大模型还在写文案,物理AI已经开始拧螺丝了
9月24日，长沙梅溪湖，2026岳麓大会「AI+创新产业」论坛。汇川技术董事长兼总裁朱兴明上台讲了一句话，我觉得比很多「AI将改变世界」的漂亮话都重要。
物理AI的春天、爆发期即将来临。
2026年还没真正落地，2027年下半年到2030年，
会先在简单操作场景跑起来。
很多人还在追大模型、追Agent、追「AI帮我写周报」，但制造业的人已经换了一个问题：
AI能不能进车间？能不能看相机、读电流、控伺服、少出废品、少停线？
这道题，名字就叫——物理AI。
一、先说人话：物理AI到底是什么？
我们过去两年熟悉的大模型，是「数字世界里的脑」：
你问它，它回答；
你让它写，它生成；
答错了？没关系，重新生成一次，成本几分钱。
但工厂不是聊天框。
在产线上，AI说错一句话，不是错别字，而是：
机器人抓偏了；
电池极片压坏了；
机械臂撞机了；
整条线停了；
一班产能没了。
所以物理AI（Physical AI）的本质是：
让AI不只「懂信息」，
而是「懂物理世界」，
并能安全地改变物理世界。
它要处理的是：
视觉：零件歪没歪、焊点好不好；
力觉：夹多大劲、拧多紧；
振动：轴承是不是要坏；
电流：电机负载正不正常；
温度、压力、流量、节拍、良率、停机时间……
最后再输出一个动作：
降速、纠偏、换刀、报警、重排产、关阀、避障、装配。
一句话区分：
大模型输出「一段话」，
物理AI输出「一个可控动作」。
二、为什么物理AI的第一个大场景，是工厂？
不是因为工厂最性感，而是因为工厂最「讲结果」。
朱兴明在演讲里反复强调一个词：解决真问题。
工厂里的真问题非常朴素：
换新产品，调试一个月；
老师傅一退休，工艺就失传；
这条线调好了，搬到另一条线又失灵；
设备突然坏了，停线半天；
质检靠人眼，夜班就累、就漏；
排产表做得很美，现场一变就全乱。
这些问题，PPT大模型解决不了，Prompt也解决不了。
要解决，得有：
工业数据 · 工艺知识 · 控制器 · 传感器 · 数字孪生 · 边缘算力 · 可回退的安全机制
脑 + 眼 + 手 + 脚 + 工艺 + 控制闭环
这正是物理AI的战场。
三、物理AI不是「人形机器人先上岗」
很多人一听物理AI，脑子立刻蹦出人形机器人。
但朱兴明的判断很克制：
物理AI的载体包括人形机器人、智能机器人、智能装备，也包括制造里的计划智能体、质量控制智能体、健康管理智能体。注意顺序。
先来的，不一定是机器人本体，而是「工业智能体」。
比如：
1. 计划智能体
看订单、物料、设备状态、交期，动态排产。不是Excel里算一遍，而是产线一变，它马上重排。
2. 质量控制智能体
看视觉缺陷、工艺参数、历史良率，告诉你：「这个气泡不是随机的，是保压段温度漂移了。」
3. 健康管理智能体
读振动、电流、温度，提前说：「这台主轴72小时后有概率出事，先安排维护。」
这些智能体不一定有手有脚，但它们已经在改变物理世界的结果。
制造业里，能先省钱的AI，
比能跳舞的AI更重要。
四、物理AI的底层逻辑：先虚拟，再现实
物理AI为什么这两年才热？
不是因为「AI突然聪明了」，而是因为三件事同时成熟了：
多模态感知便宜了——工业相机、振动传感器、电流采样越来越便宜
边缘算力够用了——模型可以跑在网关、控制器、边缘盒子上
数字孪生能打了——先在虚拟产线里训，再进真实工厂，试错成本大幅下降
业内现在有个共识：
先孪生，后生产；
先仿真，再执行。
比如一条新产线：
在虚拟空间里建数字孪生；
把重力、摩擦、节拍、物料偏差都塞进去；
让AI智能体先练几万次；
再把它学到的策略下放到真实设备。
这就像驾校先用模拟器，再上路。工厂可不允许「AI边开边学、撞了再说」。
五、为什么朱兴明这句话值得信？
因为汇川不是纯大模型公司。
它是做工业自动化、伺服、变频器、PLC、机器人部件、产线控制起家的。
朱兴明说物理AI，底层依据不是「模型参数」，而是：
20多年工控积淀；
70多个行业的工艺理解；
电流、振动、视觉等多模态工况数据；
从感知到决策再到执行的控制闭环。
这正好戳中物理AI的难点：
工业场景是零容错的。写错一段文案，重来。
拧错一个扭矩，整机召回。
所以物理AI不是「大模型+机器人」这么简单，而是：
行业工艺 + 工业数据 + 实时控制 + 安全边界
谁离车间近，谁更有发言权。
六、企业侧怎么看物理AI？别一上来就搞「无人工厂」
我给读者一个落地框架：
1. 别先买人形机器人
先问：哪里最痛？质检漏检？换型调试慢？设备非计划停机？排产总被打乱？老师傅经验留不下？
2. 从小场景切入
比如AI视觉质检、设备健康预警、工艺参数推荐、排产智能体、异常溯因。数据有、价值清、风险可控、老板看得懂ROI。
3. 数据先治理，别直接训大模型
工业AI的燃料不是「语料」，是时间戳、设备号、工艺参数、缺陷标签、停机事件、电流/温度/振动曲线。数据对不齐，模型再大也白搭。
4. 控制权限要分层
AI可以「建议」：降速到1200rpm、把保压时间加0.3秒、把这批件转去复检。但「执行」必须有边界：超限不执行、异常可回退、动作可追溯。
物理AI的底线不是聪明，是可控。七、未来3年，物理AI会怎么走？
按朱兴明的判断：
2026：物理AI还没大规模落地，但话题和试点变热；
2027下半年：简单操作场景开始跑；
2028—2030：更多工业场景进入规模化部署。
我自己的翻译版：
2026是「讲清楚」的年份，
2027是「试点跑通」的年份，
2028以后是「谁有数据谁吃肉」的年份。
物理AI不会像ChatGPT那样一夜刷屏。它会很土：
少一次停机；
多0.8%良率；
换型快3小时；
老师傅经验变成可复制的工艺Skill；
夜班不再靠人硬撑。
但三年后回头看，这些「土价值」加起来，就是制造业的底层重写。
八、最后一句话
大模型把AI送进了办公室。
物理AI会把AI送进车间、仓库、产线、港口、电网、医院后勤、农业大棚。
下一阶段最值钱的公司，不一定是最会写Prompt的，而是最懂这三件事的：
物理规律 · 工业工艺 · 控制闭环
朱兴明那句话翻译一下就是：
别只盯着屏幕里的智能体了，
能进物理世界的AI，
才是下一个十年。