错失AI的王兴兴们，正在争抢进厂的最后窗口

作者 | 源媒汇 谢春生

一年一度的工博会收官了。31万平方米展馆，3200多家展商，近300项首发首秀——数字还是那么漂亮。但真正让人驻足的东西变了。

上一届工博会，人形机器人是绝对主角。各家把本体往台上一摆，拼关节自由度、拼行走姿态、拼能不能后空翻，围观的人举着手机拍个不停。今年机器人还在，动作也更利索了。

但观众问的问题变了——不再只问"像不像人"，而是追问一句更实在的话：它到底能在车间里干什么活？

关注点的迁移，正是机器人赛道的范式切换。具身智能告别概念与演示，2026年的核心主题只剩一个：交付落地。

头部厂商褪去舞台炫技，聚焦真实产线，用工序、节拍和效率验证价值：汇川轮式人形机器人入局弧焊，库卡以"开天 KAI"平台打通数据与数字孪生，节卡将某合作企业大灯产线节拍从105秒压至28秒，部署周期由12个月缩至57天。

此外，值得关注的是，产线部署也不再单一押注人形构型，轮式、四足、双臂、人形机器人开始根据工序需求混编协同，适配什么任务，就上什么形态。

展台之上的样机与成果只是表象，藏在热闹背后的行业心态转折，才是这次工博会最重要的信号。

PART.01大模型提速，行业陷入窗口期焦虑

本届工博会最强烈的产业信号，来自宇树科技创始人王兴兴的一次公开复盘。

他说，过去十几年自己犯的最大错误，就是对AI还不够相信。

这句话分量很重。一家做了十几年机器人的公司，承认过去低估了AI的作用，本身就说明行业逻辑正在被重写。

王兴兴还补了一句更具体的：GPT-6发布之后，团队把它部署到各种机器人上做任务测试，"效果实际上非常不错"。

不错到什么程度？

综合媒体报道消息，GPT-6 Astra在机器人控制任务中的成功率达到95%，前代模型只有40%。从抓取到旋转到递送，甚至面对筷子这类需要精细力控的物体，GPT-6已经能做到认识桌面上的东西，也会往正确的位置走。

能力的跃升不止体现在数据层面。凤凰网曾报道称，DeepSeek入局具身智能，背后很可能也来自GPT-6带来的竞争压力。

图示：凤凰网科技报道

加快验证、迅速跟进，说明大模型对机器人行业的冲击，已经从技术讨论进入了实际布局阶段。

王兴兴由此作出了更加激进的判断：具身智能的临界点，"快的话甚至一两年内就有可能"。他的理由是，等到GPT-7出现，或许会直接把具身智能的核心问题打穿。

回顾他此前的预测，也能看到时间线在不断前移：从最初的三到五年，压缩到两三年，如今进一步收窄至最快一到两年。

乐观预判之下，行业现实依旧清醒。

当前所有具身智能方案，仍以工厂试点为主，核心痛点集中两点：泛化性不足、产线稳定性欠缺。机器人可在单一工位精准作业，但跨场景、跨产线迁移适配难度极大；工业生产对节拍、容错率、稳定性有刚性要求，机器人适配不足会直接拖累整条产线效率。

GPT-6让机器人"学会了操作"，但工业场景需要的是"零失误的稳定量产"。因此，王兴兴的复盘不仅是个人反思，或也是全行业警报。

GPT-6撕开了一道口子，让所有人看到大模型打穿具身智能的可能性。但窗口期不会太长——当通用大模型巨头开始向物理世界伸手，做本体的公司如果还停留在"本体思维"里，错失的就不再是某个技术路线，而是一个时代。

PART.02渗透率加快，进厂也在渐进中

具身智能的躁动之外，工业AI是本届工博会看似存在感不高、却更有分量的暗线。

从数据看，渗透确实在加快。IDC调研显示，36.6%制造企业已部署2至5类工业智能体；预计到2026年底，部署超100个智能体的企业占比将从0.4%升至13%，规模化部署趋势显现。

