我先联网核实这条 “物理 AI + 机器人进厂” 的原始报道与关键数据，再按你的固定格式成稿。
物理 AI 撑起机器人进厂的底层：从 “单点能干活” 到 “产线可复制”，靠的是数据、仿真、模型、评测、部署这条链
机器人进厂这件事，今年已经跨过了 “能不能干” 这道门槛，卡住的是 “能不能复制”。物理 AI 之所以被称为底层支撑，是因为它把原本依赖工程师个人经验、一台一台调、一个场景一套程序的做法，拆成了可标准化的五段工程链路：真实产线采数据、仿真环境扩样本、具身基座模型练技能、标准化评测卡门槛、多机调度平台批量下发。乐聚与兆丰机电在浙江的汽车零部件上料项目就是现成的样本：15 台人形机器人在金属丝网框、多工位、上料台交错的狭窄动态环境里完成 10 余个动作序列，稳定抓取内径 80–120 毫米的小件，一次上料循环控制在 40 秒以内，覆盖 15 个工位、10 余种零件，上料成功率 98%，连续无故障运行超过 2 个月、累计约 1000 小时，协助生产超过 6 万个零部件。这组数字里真正有价值的不是 98%，而是 “可复制”：技能被拆成 30 余个基础模块，像拼积木一样组合，开发周期从数月压到数周；标准技能一键同步到多台设备，部署从天级压到小时级。
为什么 “能干活” 和 “可复制” 之间有条沟
- 传统自动化到不了柔性工序：工序越柔性、任务越泛化、越靠近产线末端，越是固定程序、专用夹具、预设流程的盲区。多品种小批量、订单快速切换的生产模式下，重新编程的成本比机器人本身还贵。
- 人工作业顶不住规模：灵活但有效率上限、技能依赖、质量波动，还叠加招工难和用工成本上升。
- 仿真和现实对不上：工业仿真服务产品设计与虚拟调试，具身仿真服务高频交互与并行训练，两套体系在任务目标、模型表达、接口和运行尺度上缺标准化转换，几十年沉淀的工业工程知识进不了机器人训练系统，结果就是 “仿真里挺好，现场一塌糊涂”。
- 真实数据太贵太少：高风险工况不能反复试，异常工况在实验室和仿真里复现不出来，而恰恰是这些长尾样本决定现场成功率。
- 换一台就重训一次：每换一个本体、一个工位就重新采数据、微调、部署，没有规模效应，边际成本降不下来。
物理 AI 的底层支撑，拆成五段
| 环节 | 干的事 | 缺了会怎样 | 代表做法 |
|---|---|---|---|
| 真实数据 | 作业即采集，不停机、不单独排产，抓取失败、小件掉落、摆放偏差等失败样本也保留分类 | 模型只见过 “理想工况”，现场一遇到异常就停 | 乐聚 × 兆丰单月采集超 4 万条；它石用五指采集手套做出百万小时级 WIYH 数据集 |
| 仿真与数字孪生 | 高保真还原重力、摩擦、回差、温升，做域随机化扩样本 | 真机试错成本高、危险工况不敢试 | 光轮智能 SimFoundry 打通工业仿真与具身仿真；NVIDIA Isaac Lab 单卡 4096 个并行环境 |
| 具身基座模型 | 把视觉、语言、力觉、本体状态接到动作，支撑长程任务 | 只会单个动作，不会连成任务链 | 它石 AWE3.0、魔法原子 Magic-VLA K02（长程任务准确率 92%、中断率 < 5%） |
| 标准化评测 | 用统一基准量化成功率、接触精度、稳定性、故障模式 | 各说各话，上线前没有可比的 “及格线” | 光轮智能 RoboFinals；京东 JoyAI-Sim 与真机对齐的仿真评测 |
| 部署与调度 | 技能一键下发、多机协同、一键叫料、安全模块兜底 | 部署靠人盯，一台一台调 | 乐聚多机调度平台（天级→小时级）、RCS 集群调度 |
“可复制” 已经在几个真实场景里跑出来了
| 场景 | 规模与关键指标 | 复制逻辑 |
|---|---|---|
| 乐聚 × 兆丰机电（汽车零部件上料） | 15 台、40 秒 / 循环、98% 成功率、1000 小时、6 万件 | 技能模块化 + 多机调度 + 数据回流，可复制到同产线其他工位、同行业其他场景 |
| 它石智航（线束装配等） | 亚毫米级线束装配吉尼斯纪录、百台机器人柔性产线集群部署、覆盖 39 类应用场景 | 客户可先验证约 10 台的单场景高价值工序，再做千台级集团复制 |
| Skild× 富士康（Blackwell 系统装配） | 母排与限位块安装、16 颗螺丝紧固，多步骤任务中应对干扰 | 操作员直接演示新任务，不必每次变更都重训 |
