2025年，全球工业机器人新增安装量首次突破60万台，达到60.3万台，同比增长11%；全球在役工业机器人达到507.9万台，同比增长9%。其中，中国市场新增安装约35.4万台，同比增长20%，占全球新增工业机器人部署量约59%。从这些数字来看，工业机器人正在以前所未有的速度进入制造现场。国际机器人联合会（IFR）甚至将2025年定义为全球工业机器人创纪录的一年。

机器人已经越来越多，为什么工厂里依然有大量任务没有实现自动化？这个问题可能比“下一代人形机器人什么时候大规模量产”更值得制造业关注。因为过去几十年的工业自动化，解决的核心问题其实是“如何让机器稳定地完成确定性工作”；而今天制造业正在面对的，却越来越是“如何让机器处理变化”。

产品型号在变化，生产节拍在变化，零部件位置在变化，工艺在变化，甚至被操作的物体本身也可能是柔性的、不可预测的。真正限制机器人进一步进入制造现场的，很多时候已经不是机器人有没有足够的自由度，也不是工厂有没有购买机器人，而是：**当任务不再完全确定时，机器人还能不能工作？**

这可能正是工业机器人从“自动化”走向“Physical AI”的关键转折点。

一、35.4万台机器人进入中国工厂，但机器人数量并不等于自动化边界

先看一组非常容易被忽略的数据。2025年，中国新增工业机器人约35.4万台，同比增长20%，占全球新增部署量约59%。从全球范围来看，工业机器人全年新增安装达到60.3万台，在役总量达到507.9万台。电子和汽车行业的机器人安装量均增长10%，金属与机械行业更是增长22%。

这意味着一件非常明确的事情：机器人已经不是制造业中的边缘设备，而正在成为现代工厂的重要基础设施。但机器人部署量增长，并不意味着所有制造环节都已经自动化。

原因在于，机器人数量解决的是一个相对简单的问题：“有没有机器来干活”；而自动化真正的边界，取决于另外一个问题：“机器能不能处理这个工作”。

举一个简单的例子。一台机械臂完成一次标准化上下料并不困难。工件的位置固定，夹具固定，机器人轨迹固定，工件尺寸和姿态也基本一致。工程师只需要把这一套流程设计好，机器人就可以持续运行数万次。

但如果把同一台机器人放到另一个场景：工件位置发生变化，产品型号不断切换，零件存在一定制造公差，甚至操作对象是一根会弯曲、缠绕、下垂的线缆，那么原来的自动化逻辑很快就会失效。

所以，机器人行业过去几十年的发展，很大程度上是在不断扩大“可以被确定性描述的工作”的自动化范围。而下一阶段真正困难的任务，恰恰是那些很难提前写死的任务。因此，衡量机器人产业发展的一个重要指标，可能正在从“部署了多少台机器人”，逐渐转向“机器人能够覆盖多少种任务”。

这里的“任务覆盖率”并不是一个目前行业统一定义的统计指标，而是一种理解产业变化的视角：一台机器人究竟能够在多少种不同环境、不同产品和不同工艺条件下完成任务？

二、为什么第一代工业机器人可以做到500万台规模？

要理解下一阶段为什么需要Physical AI，首先要理解传统工业机器人为什么能够成功。传统工业机器人的优势从来不是“像人一样聪明”，而恰恰是不需要像人一样思考。

在典型工业自动化场景中，工程师会尽可能把环境变得确定：工件通过治具固定在准确位置，机器人沿预先规划好的轨迹运动，视觉系统提供固定的定位信息，PLC或者控制器按照确定的逻辑执行动作。

换句话说，传统工业自动化实际上是在主动降低环境的不确定性。因此，传统工业机器人特别适合焊接、喷涂、搬运、码垛、上下料以及高度标准化的装配等任务。这些任务有一个共同特点：目标明确、动作重复、环境稳定，而且可以在生产之前把大部分流程定义清楚。

这种方式非常有效，也正是为什么全球工业机器人能够发展到500万台以上的在役规模。从某种意义上说，传统工业自动化完成的是一次非常成功的任务分工：人负责定义规则，机器人负责高强度、重复性地执行规则。只要规则没有变化，机器人就可以持续保持很高的稳定性。

问题也恰恰出现在这里。当制造业开始要求越来越高的柔性时，“规则不变”这个前提开始越来越难成立。现在的制造业越来越强调多品种、小批量、快速换型和短产品生命周期。同一条产线可能需要处理多个产品型号，零部件的位置和姿态可能发生变化，一些工艺甚至需要处理软性、易变形或者具有复杂接触关系的对象。

这时候，传统机器人遇到的瓶颈并不是“机械臂不会运动”。恰恰相反，机械臂可以非常精准地运动。真正的问题是“它不知道下一次应该怎么运动”。

三、真正的瓶颈不是机器人数量，而是制造任务正在变得越来越“不确定”

如果把今天仍然难以自动化的任务总结一下，会发现它们往往具有一些共同特征。

1. 首先是环境变化。同一个任务，目标位置可能不同，周围障碍物可能不同，光照可能不同，产品姿态也可能不同。如果机器人每次都需要重新示教，那么自动化开发成本很快就会超过人工操作成本。
2. 其次是对象变化。刚性零件相对容易处理，因为它的位置和姿态可以通过几何关系描述。但柔性物体就完全不同了。线缆、软管、薄膜、布料等对象会受到重力、摩擦、弯曲、张力以及与环境接触的影响，很难用一组固定坐标描述。
3. 第三是接触变化。很多工业任务真正困难的地方并不是“把东西移动到那里”，而是最后几毫米。例如插接、装配、卡扣、精密贴合等任务，机器人需要在接触发生以后继续判断和调整。
4. 第四是任务变化。一个工站可能不是永远只做一个动作。它可能需要先识别产品，再抓取零件，然后装配、检查，最后进入下一个工序。产品换型以后，原来的任务流程甚至可能发生变化。

