Physical AI 时代来临：边缘计算筑基，智能体串联，破解工业落地难题

7 月 2 日，2026 研华工业 AI 生态伙伴峰会在苏州盛大召开，大会以“边缘智算·共创未来”为核心议题。此次盛会集结了近 600 位生态合作伙伴，通过主旨演讲、两场圆桌论坛、四大产业分论坛及成果展示，聚焦智能制造、智慧能源、机器人、智能装备与智慧城市等场景下的 AI 落地实践。

值得关注的是，相较于以往对模型参数量、算法能力及算力规模的探讨，本次峰会更频繁地聚焦于另一类议题：AI 如何深入真实设备与生产流程？怎样构建从感知到执行的完整闭环？又该如何将单个 POC 项目复制到更多生产线和工厂？

这些问题的提出，折射出工业 AI 关注重心的整体转移。

八年前，研华在苏州举办物联网共创峰会时，核心议题仍是工业互联网，重点在于如何实现设备、系统与数据的互联互通；八年后，产业命题已从单纯的“连接”深化为“智能与自主”。研华（中国）总经理罗焕城在致辞中提出了核心论断：工业 AI 正经历从机器学习、生成式 AI，到 AI Agent，最终迈向 Physical AI 的持续演进。随着 AI 逐步获得自主感知、决策及执行能力，产业正从数字智能向物理世界跨越，工业现场也将迈入自主决策的新纪元。

Physical AI 并非对既有工业 AI 的否定，而是其能力边界的进一步拓展。传统工业 AI 主要承担识别、预测、分析与建议职能；生成式 AI 和大模型增强了机器对知识、语言及复杂信息的理解；AI Agent 则具备了任务拆解、工具调用与流程调度能力；当这些能力与传感器、机器人、控制器及工业软件深度融合，AI 便正式从数字世界步入物理世界。

换言之，Physical AI 的关键不在于让机器“更聪明”，而在于让其“更懂现场”——深入理解设备状态、工艺流程、环境变动及安全规范，并将数字世界的判断转化为物理世界的行动。

机器人是这一趋势最直观的载体。30 年前，机械臂的核心使命是替代重复劳动、提升效率；如今，AMR、AGV、协作机器人乃至人形机器人，需同时处理视觉、语音、雷达、导航、运动控制等多模态信息，并在动态环境中完成规划、避障与任务执行。从机器人、医疗影像、智慧交通到能源管理等应用来看，在边缘 AI 能力的支撑下，Physical AI 已不再仅是面向未来的概念，而是正逐步进入产业实践。它更像是工业 AI 从辅助决策迈向自主协同的必然结果。

然而，要让感知、推理与执行真正串联成闭环，仅有模型是远远不够的。AI 需要理解任务、调用工具并协调多个系统，这正是 AI Agent 在工业现场所扮演的角色。

如果说 Physical AI 指明了工业 AI 进军物理世界的方向，那么 AI Agent 则是连接任务、工具与流程的协同中枢。

在消费与办公场景中，Agent 通常被视为能对话、检索资料或代用户完成任务的助手。但在工业现场，Agent 面对的是设备、系统、工艺及组织流程，其核心任务并非“回答问题”，而是理解目标、拆解任务、调用工具、协调多系统，并依据现场反馈持续调整。

研华给出的解决方案是「AI Factory Brain」，描绘了多智能体协同融入工厂运营流程的路径：通过不同专业 Agent 间的任务联动，推动工厂从规则驱动的传统自动化，迈向具备持续优化能力的自适应系统。例如，当质量 Agent 发现异常，它不仅生成报告，还可联动工程 Agent 分析工艺成因，通知排程 Agent 研判是否调整生产计划，再由能源 Agent 根据产能变化重新优化负荷。原本分散在各系统中的数据与动作，经由多个专业 Agent 协同整合，形成跨系统的业务闭环。其价值更多不在于替代某一岗位，而在于连接原本割裂的数据、系统与部门。

因此，AI Agent 真正的产业价值，不在于制作更多炫目的 Demo，而在于将行业经验沉淀为可复用的技能、软件组件及标准产品，让智能能力深入真实流程，并实现持续交付。

