物理人工智能：超越传统机器人，走向企业级可部署智能体

物理人工智能（Physical AI）正超越传统机器人技术，开拓新的应用场景；企业正在数据中心、制造工厂和仓库中测试并部署由人工智能赋能的机器人系统。

这些系统将机器人技术与人工智能能力相结合，例如计算机视觉、决策能力以及世界模型——即旨在表征物理环境并预测其在不同动作作用下可能如何变化的人工智能模型。

例如，Meta 正在其多个数据中心测试机器人，执行以往由技术人员完成的任务，例如更换网线和重新插拔硬件组件。在这家社交媒体巨头位于爱荷华州阿尔图纳（Altoona）的园区，双臂机器人已开始练习更换网线；而在其位于俄亥俄州新奥尔巴尼（New Albany）的较新普罗米修斯（Prometheus）设施中，Meta 正在测试机器人重新插拔硬件组件，并同时探索机械臂能否对服务器执行断电重启（power-cycle）操作。

类似的应用正在其他行业浮现：汽车制造商日产（Nissan）正在其田纳西州士麦那（Smyrna）工厂部署由人工智能驱动的自主移动机器人（autonomous mobile robots），用于运输零部件；物流运营商（如 DHL Supply Chain）则正利用机器人引导工人完成仓库拣选作业。

尽管 物理人工智能 的应用范围极为广泛，但它们均具有明确的实用导向：即利用机器人承担重复性高、体力消耗大或难以通过人力规模化完成的工作。

物理人工智能不同于传统机器人技术

机器人已在企业中运行数十年。传统工业机器人通常在受控环境中执行预定义指令。而物理人工智能则增加了 感知与决策能力，使机器人能够响应那些未被显式编程处理的状况。

Gartner 分析师比尔·雷（Bill Ray）将这一转变描述为：从告诉机器人如何执行某项任务，转向为其设定目标并让其自行决定如何实现该目标。此类转变的一个例子是：告知机器人‘需将箱子装入厢式货车’，而非具体指示‘拿起一个箱子并将其放入货车’。然而，雷警告称，这种方法目前仍处于早期阶段。

世界模型可通过帮助机器人在行动前预测物理环境在不同动作影响下可能发生的变化，从而支持此类适应性。

他说：“机器人自主确定实现目标的方式并适应不断变化的条件这一能力，已在演示及部分实际部署中初现端倪，但尚不足以可靠应对全部真实世界条件。”

由人工智能驱动的视觉技术是提升机器人适应性的关键技术之一。ABB Robotics 工业业务线总经理克雷格·麦克唐纳（Craig McDonnell）表示，人工智能正推动工业自动化“从静态、预编程的工位，转向自主、可适应且多功能的机器人”。机器人可利用视觉识别产品、检测缺陷并定位零部件，再根据所见内容采取行动。Meta 正在其普罗米修斯（Prometheus）数据中心测试 ABB Robotics 的机器人。

但这并不意味着所有由人工智能赋能的机器人均已实现完全自主。人类监督依然普遍，尤其在涉及昂贵设备时；不过更强的感知与适应能力可拓展机器人所能承担的任务范围。

物理人工智能也未必意味着 人形机器人。雷使用‘多功能机器人’（polyfunctional robots）一词来描述功能更通用的机器，其功能可通过软件改变。他表示，在企业环境中，机器人常需在相对结构化的空间内运送物料，此时轮式结构往往比腿部结构更合理。他指出，带腿机器人必须持续维持平衡，因此能耗更高。

同样，机器人公司 Robust.AI 的联合创始人兼首席创新官安东尼·朱尔斯（Anthony Jules）表示，人形机器人并非企业任务的必需品。Robust.AI 正在开发面向仓库的、由人工智能驱动的协作式移动机器人。“仓库及物料搬运活动中 90% 的作业均由带轮设备完成，”他说。

企业实际应用物理人工智能的场景

物理人工智能正于企业范围内获得实际应用，尽管多数部署目前仍聚焦于特定任务。早期案例涵盖数据中心、工厂和仓库，企业在此类场所利用机器人完成重复性强、体力要求高或难以通过人力规模化完成的实体工作。

数据中心

Meta 的实验表明，企业正将机器人技术应用于人工智能基础设施运维，而非传统的制造或仓储作业。最新试点项目涉及机器人直接与数据中心设备交互，包括网线和服务器硬件。

