物理人工智能：推动工业运营的新时代

白皮书 2025年9月 内容 前言3 执行摘要4 介绍 5 1 最新动态：智能机器人领域的突破 6 1.1技术突破重塑机器人能力61.2增强功能，实现端到端自动化71.3尚未解决的局限10 2 它在哪里工作：前沿应用 11 2.1革新制造业价值链122.2聚焦先驱者——转型之旅13早期采用者 3 它如何扩展：技术平台和合作伙伴关系 16 3.1新的物理AI技术栈163.2战略合作伙伴关系至关重要17 4 由谁领导：赋能新工业劳动力 18 4.1机器人与劳动力发展目标图片184.2技能和角色的转变184.3新劳动力要求20 结论：行动起来的时候了 21 贡献者 22 脚注25 免责声明 本文件由世界经济论坛发布，作为对一项项目、洞察领域或互动的贡献。此处表达的研究结果、解释和结论是经世界经济论坛促进和认可的合作过程的结果，但该结果不一定代表世界经济论坛、其全体成员、合作伙伴或其他利益相关者的观点。 2025世界经济论坛。版权所有©版权所有。本出版物之任何部分均不得以任何形式或任何方式复制或传播，包括影印和录制，或通过任何信息存储和检索系统。 前言 丹尼尔·奎珀，波士顿咨询集团（BCG）董事长兼高级合伙人 Kiva Allgood世界经济论坛首席执行官 在全球压力日益增大的背景下——从经济波动和地缘政治动荡到供应链日益复杂化，以及劳动力人才短缺——工业运营正进入一个转型的新阶段。虽然这些挑战并非新事物，但加剧的不确定性已显著加剧了它们的影响，迫使人们从根本上重新思考工作是如何组织、执行和扩展的。 世界经济论坛与波士顿咨询集团合作的“运营新前沿”倡议——是在战略远见和多利益相关方参与的传统基础上，开辟一条宏伟的前行道路。 此处阐述的见解借鉴了全球制造商、机器人创新者和顶尖学术专家的共同经验。基于现实世界的使用案例及其所代表转型之旅，本文探讨了物理AI如何重塑运营，实现新型人机协作，并大规模释放生产力。 在这一点上，一个由物理人工智能驱动的新时代工业自动化正在兴起——这些智能机器人系统结合感知、推理和行动，实现了一种自主性和适应性水平，标志着工业自动化中的一个关键转折点。通过连接数字和物理领域，物理人工智能承诺重新构想工业系统如何运行——从工厂车间到供应链。 但这次转型并不仅仅是关于技术。它还要求产业劳动力具备新技能，以与智能系统协作并承担新兴角色。我们邀请所有利益相关者——包括制造商、政策制定者、研究人员和技术人员——参与这一议程。通过大胆且协调一致的行动，我们可以塑造一个智能自动化驱动包容性、韧性可持续产业增长的未来。 随着物理型人工智能越来越可行且具有战略重要性，行业领袖正寻求更深入地理解如何利用这些创新来获得可持续的长期竞争力。在这样一个关键的时刻，这份白皮书——通过世界 执行摘要 技术突破正推动自动化边界——曾经因变化太大或成本过高而无法自动化的任务，如今在技术和经济上都变得可行。 自动化正扩展整个工业价值链的机会。早期采用者已经取得了显著成果。例如，亚马逊经营着世界上规模最大的机器人车队，展示了移动机器人、基于人工智能的分拣和由生成式人工智能引导的操作手如何提高配送中心性能。通过协调这些自主系统，下一代设施实现了25%更快的配送速度、30%更多的技能岗位和25%效率提升。3类似地，富士康应用了人工智能驱动的机器人和数字孪生模拟来自动化拧螺丝和插线等高精度任务，这些任务以前被认为过于复杂而无法自动化。通过实时自适应力控制和基于模拟的部署，它将部署时间缩短了40%，并将运营成本降低了15%。 尽管传统工业机器人是自动化的基础，但它们长期以来受限于适应性有限和集成成本高。如今，世界正步入一个由先进硬件、人工智能（AI）和视觉系统融合驱动的智能和灵活性定义的新机器人时代。这些进步共同正在解锁机器人技术的下一个前沿。 训练方法（强化学习、模仿学习）和多模态基础模型等方法1对于机器人，以及灵巧硬件组件（例如软抓手、触觉传感器）正在使机器人能够处理可变性、在上下文中推理并实时适应。