编者按：人工智能（AI）与制造业的深度融合已成为产业升级的关键推动力量。然而，关于“人工智能+制造”（AI+制造）的切口、应用场景，看法多元、路径不一，这虽然体现了行业探索的活跃度，却也让制造业主体在智能化升级中面临选择困惑与实施难题。《中国工业报》“人工智能+制造”核心主线大型策划报道旨在通过深入采访，剖析“人工智能+制造”的发展难题，通过梳理政策重点、挖掘实践案例、比较产品方案，探寻“人工智能+制造”主要路径、典型场景，提炼“核心主线”。同时，推动理论研究、企业需求与产业供给的有效对接，促进“人工智能+制造”高效落地，加快推进新型工业化。

海康机器人重要观点

第一，制造业迈向AI深度融合与普惠应用的新阶段。AI已超越解决单点痛点的工具属性，开始深入生产核心流程，驱动从单机智能到整线协同、从感知检测到决策优化的系统性变革。

第二，“AI+制造”落地的最大挑战在于Open（开放）层面。AI要发挥从单点优化到全局协同的价值，必须形成跨系统、标准化的高质量数据。

第三，针对“具身智能进厂”，99.9%的稳定可靠比99%智能更重要。一切智能能力都必须建立在经过验证的可靠落地基石之上，而非追求实验室环境下的技术超前，需要通过“精准”与“通用”并举的举措，稳步推动具身智能的规模化商用。

第四，安全可信并非某一家企业的局部需求，而是整个产业生态必须共同应对的系统性命题，是决定行业长远韧性的关键所在。

2026年，“人工智能+制造”呈现出场景深化、系统自主、生态整合三大特征，成为制造业数智化转型的核心驱动力。部分工业智能体实现自然语言交互、实时决策与自主优化，推动制造系统迈向认知驱动。一批“领航级智能工厂”“卓越级智能工厂”AI含量远超20%，标志着AI在复杂制造中实现规模化落地与系统融合，从产线“单点”走向全链“系统”。本期“人工智能+制造”核心主线报道对话杭州海康机器人股份有限公司（简称“海康机器人”）——看AI如何从“看懂”世界到“驱动”生产。

海康机器人的重要探索：源于现场，成于战略

《中国工业报》：海康机器人的核心产品体系中，哪些已深度融合AI技术？具体应用了哪些AI技术？为何选择这些产品先与AI进行融合？

海康机器人：海康机器人以“智慧融合，眼脚手协同”作为核心战略，致力于将前沿AI技术系统性地融入产品创新，打造机器视觉（眼）、移动机器人（脚）、关节机器人（手）三大核心行业级产品。如今，这三条产品线均已完成了与AI的深度、原生级融合，并在复杂工业场景中形成了扎实的系统化落地能力与明确价值闭环。

在机器视觉产品中，我们已将深度学习模型深度集成于VM平台（Vision Master，简称VM，是海康机器人机器视觉算法平台），攻克复杂缺陷、模糊字符等非结构化场景检测难点，并以在线学习能力实现检测精度的自主进化。

在关节机器人方向，我们采用智能驱控一体设计，融合强实时系统与迭代学习优化算法，基于任务自主优化运动控制策略，实现更灵活、更具环境适应力的动态响应；通过视控一体架构，机器人系统将视觉与运动控制深度融合，免除了传统手眼标定及方案搭建的复杂流程，实现了开箱即用的定位引导能力，大幅简化部署环节、提升系统集成效率，同时，Robotpilot（RP）机器人引导平台基于RGB-D（深度图像）多模态融合和预置超级模型，集成机器人操作，实现复杂分拣、精密装配的高精度定位，机器人融合视觉系统，可以实时感知环境变化，自主决策路径规划，具备更强的柔性生产能力。

为应对动态复杂的移动机器人调度，海康机器人自研的RCS（Remote Control System，RCS）控制系统融合深度学习技术：在任务分配层，通过多目标优化模型实现秒级全局决策；在路径规划层，引入LSTM（长短期记忆神经网络）时序预测网络，基于历史数据预判未来交通流，将避障从“被动响应”升级为“主动预判”。由此，系统支撑千台级AMR（自主移动机器人系统）群体协同与亚秒级任务匹配，满足现代物流对柔性、效率与可靠性的极致要求。