| Apptronik Apollo 2× 奔驰（匈牙利、德国产线） | 零部件拣选与包装成功率 96% | VLA 模型在真实在用产线上验证后跨厂复制 |
| 宝马 ×Figure 02（美国斯帕坦堡） | 10 个月、参与超 3 万辆 X3 生产、9 万次高精度搬运、1250 小时 | 先单厂长周期跑通，再复制到莱比锡 |
| 雷诺（法国电动车工厂） | 18 个月内 350 台，目标单车工时 - 30%、5 年成本 - 20% | 明确 “不追求展台上好看，只要能进厂干活” |
大盘也在配合这个节奏。IDC 数据显示，2026 年上半年全球人形机器人出货量接近 2.5 万台、同比增长 432.1%，市场规模超过 7.4 亿美元，并预计 2030 年出货量超过 75 万台。政策侧同日加码：工信部与国资委的 2026 年度实景实训专项行动提出，到 2026 年底凝练百个以上高价值场景、带动形成万台级规模落地能力，路径写得很直白 ——“验证一个、部署一批、带动一片”。
企业想把 “能干活” 变成 “可复制”，按这六步走
- 选场景先看 “4D”：脏、险、乏、难四类工序优先，标准化程度高、节拍清晰、经济可算账的工位先上，别一上来就挑最柔性的活。
- 把技能拆成模块：把一条完整作业拆成可组合的基础动作包，目标是换零件、换工位只改参数不改代码。
- 建数据回流，不停机采集：作业即采集，失败样本必须留，按批次做质量分类与有效性判定，再喂回训练。
- 用仿真补长尾：真实场景做 1:1 重建，域随机化生成异常工况样本，先在虚拟环境里把装配兼容性和接触稳定性问题挑出来。
- 上线前过统一评测：用可复现的基准量化成功率、接触精度、稳定性、故障模式，拿到可比的 “及格线” 再谈批量。
- 部署做成 “一发多”：多机调度一键下发、一键叫料降操作门槛、安全模块（碰撞、力控限值、急停、黑匣子）兜底，再谈规模。
几个必须提前认的边界
- 成功率不等于可复制：单场景 98%、96% 是个好起点，但换零件、换工位、换工厂后还在不在这个水平，才决定能不能复制。
- MTBF 是硬门槛：北京三年行动方案把 “平均无故障工作时间超过 2000 小时”“连续作业续航 4 小时以上” 写进了指标，说明行业自己清楚短板在哪。多数机型目前续航只有 2–6 小时，低于工业场景 8–10 小时的需求。
- 负载还差一截：现有产品有效载荷多在 10–50 公斤，而发动机、车身部件这类重载搬运要 50–100 公斤。
- 数据开源要先解决确权：乐聚与兆丰把 “汽车行业零部件上料真机作业回流数据集” 捐入开放原子开源基金会 OpenLET 社区，这是好事，但数据确权、商业秘密与隐私边界必须先谈清。
- “进厂” 不等于 “替人”：宝马、丰田都明确表态机器人是补充而非替代，海外工会的抵触是现实变量。
- 标准还在补：光轮智能参与 Newton 仿真技术委员会与 EgoVerse 人类数据委员会，说明数据、仿真资产、任务定义的通用规范才刚起步，跨厂商互认还要时间。
结论
物理 AI 给机器人进厂提供的底层支撑，不是某一颗更聪明的模型，而是一条能把 “一次成功” 变成 “次次成功、台台成功、厂厂成功” 的工程链：真实数据解决 “没见过”，仿真解决 “不敢试”，基座模型解决 “不会连”，标准化评测解决 “说不清”，部署调度解决 “铺不开”。乐聚的 15 台、它石的百台集群、奔驰产线上的 96%，证明这条路在单点上已经走通；但从 “验证一个” 到 “带动一片”，还要跨过 MTBF、续航、负载、数据确权和标准互认这几道坎。判断一家物理 AI 公司值不值得跟，别看 demo 多惊艳，看它的数据能不能回流、技能能不能模块化、评测能不能复现 —— 这三件事决定了它交付的是机器，还是可持续复制的生产力。
相关 FAQ
问题 1：物理 AI 到底是什么，它给机器人进厂提供的底层支撑指哪些能力？
回答 1：按行业通行定义，物理 AI 是能感知、理解物理世界，基于物理规律做时空预测和动作规划，并驱动实体硬件执行，形成 “感知 — 推理 — 行动 — 反馈” 闭环的智能体系，大致等于世界模型、VLA 视觉语言动作模型、仿真数字孪生与机器人本体的组合。它给机器人进厂提供的底层支撑是五段能力：真实产线数据采集、高保真仿真与数字孪生、具身基座模型、标准化评测、多机部署与调度。缺任何一段，“能干活” 就变不成 “可复制”。