另据36氪研究院测算，预计2026年中国工业AI可落地市场规模约1163亿元，到2030年将突破3000亿元。

图示：36氪研究院《2026年中国工业AI行业发展研究报告》

工博会上，海智智造的工业基础模型HAI1.0、黑湖科技十余个决策型Agent、京东工业"工品智炼"平台把物料治理和合规审核封装成22个智能体——这些都是AI从感知走向决策的信号。

顺着这一方向，拓斯达也将探索指向具身智能，跳出"传统机器人+AI大脑"的思路，从底层架构重新定义工业机器人，并聚焦本体研发与设备升级：本体研发以"大脑+小脑+本体"三层协同保障稳定运行，提升"智商"、降低使用门槛，让普通操作工也能快速上手；设备升级则基于现场数据构建"采集—训练—推理"闭环，使存量设备无需更换硬件即可升级为可自主感知、智能分析、精准作业的智能体，从而降低转型门槛与成本。

不过，制造AI化的内涵并不止于单点智能体。

海尔周云杰在工博会开幕式上的判断说的很直白：真正的制造AI化，不是叠加大模型、堆砌智能应用，而是让AI贯穿研发、采购、生产、供应链、服务的全链路。

但展馆里的热闹，掩盖不了行业内部的克制。

施耐德电气把工业AI划分为场景化、体系化、规模化三个阶段，其OEM行业能力中心负责人杨小雷认为，当前整个行业更多处于场景化阶段，大量工作仍是单点应用。

ABB机器人中国区总裁韩晨也坦诚，垂直场景已有成功实践，但跨场景迁移仍然吃力，模型泛化能力不足是主要难点。

真正的瓶颈，甚至不在算法。

PART.03具身智能、大模型耦合拐点来了

施耐德电气方面曾透露了一个细节：在一家自动化水平并不低的化工企业，客户想优化某台能源设备的能耗，翻开数据库却发现存在多个使用相似名称的点位，已经无法准确判断这些点位具体代表什么。

中国工程院院士王坚在工博会开幕式上的比喻更形象：工业界的数据还锁在每个人的抽屉里。

王兴兴也点到同一件事：AI需要数据，但企业普遍有保密要求。

还有一个容易被展台灯光盖住的现实：通用大模型动辄二三十秒的思考时间，在工厂现场没有意义。京东工业CTO谷应鲲说得很具体，产线预警要求秒级甚至毫秒级响应。

一旦设备出现异常，延后几秒才收到提醒，很可能安全事故已经发生。

所以，京东工业用的不是千亿参数的大模型，而是3B、8B、32B的小模型做本地部署，一台二三十万元的服务器就能跑起来。

但中小企业的难题从来不在模型大小——在于缺硬件、缺人才、缺算力。

感知层其实已经在交作业了。海康威视今年工博会的主题是"物联感知+AI"，带了100多款场景数字化产品，不喊具身智能的口号，但活儿干得很实。

AI超声检测拿了工博会工业自动化奖，对超声原始信号做建模和定量分析，缺陷分类定位自动完成，识别准确率99.5%以上，把过去靠老师傅手感判断的"技术活"变成了标准化动作。

更硬的一个数字是：海康机器人视觉产品累计出货量超过1000万台，移动机器人下线突破20万台。

工业AI真正的底子，有时候不在模型参数里，在这些已经趴在产线上的"眼睛"和"脚"里。

把这些线索拼在一起，工博会释放的信号就清晰了——大模型是趋势，工业AI是增量，具身智能是重构制造业生产力的底层力量。

企业密集押注具身智能，并非技术完全成熟，而是行业共识彻底反转：不布局的风险，已远超试错成本。

GPT大模型将物理智能从理论推向实景，也急剧压缩了行业窗口期。

换句话说，机器人厂商多年积累的本体技术、供应链体系、场景经验，只有与大模型深度耦合，才能完成价值兑现。

注：文章素材来源于官方报道和公开资料，观点仅供参考｜部分图片来源于网络，如有侵权请告知删除。