于是，传统机器人最擅长的“确定性重复任务”，逐渐让位给另一类更加复杂的问题：“机器人如何在变化的环境里完成任务？”这其实就是工业机器人从Automation走向Physical AI的核心原因。

四、Physical AI真正改变的，不是让机器人“更聪明”，而是扩大它能够处理的任务边界

如果把传统工业机器人和Physical AI放在一起看，两者最大的区别其实不是“有没有AI”，而是机器人如何应对变化。

传统机器人更接近“程序驱动”。工程师先定义动作，再让机器人按照程序执行。环境变化越小，这种方法就越有效。Physical AI则开始引入另一种逻辑：机器人可以利用视觉、示范数据、仿真环境以及学习策略，在一定范围内获得对变化的适应能力。

例如，一个传统视觉系统可能需要工程师提前设定目标的特征、位置范围和判断规则；而AI视觉模型可以在更加复杂的环境中识别目标，并估计目标状态。传统轨迹规划通常要求工程师提前确定路径；而学习型Policy则可以从示范数据中学习某类操作策略。传统系统遇到异常往往需要预先定义异常处理逻辑；而更加智能的系统则希望根据当前状态选择下一步动作。

当然，这并不意味着传统机器人技术会被AI替代。恰恰相反，工业Physical AI很可能是一种新的组合：AI负责处理更加复杂的感知、泛化和策略选择，而运动学、轨迹规划、实时控制、力控以及安全机制依然承担非常重要的职责。

服务器线缆插接就是一个很好的例子。AI视觉可以帮助机器人识别连接器和端口，学习型策略可以帮助机器人处理一定程度的任务变化，而精密插接仍然需要实时控制和力反馈来保证动作的可靠性。

五、机器人下一阶段的竞争，是“让一台机器人学会多少种任务”

从制造企业的角度来看，还有一个更加值得关注的问题：这些已经进入工厂的机器人，能不能做更多事情？

如果一台机器人只能服务于一个固定工站，那么它的价值高度依赖这个工站的生命周期。一旦产品换型或者工艺变化，就可能需要重新进行大量工程开发。而如果机器人能够通过数据和训练快速获得新的操作能力，那么同一套机器人基础设施就可能覆盖更多任务，所以说，“训练一个机器人”不能只是训练一个模型，而应该形成一套完整的任务开发闭环。

工业富联科技服务机器人训练平台所探索的，正是这一方向。它并不是从零打造一个基础机器人模型，而是围绕工业机器人应用开发，把任务设计、行为编排、数据采集、数据处理、模型训练和现场部署连接起来。

整个流程可以理解为：现场定义任务 → Behavior Tree任务编排 → 遥操作采集数据 → 数据管理与处理 → 模型训练 → 模型部署 → 机器人执行 → 数据反馈。这里最重要的变化，是把“机器人应用开发”从一个高度依赖少数机器人专家的工程项目，逐渐变成一个可以标准化的流程。

例如，一个现场人员提出一个新的机器人任务以后，可以先对任务进行拆解和编排，把复杂任务划分成多个行为模块；对于需要学习的部分，通过VR等遥操作方式采集人类示范数据，再经过数据处理进入模型训练；训练完成后，通过现场部署让机器人真正执行任务，并将执行过程中的数据继续反馈回来。

这与传统机器人示教存在一个重要区别。传统示教更多是在告诉机器人：“这一条轨迹应该怎么走。”而训练开发平台希望逐渐沉淀的是：“完成这一类任务，需要什么能力。”这意味着真正值得沉淀的，不再只是一次示教轨迹，而是围绕任务形成的数据、Policy、Skill以及部署经验。

比如今天解决的是一个柔性线缆插接任务，那么最终沉淀下来的不应该只是“这一台机器人如何插这一根线”，而应该包括：如何定义这个任务、如何采集示范数据、如何训练操作策略、如何进行仿真验证、如何处理现场异常，以及哪些能力可以迁移到下一个类似任务。

这样，机器人就开始从一次性交付的自动化设备，变成一个可以持续开发的智能系统。

---

传统工业机器人解决了大量确定性的重复劳动，让制造业第一次拥有了大规模、稳定、可复制的自动化能力。但制造业正在进入一个更加复杂的阶段。产品更加多样，生产更加柔性，换型更加频繁，任务更加复杂。过去那些因为“不值得自动化”“难以编程”“变化太多”而留给人工的工作，正在成为机器人产业下一阶段需要突破的空间。

这也是Physical AI真正有价值的地方。它并不是简单地让机器人“更聪明”，而是让机器人逐渐具备处理变化的能力。

最终，真正决定机器人能否进一步扩大制造业覆盖范围的，可能不是工厂里再增加多少台机器人，而是：当明天工厂提出一个今天机器人还不会的新任务时，需要多久，才能让机器人学会它？这或许才是工业机器人进入下一个阶段之后，最值得关注的问题。