工業機器人迎來“二次復興”

2026年1月23日，世界頂級投行盛博（Bernstein）的一份報告在工業自動化領域投下一枚深水炸彈：工業機器人行業正迎來“第二次復興”。

報告預測，未來十年全球工業機器人出貨量年復合增長率將高達12%。全球工業機器人正在經歷從“靈活”到“智能”的進化，而背后的推手已經不再僅僅是更強勁的電機，而是一顆會思考的“大腦”。

01

物理AI的四層生態：不只是“更聰明”

想象一下這個畫面：2020年之前的汽車工廠里，一排排橙黃色的機械臂以完美的同步性進行點焊、噴涂，每一個動作都像被編好程序的舞蹈，精準卻冰冷。

但它們無法應對一顆意外滾落的螺絲，更不會處理柔軟的線束，直到物理AI，或者說具身智能技術的出現，改變了這一切。

盛博報告清晰勾勒出行業發展的三級跳。

從1980年代開始的固定路徑階段，機器人只能完成預設的單一動作，應用場景局限于汽車點焊、車身噴涂、固定點位拾取等標準化操作；

2020年代開啟的靈活路徑規劃階段，機器人能實時調整路徑，應對變化的環境，解鎖了機床上下料、碼垛、智能焊接等新應用，成為行業“第一次復興”的核心標志；

如今我們正站在第三階段的門檻上——復雜任務規劃階段，機器人開始具備“思考”能力，能夠自主完成長序列、高靈巧度任務，能實現軟材料處理及深度人機/機機協作，開啟行業“第二次復興”。

報告發出一個明確信號：若沒有這次由物理AI驅動的“二次復興”，工業機器人行業增長將回落至個位數。

而有了它，一個持續十年以上的高速增長期正式開啟。

那么，物理AI到底是什么？

盛博報告澄清了一個關鍵誤解：物理AI不是“AI機器人”這個新品類，而是一整套圍繞機器人構建的AI生態。

這生態有四層核心結構，就像為機器人打造了一個完整的“神經系統”。

最底層是機器人本體及其數字孿生，它們是物理世界中的“身體”和虛擬世界中的“影子”。高精度的伺服電機、減速器和嵌入式控制算法構成了這套系統的基礎，確保每個動作的精準可靠。

往上走是多模態AI驅動的任務規劃軟件，這就是機器人的“大腦模型”。它能夠感知來自各種傳感器的信息，并進行推理規劃，告訴機器人下一步該做什么、怎么做。

再上一層是傳感器陣列，這是機器人的“眼睛”和“皮膚”。3D視覺相機讓機器人看清世界，觸覺和力矩傳感器讓它感知力度，這些數據是AI決策的基礎。

最頂層是“世界模型”，這是整個系統最精妙的部分。一個能夠模擬真實物理規律的數字環境，讓機器人可以在虛擬世界中無限次試錯、學習，而不必在現實生產中付出代價，基于對環境的數字化表征，該模型還能夠模擬符合真實物理規律的交互，用于多模態AI訓練、產線規劃的虛擬部署及預測性維護。

有趣的是，Bernstein報告特別強調了四個新的“認知趨勢”，直指行業對物理AI的常見誤解。

第一個真相：AI拓展功能而非顛覆硬件。物理AI的“腦模型”不會替代機器人內置的高精度運動控制算法。就像一個有經驗的老師傅，AI負責判斷“該怎么做”的高層級的路徑/任務規劃，而傳統控制算法負責“精準執行”具體運動，在六自由度空間控制中，傳統方法的精度仍然遠超AI。

第二個真相：“大腦”與“世界”分屬不同戰場。“世界模型”通過從真實數據中學習物理定律來模擬交互，特別擅長處理傳統數值方法難以應對的復雜場景，比傳統數值方法更適用于復雜形狀、未知材質物體的交互模擬，例如模擬布料折疊時的每一條褶皺。這一層級的玩家往往與機器人整機廠商不同。

第三個真相：傳感器需求將迎來爆發。沒有精細的數據輸入，再聰明的AI也是“巧婦難為無米之炊”。視覺與非視覺傳感器的精細化數據是任務規劃和“世界模型”構建的基礎，因此需求將隨著物理AI普及而呈指數級增長。

第四個真相：頭部廠商的“雙重策略”。如發那科這樣的巨頭，一方面積極向AI軟件層延伸，另一方面也在“大腦”和“世界”層級尋求外部合作。近期其宣布支持ROS2并與英偉達合作，就是這一策略的明證。

02

產業鏈的價值轉移與投資邏輯

Bernstein認為，物理AI帶來的不僅是技術變革，更是產業鏈價值分布的重構。投資機會正從單一的整機廠商，向全產業鏈擴散。

整機廠商中，那些具備核心算法自研能力又開放合作的玩家，將在新時代保持領先。僅僅依賴硬件制造的時代正在過去。

核心零部件廠商將享受行業增長的紅利，但技術壁壘決定溢價空間。高端減速器、伺服系統的供應商地位將更加穩固。

傳感器和AI軟件廠商正站在風口。它們是物理AI生態的關鍵賦能者，隨著數據需求的爆發，這個細分市場的增速可能超越整機市場本身。

盛博報告的數據還揭示了一個殘酷現實：市場已經用腳投票。技術領先的企業，往往年度市場增長率高于大盤，這意味著市場愿意為技術領先性支付溢價。

物理AI的愿景令人興奮，但從技術到應用之間橫亙著巨大的鴻溝。盛博報告也指出了其中的風險點。

首先是技術落地節奏可能不及預期。實驗室中完美的演示，到嘈雜、多變的真實車間，技術的落地往往需要數年甚至更長的適配期。

成本問題同樣關鍵。高端傳感器、AI軟件的高昂價格，可能使物理AI方案在初期只能局限于高附加值行業。

制造業自身需求才是最終的決定力量。如果宏觀經濟增長乏力，企業資本開支收縮，再先進的技術也難以快速普及。

標準化的缺失可能是最隱蔽的陷阱。不同廠商的技術標準、數據格式、接口協議如果不統一，將極大阻礙生態系統的形成和規模化應用。

03

結語與未來

盛博報告結尾處，一組對比數據意味深長：汽車行業焊接工序自動化率已接近90%，而裝配工序卻不足30%。

這個差距正是物理AI試圖彌合的核心地帶。當機器人能夠像熟練工人一樣處理線束連接、軟管安裝、精密裝配時，那剩余的70%自動化空間將被逐步打開。

物理AI帶來的不僅是技術升級，更是生產邏輯的重構。工業機器人不再僅僅是替代重復勞動的“鋼鐵手臂”，而成為能夠應對不確定性、自主決策的“智能伙伴”。

十年后回望今天，我們或許會意識到：2020年代開始的第一次復興讓機器人“會動”，而2026年前后開啟的第二次復興，才真正讓機器人“會想”。

這場工廠里變革已經開始，它不關心你是否準備好。