先问任务卡在哪里，再问要不要机器人

讨论工业巡检，容易从设备开始：轮式还是足式，要不要机械臂，模型部署在云端还是端侧。

但立项时更值得先问的是：现有巡检任务，究竟有哪一步是传统自动化难以完成的？

如果只是定时读取固定位置的仪表，首先应该比较的，可能是传感器改造、固定摄像头和规则告警，而不是直接采购一台能够自主移动、理解环境并操作设备的机器人。

反过来，如果巡检路线会变化、观察位置需要临时调整、异常出现后还要根据现场情况决定下一步，那么“按预设步骤执行”可能就不够了。这时，引入物理 AI 才有明确的讨论对象。

这里的关键不是技术够不够先进，而是：任务是否真的需要机器理解现场，并根据现场改变行动。

一、物理 AI 的价值，不是给自动化换一个名字

IDC 在《IDC：物理AI时代来临，三大计算平台助力具身智能落地》中，将物理 AI 描述为使用人工智能技术理解、推理、规划并与现实世界交互的模型，这些模型通常封装在机器人、自动驾驶汽车等自主机器中。

这一定义提醒我们：物理 AI 的重点不只是识别一张图片，而是把识别结果与现实中的行动联系起来。

不过，需要区分三个问题：

• 是否需要 AI：任务是否存在难以用简单规则处理的识别、理解或判断需求？
• 是否需要移动或操作设备：固定传感器和摄像头是否已经能够覆盖目标？
• 是否需要具身智能：设备是否必须根据现场变化，调整观察位置、移动路径或操作方式？

这三个问题的答案不一定相同。

例如，可以设想一个仪表读数任务：仪表位置固定，摄像头能够稳定获取画面，但表盘类型较多。此时，可以先评估视觉识别，而不必把“需要 AI 识别”直接推导成“需要具身机器人”。

有智能需求，不等于有移动需求；有移动需求，也不等于必须采用通用具身能力。

二、先判断：流程固定，还是只在正常情况下固定？

“我们的巡检流程很固定”是一个需要继续追问的描述。

它可能意味着每次都沿同一路线、在同一位置采集同一种数据，也可能只是指正常情况下如此，一旦通道被占用、目标被遮挡或设备状态异常，就需要人员临场处理。

这两种任务，不适合放在同一个选型篮子里。

1. 把流程拆成可检查的动作

立项前，可以按下面的顺序拆解巡检：

到达目标 → 获取有效观测 → 判断状态 → 决定后续动作 → 记录结果

然后逐项确认：

• 到达目标是否只有一条固定路径？
• 观测位置是否可以长期保持不变？
• 判断标准是否能够明确写成阈值或规则？
• 异常后的动作是否可以提前枚举？
• 无法判断时，是否允许暂停并交给人工？

如果这些问题大多能得到稳定、明确的答案，就应优先评估传统自动化方案。

新华网刊载的《物理人工智能，加速走进现实世界》援引受访专家观点指出，对于高度规整、流程固定的任务，传统工业自动化往往更便宜、更稳定。这里应把它理解为选型方向，而不是任何具体项目都成立的成本结论。

2. 不要把“异常多”直接等同于“适合机器人”

异常可能来自不同层面：

• 摄像头安装位置不合适；
• 光照、遮挡没有得到控制；
• 设备标识不统一；
• 原有规则缺少必要分支；
• 任务本身确实需要临场判断。

前几类问题，可以先评估工程整改或规则补全。只有当环境变化难以消除，且设备必须据此改变行动时，具身能力才进入核心需求。

换句话说，先区分“现场没有整理好”，还是“现场本来就无法固定下来”。

三、真正值得引入物理 AI 的，是哪类巡检？

《物理人工智能，加速走进现实世界》中的受访专家认为，物理 AI 的优势场景包括执行环境多变、需要实时感知和灵活决策，同时具有重复性或高危属性的任务。

据此，可以把场景筛选聚焦在三个维度。

1. 环境变化会不会改变动作？

不是所有变化都值得动用具身能力。

假设设备外观颜色发生变化，但观察位置和检查步骤完全不变，问题可能仍然主要属于识别层面。

如果变化会导致设备必须绕行、重新寻找观察角度，或者判断当前是否允许接近目标，那么环境变化已经影响了行动。

建议在需求书中写清楚：

发生什么变化，系统需要改变哪一个动作？

如果只能写出“提高适应性”，却说不出动作如何改变，需求还不够具体。

2. 判断结果是否需要立即影响现场行为？

巡检结果可以分为两类：

• 采集后汇总，由人员分析并安排处置；
• 采集过程中就必须决定继续、停下、退回或改变路径。

后一类任务更值得评估端侧感知与决策能力。但“需要立即响应”还不够，必须进一步明确：

• 响应针对哪一种事件？
• 哪些动作可以自主执行？
• 哪些动作必须等待人工确认？
• 判断不确定时，设备应该做什么？

实时性不是一句“越快越好”，而是具体事件与允许动作之间的约束。

3. 是否必须与物理设备交互？

“看一眼仪表”和“操作开关”不应作为同一级别需求打包。

前者主要关注采集覆盖和判断质量；后者还要单独审查接触对象、动作范围、操作授权及失败处理。

新华网刊载的《物理人工智能，加速走进现实世界》提到，“天工”机器人可实现户外巡检、变电倒闸操作、配网接地线挂载等任务。这个案例能够说明相关应用方向已经进入公开报道，但不能据此推导出其他厂区可以直接复制，更不能推导出未经验证的成本、效率或可靠性收益。