《中国工业报》：核心产品融合AI过程中面临过哪些核心挑战？是怎么解决的？

海康机器人：我们智能视觉产品线的演进，即是一场将前沿AI技术与深厚工业场景逐步融合、持续深化的长征。

回顾来看，在2016至2018年的算法积淀时期，工业现场最大的呼声是“稳定”与“易用”，客户需要一套可靠的工具来替代日益昂贵和不稳定的人工判断。为此，我们系统性地打造了VM算法平台，将复杂的图像处理能力封装为图形化的模块。这个阶段，我们重点攻克的是工业级算法的可靠性与工程化应用难题，为后续的智能化打下了坚实“地基”。

随着产业升级，需求从“看得清”转向“看得懂”。2019至2023年，我们进入了以AI重新定义产品的阶段。以读码产品为例，传统读码器在复杂、模糊的印刷场景下遇到瓶颈，客户对识别率与适应性提出了近乎苛刻的要求。我们果断将深度学习技术深度融入，推出了AI读码器系列产品。这一阶段的关键挑战是如何将强大的AI能力“塞进”紧凑的工业硬件中，并确保其在实际产线上的高鲁棒性。我们用海量的真实数据反复训练和优化模型，最终实现了识别能力的质的飞跃，也重新树立了行业标准。

2024年之后则是迈向AI深度融合与普惠应用的新阶段。当前客户的痛点愈发复杂和分散，他们不仅需要单一的检测工具，更渴望开箱即用、能自主进化的智能系统。因此，我们将AI能力全面注入VM和智能相机等软硬件产品，并结合在线学习等功能，打造“越用越聪明”的感知节点。这一阶段的挑战在于如何降低AI的使用门槛，并让其灵活适配千行百业的长尾需求。我们的关键举措是构建更开放的生态和更易用的工具链，让客户能基于我们的平台快速开发属于自己的“专家模型”，真正实现智能的普惠。现如今，VM算法平台已广泛应用于各类工业现场——在中国，每五到七套工业视觉系统中，就有一套运行着VM的内核。

《中国工业报》：这种AI融合是主要由客户需求主导，还是海康机器人的企业战略及技术迭代推动？

海康机器人：我们的AI能力发展是由客户现场的实际需求与企业前瞻性的技术战略共同驱动，是“源于现场，成于战略”的双向互动：一方面是来自客户解决现实痛点的迫切需求（如人工检测效率低、复杂场景识别难），另一方面也源于企业对工业智能化趋势的预判与技术平台的持续迭代。两者相互促进，形成了“需求牵引研发，技术反哺场景”的良性循环。

以医用手套检测为例，面向“质量即生命”的严苛标准、高温高湿的生产环境以及每分钟超220只的高速产线，海康机器人进行了深度定制开发。通过优化深度学习分割算法来精准定位透明（PVC）与不透明（丁腈）手套的轮廓，并创新融合深度学习目标检测与传统Blob分析（Blob Analysis，一种在图像处理和计算机视觉中常用的分析方法，主要用于检测和分析图像中的连通区域），解决了油污、杂质、裂纹等多样缺陷在高速下的检出难题，实现了全自动、高精度的可追溯检测。

同样，在光伏行业，AI必须学会处理高反光玻璃的复杂纹理；在锂电行业，则针对极片涂布、辊压等工艺中产生的微米级瑕疵，强化了AI模型的细节捕捉能力。目前，相关方案已广泛服务于物流、汽车、3C电子、光伏、锂电以及医疗等多个工业领域。针对不同行业的特性，产品的AI功能会进行深度的针对性调整，以满足“千行千面”的差异化需求。我们相信，真正的工业智能，始于对行业的敬畏，成于对场景的深耕。

《中国工业报》：请详细介绍“AI+制造”代表性项目，包括项目的技术创新点、可量化价值。

海康机器人：可以百威啤酒和重庆长安汽车为例。

百威啤酒作为食品行业巨头，面临的核心痛点是必须确保绝对的质量安全与可追溯性。传统抽检模式无法覆盖所有产品，存在漏检风险。为此，海康机器人与百威啤酒联合成立技术应用研发中心，将高精度AI视觉系统深度融入灌装、封盖等核心工艺环节。通过深度学习算法对瓶盖缺陷、液位异常等进行实时分析，将质检防线从“概率抽检”升级为“100%全检”，并构建了完整的数据化追溯体系。更关键的是，项目在实现全检的同时，综合成本得到显著优化，为啤酒饮料行业的智能化升级树立了高性价比标杆。

