2026年4月20日，在德国汉诺威工业博览会上，一名参观者走过一处Ai字样的标识 新华社/路透

文/《环球》杂志记者 褚怡 杜哲宇（发自柏林）

编辑/胡艳芬

从会模仿和学习人类动作的工业机器人，到能协助工程师写代码、调参数的AI智能体，再到可以识别产线异常、提出优化建议的工业系统，人工智能（AI）正在以更具象、更实用的形态进入制造业。在日前闭幕的2026年德国汉诺威工业博览会（以下简称工博会）上，这一趋势贯穿全场。与早期更偏向“未来想象”的展示不同，今年展会上的工业AI，已不再是单纯的技术实力演示，而是开始贴近真实的生产现场。

在一些展示场景里，许多原本依赖工程师经验、反复调试和多系统切换才能完成的工作，正被重构为更简洁高效的人机协作过程。工程师只需用自然语言描述需求，系统就能辅助生成控制代码，甚至直接给出工艺优化建议。

正因如此，一个现实问题开始浮现：当AI越来越深入地走进生产现场，它究竟会在哪些环节获得自主性，又在哪些关键决策上仍需依赖人的判断？

从辅助到执行，工业AI走进现场

判断工业AI是否真正融入生产系统，核心标准是其输出的建议能否转化为可执行动作。过去，AI更多停留在识别、预测和提醒层面；如今，一些系统已能将自然语言指令与设备配置、启动流程直接打通，AI的角色也从“信息提供者”转向“行为影响者”。

德国冠欧发动机有限公司（SEW-EURODRIVE，以下简称冠欧）在本届工博会上展示的“Startup Agent”，便提供了一个典型应用场景。让一台设备按设定要求运转，传统方式需要工程师打开专业软件，逐项设置电机、变频器等部件的参数；而借助AI，这一过程可以部分变成一场对话。

“用户在聊天窗口里写下想让设备完成什么动作，系统会继续追问必要的信息，并在确认后自动完成相关设置。”冠欧网络软件开发负责人莱昂·康特尼表示，为防范AI自主操作带来的风险，系统还会把每一步设置清楚地显示在软件界面，用户可开启“人工确认模式”，所有修改必须经审核后才能写入设备。

这类探索，勾勒出工业AI落地的现实路径：从边界清晰、风险可控的环节切入，把人的意图转化为设备可识别、可执行的指令。沿着这条路径往前看，工业AI的价值最终要在车间现场接受检验。

“AI起于物理世界，也终于物理世界。”德国西门子公司管理委员会成员兼数字工业首席执行官塞德里克·奈克对《环球》杂志记者说，工业AI的技术底座首先来自物理世界的数据，包括传感器、控制系统和生产设备产生的工业数据，经算力与软件模型处理后，最终要回到物理世界，在车间现场发挥作用。

“如果AI不能走进真实世界，它就只是一个装在罐子里的大脑。”奈克说。

如何让AI走出“罐子”？奈克以西门子在本届工博会上展示的一条鞋底柔性产线为例说，用户可通过AI对话界面提交个性化定制需求，后台AI自动协调设计工具，鞋底经3D打印完成生产；全过程由AI智能体自主调度，人形机器人负责物料搬运，AI控制机械臂完成最终包装。

奈克认为，本届工博会的关注重点在于把AI真正嵌入设备、融入生产、贯穿全产业链。“工业AI正从实验阶段迈向现实应用，我们正处在这轮技术热潮周期中最关键的节点。”

类似变革也发生在更细分的工业环节。德国自动化组件制造商顺克（Schunk）展示的2D抓取套件，将AI引入零部件抓取方案。这套系统结合摄像头、抓手和AI技术，可在无需复杂编程的情况下，通过照片对特定零部件进行训练，并生成精准的机器人抓取指令，使夜班作业或高强度重复性任务实现自动化运行。

