到制造阶段，工厂也在大量应用AI，不过仍偏向点上的应用，比如机器视觉、故障检测、故障诊断、设备预测性维护，以及整个冷机空调的能源优化。”

　　▍工业AI仍缺乏确定性和精确度

　　谈及落地挑战，施耐德电气工业自动化行业及战略中心负责人乔锃表示，工业AI往往还达不到工业实时控制的要求，特别在确定性和精确度方面，AI输出的结果是逐步的逼近、无限的接近，而不是确定性的输出。

　　“要求输出1，它可能输出的是从0.85开始逐渐逼近到1。这就决定了AI目前还无法作为控制的核心中枢，来直接输出控制的结果，而是起到辅助性作用。在流程行业应用中，我们发现AI与原来有的工业软件，特别是包含基础模型的工业软件结合起来是最好的，可以快速节省大量的人工调节，来逼近相对稳定的那个值。”

　　此外，数据基础也是AI应用最基础的困难。“如何采集到大量的数据，怎么把数据进行治理，然后再做数据分析？在中国很多用户的实际应用当中，并没有那么多、那么好的数据，能用以训练AI而不让它产生幻觉。AI的精准度需要不断的累积数据才能实现。”丁晓红提到。

　　丁晓红还强调，AI技术要跟实际的需求相结合，不能为了开发AI而开发AI。“在大模型与小模型结合、‘AI+具体应用场景’这些方向上，帮助工业AI真正的落地，让大家切实感受到价值。”

（文章来源：科创板日报）