重庆长安汽车在新能源转型中，面临零部件种类激增、生产节奏日益柔性的挑战，传统物流配送与人工质检成为制约效率的瓶颈。重庆长安选择与海康机器人共同创立AI联合创新中心，对仓储、配送、质检进行全链路重塑。

在智能仓储中，通过高清摄像头与深度学习算法自动识别零件外观特征（形状、颜色、二维码），实现“货到人”精准分拣，分拣效率提升至800件/小时，错误率降至0.1%以下。

在生产追溯中，通过AI调度系统实时对接MES数据，动态分析物料消耗，自动调整机器人配送优先级，配送响应时间从分钟级缩短至秒级，换型时间从4小时压缩至30分钟，支撑长安新能源工厂“24小时连续生产”。

在AI质检中，通过“AI视觉+机器人”方案，基于深度学习的缺陷分类模型对刹车片裂纹、轴承磕碰等微小缺陷进行全检，检测精度达99.9%，有效保障了新能源产品的质量稳定性。

重要见解：“AI+制造”迈入“系统重构”的关键跃升期

《中国工业报》：您认为当前制造业“AI+”处于什么发展阶段？为什么？

海康机器人：我们认为，当前制造业“AI+”正处于从“技术试点”迈入“系统重构”的关键跃升期。AI已超越解决单点痛点的工具属性，开始深入生产核心流程，驱动从单机智能到整线协同、从感知检测到决策优化的系统性变革。

一方面，政策导向已从鼓励探索转向规模化推广与深度融合。“人工智能+”行动的核心是推动AI与实体经济各环节的深度融合与规模化应用，其目标已超越早期的技术验证，指向构建全流程智能化的新型生产力。这为行业从局部试点走向全局优化提供了顶层设计和支持。

另一方面，客户需求正从“点”延伸至“线”与“面”。从海康机器人服务的客户反馈来看，需求正从“替代人眼”的单点质检（如检测瑕疵），全面升级为“感知-决策-执行”的闭环系统。例如，在3C、锂电与光伏行业，客户不仅要求AI进行缺陷检测，更要求其能根据检测结果反向优化工艺参数；在物流领域，需求进化为多品种、小批量的实时响应式调度以及立体仓储空间利用率提升，需要在调度算法与仓储架构上进行全面升级，以实现全局效率最优。这标志着行业核心矛盾已从“有无技术”转变为“如何将技术与复杂工业系统深度耦合，实现整体价值最优”。

《中国工业报》：从技术维度看，“AI+制造”落地的最大挑战在是什么？

海康机器人：从技术维度看，“AI+制造”落地的最大挑战在于Open（开放）层面。制造业中大量异构设备和系统（如不同年代的自动化设备、OT系统与IT系统）相互封闭，形成严重的“数据孤岛”。AI要发挥从单点优化到全局协同的价值，必须形成跨系统、标准化的高质量数据，但现有系统的封闭性导致数据无法有效流通与融合，使得AI难以获取“养料”，成为制约其深度落地的首要瓶颈。

我们通过分层开放策略突破这一挑战：

面向大型企业：提供开放的RCS机器人控制系统和iWMS智能仓储管理平台，支持二次开发及与MES、ERP等现有系统的深度对接，将分散的数据转化为可关联、可分析的数据资产，为全局优化（如全厂调度、供应链协同）奠定基础。

面向中小企业：推出“开箱即用”的EasyAMR与控制器集成套件，我们通过沉淀海量项目经验形成可复用的预设场景并深度优化操作系统，以无需开发的简易配置大幅降低技术集成与成本门槛，帮助其快速实现自动化与初步数据互联。

例如，在重庆长安汽车的合作中，核心举措正是打通数据孤岛——将AI调度系统与MES实时对接，动态分析生产线物料消耗数据，从而实现对AMR机器人的精准调度。这一开放集成不仅将配送响应时间从分钟级缩短至秒级，更支撑了多品种、小批量柔性生产，验证了开放体系对AI价值释放的关键作用。

《中国工业报》：企业的AI需求发生了哪些深刻变化？

海康机器人：企业的AI需求正在向自主化深刻演进。

机器视觉：需求从“看见”升级为“看懂”。客户不再满足于常规的图像采集与特征测量，而是要求产品能理解复杂场景（如模糊字符、多样化缺陷），并具备深度学习、在线学习等能力，实现检测模型的持续自我优化。