“AI让许多过去无法实现的自动化场景成为可能。”顺克抓取与自动化技术业务负责人塞巴斯蒂安·赫普夫尔说，“即便是传统技术已能实现的自动化流程，引入AI后也变得更加高效、经济且易于使用。”

IT服务商阿德索公司（Adesso）董事会成员贝内迪克特·邦曼表示，AI已实实在在进入制造业现场。“从预测性维护、视觉质量检测，到自适应生产线等应用，AI已进入常规轮班生产。”

物理AI：当AI长出“手和眼睛”

AI进入生产现场只是第一步。它能否真正理解设备、空间、运动和物料特性，并通过机器系统完成稳定可靠的操作，是下一阶段的关键。围绕这一方向，“物理AI”成为今年工博会的高频词。按照主办方定义，“物理AI”是指能够通过机器、设备和机器人等载体，与现实物理世界直接交互的AI。人形机器人是这一概念最容易被看见的载体。

在机器人和装配自动化展区，多款人形机器人穿梭其中，执行搬运、抓取、人机交互等任务，引来不少观众驻足。它们带来的想象空间，既来自类人外形，也来自一种更具体的技术趋势：AI开始拥有能够移动、感知和操作的物理载体，算法能力从屏幕和软件系统中延伸出来，通过机器人手臂、传感器和控制系统，转化为车间里的具体动作。

在本届工博会前夕，西门子披露了与英国机器人公司Humanoid的合作进展：后者开发的HMND 01 Alpha轮式人形机器人，已在西门子德国埃朗根工厂投入物流作业测试，执行自主物流任务。西门子称，测试数据显示，这款机器人每小时可完成60次料箱移动，连续运行超过8小时，自主抓取和放置成功率超过90%。“我们共同证明，人形机器人已具备在真实工业环境部署的条件。”Humanoid首席执行官兼创始人阿尔乔姆·索科洛夫说。

“AI正成为工厂的核心生产力，尤其是在工业机器人和人形机器人领域。”本届工博会主办方德意志会展公司董事会主席约亨·科克勒说。

法国凯捷咨询公司在工博会前夕发布最新报告《物理人工智能：将人机协作提升至新高度》。这项覆盖全球15个行业、1678位高管的调查显示，67%的受访者认为，“物理AI”具有颠覆性价值——“它让机器人能够理解上下文、实时适应环境，并在非结构化场景中运行。”而在应用层面，报告称，近八成的受访企业和组织已在实际部署“物理AI”。

在弗劳恩霍夫制造工程与自动化研究所展台，智能移动机器人项目负责人约亨·林德迈尔向《环球》杂志记者介绍了两项“物理AI”演示项目，其中之一是基于机器人实体和自研软件搭建的小型物流场景，机器人可自主拾取料箱、行走、搬运并完成上架操作。

“‘物理AI’有望在许多传统方法难以胜任的场景发挥作用。”林德迈尔指出，尤其是在处理电缆这类结构复杂、形态多变的物体时，传统编程往往难以实现有效操作。

谈及“物理AI”的未来，林德迈尔说，目前来看，传统方法仍然在稳定性上表现更出色。但他将当前阶段比作数码相机问世之初：“起初，新技术只能实现与传统技术相似的功能，但随着能力持续演进，最终有望实现真正的超越。”

这是2026年4月20日在德国汉诺威工业博览会上拍摄的机器人 新华社/路透

AI智能体：让工厂学会“自己协调”

工厂里的很多问题，往往不止于“发现异常”。设备停机后，还需判定原因、派工维修、调配备件，并评估对生产排期和交付的影响。正是在这类复杂协同场景中，AI智能体成为工业AI演进的重要方向。