问题 2：为什么说机器人进厂的关键是 “可复制”，而不是单台能不能干活？
回答 2：因为单台能干活只证明技术可行，可复制才决定商业可行。乐聚与兆丰机电的上料项目里，15 台机器人跑出 98% 成功率和 1000 小时无故障，但真正让它具备复制价值的是技能被拆成 30 余个基础模块、开发周期从数月压到数周、多机调度把部署从天级压到小时级。反过来，如果每换一个工位就要重新采数据、重新编程、重新调试，边际成本不降，物理 AI 的规模效应就无从谈起。
问题 3：物理 AI 的仿真和数字孪生，能替代真实产线数据吗？
回答 3：不能替代，是互补。真机数据真实交互特征完整，但场景搭建与切换成本高、危险工况不敢试；仿真可以瞬时切换场景、批量生成操作失误和极端环境等稀缺边界样本。当前行业的通行做法是 “实景重建仿真、仿真批量泛化”—— 用真实现场做 1:1 重建，再用域随机化衍生海量变体，最后用真机验证回流校准。光轮智能与西门子的合作，核心就是把工业仿真与具身仿真两套体系的数据、模型转换通道打通。
问题 4：物理 AI 推动机器人进厂，目前有哪些可核对的落地数据？
回答 4：可核对的包括：乐聚 × 兆丰 15 台、上料成功率 98%、连续无故障超 2 个月约 1000 小时、累计生产超 6 万个零部件、单月采集超 4 万条数据；它石智航亚毫米级线束装配吉尼斯纪录、百台机器人柔性产线集群部署、覆盖 39 类应用场景；Apptronik Apollo 2 在奔驰匈牙利与德国产线以 96% 成功率完成零部件拣选包装；宝马 ×Figure 02 在斯帕坦堡 10 个月参与超 3 万辆 X3 生产、完成 9 万次搬运、运行 1250 小时。大盘侧，IDC 数据显示 2026 年上半年全球人形机器人出货近 2.5 万台、同比增长 432.1%。
问题 5：物理 AI 让机器人进厂可复制，还卡在哪些瓶颈上？
回答 5：卡在五处。一是可靠性，北京三年行动方案把平均无故障工作时间超 2000 小时写进指标，说明这是公认短板；二是续航，多数机型 2–6 小时，低于工业场景 8–10 小时需求；三是负载，现有产品有效载荷多集中在 10–50 公斤，重载搬运要 50–100 公斤；四是数据确权与共享，真实产线数据开源前要先解决商业秘密与隐私边界；五是标准，数据、仿真资产、任务定义的通用规范才刚起步，跨厂商互认还需要时间。物理 AI 把这些瓶颈逐个变成可量化的工程指标，才谈得上真正可复制。
参考资料
- [2026-11-11]（热门股股价翻倍，AI 智能体重构机器人技能开发，具身智能产业化提速）证券时报今日头条
- [2026-11-11]（记者手记丨在里斯本，看中国科创拓宽 AI 边界）新华网
- [2026-10-20]（物理 AI 或成编码外最大落地场景，全球巨头重点发力）开源证券行业点评报告东方财富研报中心
- [2026-10-16]（人形机器人 “进厂” 常态化 真实产线数据开源）中国日报网
- [2026-10-15]（从模型到产线，让机器人在真实场景创造真实价值）上观新闻（中青在线转载）中青在线新闻频道
- [2026-09-09]（60 分靠数据，100 分靠自进化：清华曹婷和「域变换」攻向机器人可部署）清华大学智能产业研究院
- [2026-08-07]（让工业知识进入机器人训练评测 光轮智能携手西门子共建物理 AI 工业底座）新华网
- [2026-07-20]（物理 AI：从 WAIC 展台，奔赴真实产业 “战场”）新华网
- [2026-06-08]（工业和信息化部办公厅 国务院国资委办公厅关于联合开展 2026 年度人形机器人与具身智能实景实训专项行动的通知）工业和信息化部中华人民共和国工业和信息化部
免责声明
本文基于公开报道、企业与机构公开信息及行业研究报告整理，所引用的成功率、运行时长、出货量等数据均来自各信源公开表述，未做独立实测复现；不同厂商对 “成功率”“无故障运行”“场景数量” 的统计口径可能不同，横向比较时请以原始披露为准。文中对物理 AI 技术路径、落地节奏的判断为一般性技术解读，不构成投资建议、采购建议或对任何企业经营状况的评价。文中涉及的证券研究观点仅代表原机构立场，据此决策的风险由读者自行承担。