简化的部署方式，例如通过虚拟培训和直观界面，正在显著缩短价值实现时间，并扩大小型和中型制造商及物流提供商的接入范围。全文中，“制造商”一词用作简称，指代制造商和物流提供商。 然而，要在规模上实现这些成果，需要的不仅仅是尖端技术。它需要一个能够应对未来的自动化策略，该策略融合了技术和组织基础： 这些进步导致了三种基础机器人系统，它们将在未来工业运营中共存，共同构成分层的自动化策略。这些系统是互补的，每套系统都适用于特定的任务复杂性、变异性和大小的组合。 将新兴人工智能技术栈嵌入现有工业工具链，并在机器人、人工智能和制造业领域建立生态系统合作伙伴关系，以确保互操作性、可扩展性和持续创新 – 基于规则的机器人技术，在结构化、重复性任务中提供无与伦比的 tốc độ và 精度（例如汽车焊接） 通过再培训和技能提升实现劳动力转型，以实现人机协作，并为机器主管、人工智能训练师和系统优化员等新兴角色做好准备 – 基于训练的机器人技术，通过强化学习或模仿学习掌握可变任务（例如自适应配装） 现在行动并将机器人嵌入为战略资产制造商将引领下一阶段工业竞争力——塑造一个智能自动化成为可持续增长、劳动力赋权以及系统韧性基石的未来 – 基于情境的机器人技术，能够实现零样本学习2以及在不确定的流程和新的环境中执行（例如，机器人通过自然语言接收、推理并执行指令） 简介 制造商必须立即拥抱智能机器人。 不再局限于孤立的高效益，机器人技术正成为韧性竞争力和竞争力的战略推动者。 当今，制造商们发现自己正面临十字路口。持续的劳动力短缺、不断上升的成本压力和脆弱的全球供应链——受地缘政治和市场不确定性放大——正汇聚起来威胁生产力、盈利能力和韧性。与此同时，消费者对速度、定制化和可持续性的日益增长的要求需要运营灵活性的重大变革。 并且自主行动。这一转变标志着自动化历史中的一个关键时刻，这是由机器人硬件、人工智能和视觉系统的融合驱动的。 今天，机器人技术正在快速发展——并且迅速。到2023年，全球已安装了超过400万台工业机器人。4与此同时，机器人软件和硬件的进步正在实现更广泛的能力——从灵巧操作到自主导航——并显著降低了部署所需的工程工作量。创新正在加速响应。受物理AI前景的推动，初创活动和投资正在激增。从机器人基础模型（例如SKILD AI、Covariant、DeepMind、TRI）到通用机器人（如Figure、Neura、Boston Dynamics和Apptronik的人形机器人），创新管道中的交付速度正在加快。 这些日益加大的压力正在加速通过前沿技术寻求变革性创新。位于最前沿的是正在经历深刻变革的：. 是机器人不再局限于孤立的生产效率提升，机器人正成为增强韧性和竞争力的战略性使能者。机器人正进入一个新纪元——在这个时代，智能使得机器人实现自主，而物理AI重新定义了机器以及由此延伸的人类所能做到的能力。 随着变革加速，领导者面临一系列关键问题：哪些技术突破正在推动这一转变？机器人技术如何已经重塑了制造业运营、劳动力角色和产业竞争力？以及如何奠定技术和人才的基础，为未来做好准备？ 然后：为少数人准备的机器人技术。僵化。静态 自20世纪60年代首次部署以来，工业机器人已重塑了制造业。它们在汽车和电子产品等行业的自动化和标准化生产中发挥了关键作用，使得大规模生产的经济效益证明了投资的价值。然而，由于高昂的成本、复杂性以及缺乏灵活性，采用仍然局限于那些具有高度标准化生产流程的大型企业。中小企业以及那些生产流程多变的制造商则因这些障碍而被抛在了后面。 这份白皮书对工业运营中机器人领域的快速演变提供了及时、深入的分析。它超越了表面趋势，提供了现实世界的应用案例，并展示了物理AI如何赋能灵活、有韧性和可扩展的自动化的前瞻性愿景。对于制造商、科技领袖和政策制定者而言，白皮书都提供了可行的见解，旨在作为战略指南，引领而非跟随智能时代。