“智能体是能感知环境、自主决策、采取行动以达成目标的系统，它可以自主运行，无需人工直接操控。”弗劳恩霍夫智能分析和信息系统研究所数据科学家亚历山大·措恩说。

他认为，AI智能体的核心能力，是由主智能体将复杂任务拆解成几个小任务，分发给子智能体或其他工具去执行；系统会全程监控执行过程、识别错误，并在必要时自主修正方案。

这种“任务拆解—工具调用—推动执行”的能力，正被软件企业引入具体工业流程。

欧洲最大的软件公司思爱普（SAP）在本届工博会上展示了一款聚焦设备维护场景的AI智能体：系统实时监控包装机的运行状态，发现故障后自动指派维修人员，并同步推送故障诊断结果和设备信息。此外，思爱普还在为收货和仓储管理开发同类“数字化员工”智能体。

不过，这类自动化协同链条的落地并不简单，它要求设备与系统全面联网、机器数据持续采集，才能为生产与物流决策提供判断依据。因此，这类智能体的应用仍处于早期阶段，但市场需求十分迫切。

“供应链的复杂性不断增加，我们的客户需要重新规划运输路线，或实时监控风险，AI正是解决这些问题的关键。”思爱普供应链管理营销主管哈根·霍伊巴赫说。

博世制造协同智能业务首席执行官诺贝特·云格在工博会“AI智能体”主题研讨会上表示，专家资源稀缺是制造业长期痛点：制造现场劳动力来源复杂、语言多样，专业知识又分散在不同岗位和环节；AI智能体在周末、夜班或凌晨等专家难以及时到场的时段，价值尤为突出。

他说，当设备或产线发生故障停机时，智能体可快速给出处置方案，帮助非专业人员尽快恢复生产；在更先进的多智能体系统中，一次故障处理还能触发维护智能体据此调整维保计划，并联动优化智能体持续改进生产。

“根据经验，在一家约有2000名员工的中等规模制造工厂中，仅减少停机时间这一项，在应用这类系统后，就能带来近100万欧元的收益；若进一步推广到整个生产网络，经济效益还将继续放大。”云格说。

印度马恒达科技有限公司制造业务全球负责人马尼坎坦在同场研讨会上强调，在工业场景中部署AI智能体，技术之外不能忽视人的因素和文化的作用。他说，人与智能体之间的协同配合方式，组织文化的适配程度，员工对智能体运行逻辑的理解度等，直接决定其价值能否真正落地。

工业AI的“可控”难题

尽管工业AI正在进入更多生产环节，但在实现真正意义上的自主运行之前，还有很长的路要走。工厂不同于一般数字场景，任何一次参数调整、设备启停或流程变更，都可能影响产品质量、交付周期和生产安全。AI可以参与判断和执行，但越接近核心生产环节，越需要明确的规则边界和严格的人工审核。

奈克说，当我们需要写信或查菜谱时，通用大语言模型已经足够胜任，即使出现一些小的误差也可以接受。但在工业环境中，“大体可靠”完全不可接受，工业机器人必须做到安全、可靠、值得信任。

“AI将显著缩短工程周期，使工程师能够专注于更高价值的工作。但在涉及安全和伦理的关键决策上，工程师必须始终保有最终控制权，责任不能被自动化。”奈克说。

亚历山大·措恩也认为，智能体实现自主运行的前提，是可信性及明确的边界约束，对其权限进行严格监控和限制至关重要。

“要维持有效的人类控制，智能体系统必须在高度结构化的框架下运行。”他以软件开发为例分析，可强制要求智能体为每一段代码编写测试代码、对所采用的系统架构进行清晰、规范的文档记录。这种有意识地引入结构，既保障质量，也确保人类始终能实施有意义且有效的控制。

贝内迪克特·邦曼说，目前制造企业采用AI时面临数据整合、规模化推广和员工信任三大挑战。“在许多工厂中，不同机器、生产系统和IT系统长期并行运行，数据格式、接口和管理方式并不统一。系统之间如果无法顺畅连接，AI就容易停留在单点试验或试点项目中。”他说，此外，即便单个工厂跑通了某个AI用例，如何推广到更多厂区、国家和地区，实现规模化复制，依然充满挑战。