雷表示，数据中心对物理人工智能而言颇具吸引力，因为许多维护任务具有重复性，且设施可预先完成测绘。与此同时，服务器大厅内布满密集线缆、设备配置各异，且技术人员亦在同一空间内作业，这为机器人带来的变异性远超传统自动化通常所能应对的范围。

制造业

工厂长期使用机器人，但通常仅限于单一固定任务。物理人工智能突破了‘一台机器人仅执行一项任务’的传统局限，ABB Robotics 的麦克唐纳表示。他认为，物理人工智能最具潜力的应用领域，恰恰是那些因高度可变性而历来难以自动化的任务，包括混杂产品、位置与朝向各异的零部件，以及光照或环境条件多变的情形。

ABB 正借助人工智能驱动的仿真技术应对其中部分挑战。其 RobotStudio HyperReality 系统允许制造商在模拟工厂环境中训练机器人，该环境可设置光照、材料、颜色和角度等变量。该方法依赖于 数字孪生——即产品、机器人及运行环境的虚拟复制品——从而使制造商可在物理部署前，在多种条件下训练并验证人工智能模型。

仿真还可帮助机器人在物理世界中行动前作出决策。Gartner 的雷描述了一个制造业实例：机器人需在测试工位之间运送屏幕，而每个后续停靠点取决于前一测试结果。该任务对传统自动化而言过于复杂。他称，采用仿真进行开发耗时四个月，但实际部署仅用 36 小时，且对现有流程干扰极小。

仓库与物流

仓库长期使用机器人搬运库存，但新型系统正引入人工智能，以助机器人应对更多可变任务，并与员工协同作业。亚马逊已在自身履约网络中构建大规模机器人基础设施，利用移动机器人运输库存，并运用人工智能协调其机器人车队。

雷表示，仓库早已部署先进专用机器人，因此通常并无必要用人形机器人取而代之；真正价值在于发现适合灵活机器人融入现有流程的任务。

其他部署则侧重于将机器人整合进现有仓库工作流。Robust.AI 与 DHL Supply Chain 的合作提供了一个 更为渐进式的范例‘我们的机器人与仓库员工并肩工作，通过在不同位置间移动并指引工人前往指定地点，协助他们拣选订单，’Robust.AI 公司的 Jules 表示。

此次部署表明，物理人工智能（physical AI）可被添加至现有运营中，而无需企业替换整体工作流程。但要使该方法在实际生产中奏效，企业必须解决围绕机器人的系统、流程及人员问题。

从具备能力的机器人到可投入生产的系统

对企业级机器人而言，让机器执行某项任务仅是部署工作的一部分。机器人还必须与现有 IT 系统连接，并融入其协同工作的人员工作流程中。

Jules 表示，企业级机器人需要两类集成：一是将机器人连接至 ERP、仓库管理系统（WMS）和制造执行系统（MES）等系统；二是第二类、往往更困难的部分：‘变革管理部分’。他指出，若变革缺乏充分支持，将导致采用缓慢甚至完全无法落地。

这使得机器人在现有运营中的适配性与其技术能力同等重要。Ray 表示，企业应调整机器人以适应现有流程，而非围绕机器人重新设计流程，因为未来五年内机器人本身将发生显著变化。

即便机器人已适配工作流程，仍须具备足够可靠且安全的性能以满足生产要求。McDonnell 表示：‘在要求严苛的工业与商业环境中，哪怕性能出现微小下降也是不可接受的。’

Ray 强调，随着机器人在人员周围作业，安全性变得愈发重要；而防护基础设施（例如防护笼）的成本甚至可能超过机器人本身。他预计，未来将有更多机器人在设计时内置安全限制，例如更低的运行速度或更小的作用力，从而确保即使发生故障，也不会对人员造成严重伤害。

安全性仅是技术挑战的一部分。硬件本身也会限制机器人可稳定执行的任务范围。

‘人类指尖在感知力与压力方面极为精密，而要复制这种能力则极其困难，’Ray 表示。‘即便让一个机器人指尖持续使用三个月，也已是一项重大成就，但这仍远未达到企业实际应用所需的耐用性。’然而，技术可靠性并不能保证企业级部署具备财务合理性。Jules 将此称为‘新奇陷阱’：企业仅采购少量机器人用于试验，却缺乏明确的投资回报率（ROI）目标。‘许多人所称的部署，实际上只是试点项目，’他表示。

除技术与财务考量之外，物理人工智能还引入了另一项要求。

即信任。

Jules 表示，物理系统所需的信任类型不同于软件，因为‘它们处于特定空间位置，并与人员并肩工作；任何此类系统，你都需要亲手触摸、亲身体验并真正理解。’