工业机器人：需求从“轨迹规划”升级为“自主学习”。客户期望机器人能根据环境变化动态调整动作，通过强化学习、决策优化等AI技术，在复杂装配、柔性搬运等场景中实现自主决策与精准执行。

针对这些需求，AI融合路径需从“功能增强”走向“原生智能”：不能仅在传统产品上简单叠加AI模块，而应从底层架构上构建一个“标准化平台+可配置AI能力+开放生态”的弹性体系。

标准化平台：打造稳定、通用的基础软硬件平台（如统一的控制器架构、核心算法库），确保产品的基本性能和可靠性，为规模化生产奠定基础。

可配置AI能力：将AI能力模块化、原子化（如缺陷检测模型、路径规划算法、视觉识别组件），客户根据自身场景需求，像搭积木一样灵活组合，实现快速适配。

开放生态：提供开放的接口与开发工具，允许客户或生态伙伴注入行业知识，训练专属模型，满足深度的个性化需求。

通过这一体系，海康机器人有效平衡了标准化生产与个性化需求：标准化的底座保证了产品的规模效应与质量一致性，而可配置的AI能力与开放生态则让定制化智能得以低成本、高效率地实现，最终形成“标准化的平台，定制化的智能”的解决方案。

《中国工业报》：制造业当前及未来3-5年“AI+制造”的核心主线（典型场景）是什么，为什么？

海康机器人：制造业当前及未来3-5年“AI+制造”的核心主线，正从“单点提效”向“全局优化”与“自主协同”演进。制造业的核心矛盾已不再是单一环节的效率瓶颈，而是多品种、小批量、高柔性生产模式下，如何实现全流程的动态最优匹配。

在商业流通、3C电子、新能源等领域，订单愈发碎片化、个性化，人工处理订单、换产调度、异常响应已成为效率的“隐形杀手”。单纯提升某个质检工位或搬运环节的效率，已无法解决产线间协同不畅、库存积压、响应滞后等系统性问题。因此，AI必须从“点”上的工具，升级为连接“线”与“面”的智能中枢，驱动从局部最优走向全局最优。这条主线的推进，将带来三重影响：

生产方式重构：从刚性自动化产线，转向可重构、自适应的柔性制造系统，使“千品千线”成为可能。

价值重心转移：制造企业的核心竞争力，将从“设备产能”转向“数据洞察与算法决策”的智能化运营能力。

产业形态进化：通过全局协同，打破工厂围墙，实现制造资源的社会化配置，为“共享制造”奠定基础。

《中国工业报》：“AI+制造”下一步深化应用的障碍是什么，为什么？

海康机器人：成本、技术成熟度、人才短缺、行业标准缺失等障碍相互交织，共同制约着AI在制造业的规模化落地。

第一，技术成熟度与场景适配的差距。前沿AI技术（包括具身智能）在实验室中表现优异，但在工业现场的复杂工况下，其可靠性与泛化能力仍存在差距。例如，深度学习模型对光照变化、产品混线生产等场景适应性不足；具身智能机器人在面对动态环境中的未预定义物体或突发干扰时，决策稳定性与实时响应能力仍有待提升。

我们建议从单点切入，小步快跑：优先选择场景清晰、数据易得、回报可量化的环节（如关键工序质检、核心物流节点）进行试点，验证价值后再逐步扩展。

第二，数据孤岛与低质量数据并存。企业内部不同年代、不同供应商的设备系统相互封闭，OT与IT数据难以打通；同时，高质量标注数据获取成本高、大量数据处于“沉睡”状态，无法支撑全局优化。对此，企业应主动打破数据孤岛，建立统一的数据标准与接口。

第三，高昂的试错成本与模糊的投资回报。AI改造投入大，收益难以短期量化，尤其中小企业“想转不敢转”，试错成本过高制约普及。充分利用数字孪生与仿真技术，在虚拟环境中验证方案，可降低实际调试风险。

第四，复合型人才极度稀缺。既懂制造工艺又懂AI算法的复合型人才匮乏，企业过度依赖外部，难以形成自主迭代能力。企业可通过联合实验室、技能竞赛、定向培训等方式培养内部团队。