对巡检项目而言，更稳妥的做法是：把“发现异常”和“处理异常”拆开立项、分别验收。

四、立项前的场景筛选清单

下面的清单用于组织需求评审，不是成熟度评分标准，也不建议简单统计勾选数量后决定采购。

筛选项	优先评估传统自动化的情况	值得进一步评估物理 AI 的情况	立项前需要补充的证据
巡检流程	步骤固定，分支可枚举	下一步动作依赖现场理解	正常流程与异常分支清单
观测位置	固定位置即可获得有效数据	需要主动寻找或调整观察角度	遮挡、视角变化的现场样本
通行环境	路线稳定，可通过改造约束	障碍与通行条件持续变化	路线变化及人工绕行记录
判断方式	阈值、规则能够覆盖需求	多种信息需要结合判断	现有规则无法处理的具体问题
响应要求	可延迟分析、人工处置	判断必须影响当前动作	事件、响应期限与允许动作
物理交互	只采集，不接触设备	需要接近、定位或操作对象	操作边界与人工授权要求
作业价值	常规自动化已能满足目标	重复性或高危任务仍存在缺口	未解决任务，而非笼统的“替人”目标
部署条件	现有设备和网络能够满足要求	必须在受限本体上完成关键处理	算力、功耗、空间和通信约束
失败处理	可直接停机或转人工	需要明确退回、等待等行为	每类失败的处理与接管流程

使用这张表时，建议先找出一项最明确的能力缺口，而不是一次追求“全自主巡检”。

例如，如果主要问题是固定摄像头看不到目标背面，可以先评估增加观测点或移动采集；只有进一步确认移动过程中还需要应对不可预先穷举的变化，才继续论证更强的具身能力。

五、任务选对了，还要过端侧资源这一关

场景适合，并不意味着设备装得下、跑得动、能够持续运行。

IDC 在《IDC：物理AI时代来临，三大计算平台助力具身智能落地》中明确列出，端侧算力、功耗和体积限制，会影响具身模型的高效运行，以及实时感知、决策与执行闭环的实现。

因此，立项不应只写“支持端侧部署”，而要把它拆成可验证条件。

算力：评估完整任务，不只看单项推理

建议验证感知、判断与动作执行同时运行时，是否仍能满足任务要求，而不是只记录一个模型单独运行时的表现。

验收项可以包括：任务完成时间、关键事件响应时间、运行过程中的资源占用，以及超出能力范围时是否正确转人工。具体阈值应由现场需求确定，不宜套用没有依据的通用数字。

功耗：按任务周期检查，而不是只看演示片段

建议把移动、驻留观测、计算和设备操作纳入同一任务周期，检查能源预算能否覆盖计划中的工作。

短时完成一个动作，只能证明该动作在相应条件下可执行，不能替代完整巡检周期的验证。

体积：把部署空间写进需求

计算设备、供电、散热和传感器都应纳入本体空间评审。

对于狭窄通道或受限安装位置，建议先确认设备能否进入、转向、停靠和退出，再讨论是否增加算力。不能把空间约束留到采购之后才处理。

通信：明确失联时的职责边界

不要默认云端能够随时响应。

需求书应明确：网络不可用时，哪些功能继续执行，哪些功能暂停，以及设备是原地等待、停止任务还是按预定条件退回。这些属于需要验证的项目要求，不是现有能力的默认承诺。

六、如何做一个不被演示效果带偏的试点？

建议从一个边界清楚、价值明确的巡检子任务开始，并保留传统自动化方案作为对照候选。

试点至少回答四个问题：

1. 为什么固定传感器、摄像头或规则流程不够用？
2. 新增能力具体解决了哪个未被覆盖的任务分支？
3. 当目标被遮挡、路径变化或系统不确定时，会发生什么？
4. 端侧资源受限时，任务是否仍满足既定要求？

同时，把测试结果分开记录：

• 完成了哪些正常任务；
• 处理了哪些预先定义的变化；
• 哪些情况需要人工接管；
• 哪些情况尚未覆盖。

这样才能避免用“成功完成一次巡检”，替代对任务适用边界的说明。

七、适用范围与局限：清单能筛方向，不能替代现场验收

本文的筛选方法适用于工业巡检项目的前期需求澄清、方案比较和试点范围确定，不是具体设备的性能评估，也不能替代涉及危险操作的安全审查。

还需要保留几个边界：

• 环境多变，只说明需要适应能力，不代表任意机器人都能适应。
• 具有高危属性，只说明值得评估减少人员暴露的方案，不代表可以直接放开自主操作。
• 公开应用案例，只能证明报道中的任务方向，不能代替本项目验收。
• 演示能够完成，不等于长期运行、异常处理和资源约束已经得到验证。

IDC 的上述资料还将泛化能力不足、数据稀缺与高成本列为挑战。因此，不能因为一个系统在某条路线表现符合要求，就默认它能迁移到另一种环境、任务或硬件本体。

结语：值得引入的不是“机器人”，而是缺失的能力

工业巡检是否需要具身机器人，可以归结为三个问题：

流程能不能固定？环境变化会不会改变行动？任务是否必须依靠实时感知和灵活决策才能完成？

如果传统自动化已经能够覆盖需求，就没有必要为了技术标签增加复杂度。

如果现场存在明确、持续的能力缺口，而且这个缺口确实需要机器理解环境、调整行动，再进一步检查端侧算力、功耗、体积和失败处理是否可行。

选型的起点不应该是“我们要上一台什么机器人”，而应该是：

这项巡检任务，还有哪一步无法被现有方案可靠地完成？

先把这一步说清楚，物理 AI 才有值得进入现场的理由。

参考资料

以下链接为本文使用的公开资料。事实依据与检索摘录保存在本地记录中；资料内容与适用范围以原始页面为准。

• IDC：物理AI时代来临，三大计算平台助力具身智能落地
• 物理人工智能，加速走进现实世界-新华网