5 当前与未来：智能机器人时代 但是这正在改变。机器人正在进化为智能系统——能够学习、适应 1有什么新鲜事：智能机器人的突破 技术突破扩展了自动化范围，使其涵盖过去在技术上不可行或经济上不可行的领域，并简化实施以提供可扩展的端到端自动化。 机器人领域正经历一场由近期进展驱动的深刻变革。本节概述了这场变革的主要维度，这些维度共同标志着工业自动化的一个转折点。 1.1 技术突破重新定义机器人能力 近期的软件和硬件创新为机器人能力带来了质的飞跃，使机器人能够在动态环境中执行复杂任务，并简化部署。人工智能和复杂仿真的进步，利用图形加速计算来实现。 处理单元（GPU），使得实时运行人工智能模型和算法成为可能，从而解锁了新的应用。这种基于人工智能的方法专注于使机器人能够在复杂、现实世界的场景中感知、规划和行动，有效地实现了一定程度的物理智能。 1.2 增强功能，实现端到端自动化 机器人系统，每个都在自动化范围和复杂度上扩展。它们一起构成一个互补的生态系统。它们不是互相取代，而是实现分层自动化，与运营需求一致（例如任务可变性程度等战略因素以及经济因素。此外，随着工厂和仓库向更高自动化发展，制造商和仓库运营商将部署由任务需求、经济可行性和流程特征指导的机器人系统与实体（从自主移动机器人（AMR）到拟人化机器人）的混合体。 (物理)人工智能显著增加了工业操作中的自动化范围 该图的区域描绘了工厂或仓库内的物理任务（例如组装步骤、物料搬运、包装）。这些任务沿两个维度进行分类： (y轴)被指示通过颜色渐变实现自动化潜力 →参数要么是常数，要么是变化的可预测流程：仅在严格控制范围内——能够实现确定性、可重复执行，无需自适应行为。 →场景、布局、对象或任务新的环境：机器人训练分布之外（例如不同的工厂生产线、不熟悉的部件或更改的仓库布局）。 – 基于情境的机器人技术，最新的前沿，利用机器人基础模型和零样本学习，在不熟悉的场景中自主感知、推理和行动。这些系统解释高级指令并对现实世界的复杂性做出响应，而无需特定的任务培训，使它们在具有未知部件或新环境的不可预测环境中特别有价值。机器人基础模型构成了认知核心，使基于情境的通用机器人（例如人形机器人）能够在不同环境中灵活地执行各种任务，而无需重新编程。 工艺特性决定了要使用哪个机器人系统： –9基于规则的机器人技术不断提供无与伦比的精确度和周期在结构化环境中重复性任务和可预测流程。这些系统，在汽车中无处不在车身修理厂和类似场所，仍然对于需要一致性的操作不可或缺和低可变性是至关重要的。持续的编程接口的进步人工智能辅助编程（例如西门子）生成式人工智能辅助的工业副驾驶可编程逻辑控制器 [PLC]编程)正在扩展它们的应用范围并减轻部署挑战。 虽然基于规则、基于训练和基于上下文这三种系统类型构成了分层自动化策略，但它们的界限往往相互重叠，单个机器人可以利用结合所有这三种方法的混合方法。例如，在一个协作装配单元中，机器人可能会遵循基于规则的逻辑来以高精度执行任务。同时，它使用感知系统来监控其环境。当出现偏离预期工作流程的情况时——例如缺少零件或人为干预——机器人会切换到基于上下文的推理来解释情况并自主解决，然后再返回到基于规则的执行。 –基于训练的机器人技术日益突出在更多可变的环境中。启用高级强化学习算法和模拟，这些机器人通过虚拟并且现实世界的经验。虚拟化训练显着减少了部署努力，因为机器可以被训练和验证在真实世界推广之前模拟环境从而扩大了经济范围可行的自动化。它们展示了韧性在涉及可控变化的任务中——例如柔性部件配套或自适应物流–越来越适用于中容量或非基于规则的机器人重复生产缺乏灵活性。 虽然技术进步正在解锁以前无法实现的 ứng dụng,但真正的转变并不仅仅是技术上可行的,而是经济上可行的。如图2所示,智能机器人的未来由简化的部署和更直观的人机交互定义,从而实现实施时间的减少和更大的可扩展性。 随着物理式AI支持更