具身智能进厂：稳定可靠是智能的基石

《中国工业报》：面对“具身智能进厂”这一未来工业智能化转型的重要方向，海康机器人如何平衡这一新兴技术的不确定性与工业级绝对可靠性的要求？

海康机器人：面对“具身智能进厂”这一趋势，我们的核心原则是：将99.9%的稳定可靠置于99%的智能之上。一切智能能力都必须建立在经过验证的可靠落地基石之上，而非追求实验室环境下的技术超前。基于这一原则，我们通过“精准”与“通用”并举的举措，稳步推动具身智能的规模化商用。

一是定向场景的精准封装，实现确定性价值复用。在仓储分拣、精密装配等深度理解的场景中，将经过海量项目验证的视觉识别、自主导航与智能抓取算法，封装为高可靠的标准化功能模块。这些模块不追求无限的通用性，而是聚焦于特定任务的精准执行，使过往经验转化为可快速复用的确定性价值，确保批量部署的稳定性。

二是通用能力的开放锚定，通过生态迭代逼近可靠。面对复杂多元的长尾场景，我们依托于自有制造场景中积累的千万级工业图像与机器人运行数据，预训练形成“工业常识”基础模型，确保算法具备良好的泛化起点。同时，通过开放平台吸引生态伙伴注入细分行业知识，在真实的协作应用中持续优化模型，让前沿智能在具体场景的反复锤炼中逐步收敛至工业级可靠。

《中国工业报》：具身智能是“人机协作”模式的重构。当机器“觉醒”，人在未来工厂中的角色会如何演变？未来工厂的核心是机器，还是人？

海康机器人：当具身智能进入工厂，人机协作模式正从“人操作机器”向“人与机器共同进化”重构。人的角色并非被削弱，而是实现了一次关键的价值跃迁：从重复劳动的执行者，转变为生产流程的设计者、智能系统的管理者和工艺创新的决策者。具体而言，人在未来工厂中的核心职责将聚焦于三个层面：

一是设计协作规则：定义人与机器的交互界面、任务分工与安全边界；二是管理智能系统：维护、优化机器人集群的运行，处理机器无法应对的复杂异常；三是基于数据决策：利用具身智能提供的全局实时洞察，进行工艺改进、质量溯源与战略层面的创新。

而机器的核心使命，则是以绝对的可靠性，将人从繁重、危险甚至人力难及的工作中解放出来——用不知疲倦的精准完成高一致性任务，用智能感知构筑物理安全屏障。

因此，未来工厂的核心即是人与智能机器深度协同的“共生体”。这一共生关系的本质在于：机器更擅长“做事”，让人能更专注于“谋事”与“创事”。正如汽车取代马车后，并未让“车夫”消失，反而催生了更庞大的汽车产业链，让更多人成为司机、工程师与出行服务者——技术替代的是落后的工具，而非人的价值。

最终，具身智能的价值落脚点并非“无人化”，而是通过人机能力的互补，让劳动者从重复的执行者升级为决策的创造者，共同指向制造的本质：更优质的产品、更福祉的工人与更可持续的发展。

安全可信生态是产业的系统性命题

《中国工业报》：围绕安全可信，海康机器人有哪些思考和实践？对于构建“AI+制造”安全可信的协作生态有什么建议？

海康机器人：在“AI+制造”领域，安全可信并非某一家企业的局部需求，而是整个产业生态必须共同应对的系统性命题，是决定行业长远韧性的关键所在。

在技术自主研发方面，海康机器人从底层算法、控制器、操作系统到上层应用平台（如RCS、iWMS、Robotpilot），均构建了完整的自有技术栈，减少对单一外部技术的依赖。同时，我们积极参与国内工业互联与机器人相关标准的制定，推动技术体系的兼容与互认，为行业提供稳定、可信的技术底座。

在供应链安全方面，我们建立了多元化的供应商体系，对关键元器件实施战略备份，并与国内核心部件供应商深度合作，共同提升供应链的韧性与抗风险能力。此外，通过仿真平台与模块化设计，降低对特定硬件的依赖，确保在极端情况下仍能保障客户交付与运维。

构建“AI+制造”领域的安全可信生态，需要产业链各方协同发力：一是开放合作，共建标准，推动数据接口、安全协议的互联互通，形成互信互认的底层规范；二是联合攻关，补齐短板，针对核心算法、高端传感器等薄弱环节，通过产学研用协同创新，逐步提升自主化水平；三是分层防护，体系应对，建立从设备、网络到平台的多层级安全防护机制，形成动态防御能力；四是人才共育，生态共治，通过联合实验室、产业联盟等形式，培养既懂安全又懂制造的专业力量，共同守护产业安全。