对于工业 Agent 而言，能否回答问题仅是起点，真正的考验在于其是否具备明确的权限边界、可信的数据依据以及可审计的执行过程。而这些权限、数据与执行的约束能否在毫秒级内完成，取决于智能运行的层级——这将问题引向了边缘。

Physical AI 若要进入产业现场，不能仅依赖云端大模型。

工业场景存在一系列“硬约束”：机器人和产线需要低延迟响应，生产数据涉及安全与隐私，网络环境并非始终稳定，设备还需长期连续运行。与此同时，现场分布着大量摄像头、传感器、PLC、控制器、MES、WMS 和 SCADA 系统，协议、芯片和数据结构高度异构。若所有数据均上传云端再等待返回，许多场景将难以满足实时性、稳定性与安全要求。

因此，数据在何处产生，智能便应更贴近何处发生。Edge AI 的意义不仅在于将算力从云端迁移至现场，更在于让设备在本地完成实时感知、推理与反馈，确保敏感数据无需全部离开工厂，并使系统在弱网甚至断网环境下仍能保持基本运行。

围绕这一需求，研华在峰会上展示了从 Edge AI 加速模组、Edge AI 一体机到 Edge AI Server 的多层硬件架构。

支撑这套硬件的是 WEDA（WISE-Edge Developer Architecture）边缘智能开发者架构。作为容器化的开发与运行环境，WEDA 通过统一接口、MCP 与 AI Skills，助力开发者降低 Edge AI 开发与部署门槛，更高效地将模型部署至制造、能源、医疗及城市等产业场景。

现场圆桌还勾勒出一个“仿真—训练—推理”的闭环：首先借助数字孪生和虚拟环境生成并验证场景，再利用训练系统优化模型，最终将模型部署至边缘设备和机器人上运行；真实现场产生的新数据，又反向注入仿真和训练环节，形成持续迭代。这套“从虚拟到现实、再由现实反哺”的机制，能大幅降低实体设备的试错与研发成本。

云端大模型擅长通用知识与复杂推理，边缘侧则负责实时响应、设备连接及执行确定性。两者并非替代关系，而是云边协同。

如果说云边协同解决了 AI 如何进入现场的问题，那么接下来更具挑战的一步，是如何让同一套能力在不同设备、产线和工厂中稳定复制。

对工业 AI 而言，做出一个 Demo 并非难事，难的是将其复制到一百条产线。

POC 阶段往往边界清晰：数据源自少量设备，环境相对固定，系统可依赖人工维护。但一旦进入规模化部署，相机、传感器、芯片、SDK、接口协议、光照条件、物料及生产节拍均可能发生变化，同样一套方案换个工厂便可能需要重新适配。

工业 AI 长期存在“单点有效、复制困难”的痛点，其根源未必是模型准确率不足，而是设备接入、数据治理、系统集成、行业知识与后期运维尚未形成标准化能力。正因如此，工业 AI 规模化的真正分水岭，往往不在于模型准确率能否从 98% 提升至 99%，而在于方案能否跨设备、跨工厂和跨区域稳定复制。

正是围绕可复制性这一命题，研华强调了平台化与生态协作的路径。研华提供硬件、开发平台与基础软件，算法企业、系统集成商及行业伙伴则补充专业知识、技能与解决方案。研华董事长刘克振在现场引用 AI“五层蛋糕”框架，将产业链划分为能源、芯片、基础设施、模型和应用，并明确提出，研华希望联合伙伴重点发展工业 AI 应用层。峰会中的食品制造、电子制造、能源管理和智慧空间案例也表明，真正有价值的方案源自平台企业、行业伙伴与终端用户的长期共创。

在 AI 时代，工业生态不再仅仅是销售渠道，而是技术、数据、行业知识和场景经验的共同生产机制。Physical AI 涉及芯片、计算硬件、传感器、工业软件、模型、系统集成和终端用户，任何一家企业都难以独立完成全链路。

纵观这场峰会，可以清晰地看到三个产业判断：

Physical AI 并非对既有工业 AI 的推翻，而是在机器视觉、设备运维、数字孪生和工业软件之上，进一步叠加理解、决策与执行能力；

AI Agent 与 Edge AI 缺一不可，前者承担任务理解与流程协调，后者负责实时感知、本地推理与设备连接；

而工业 AI 下一阶段的竞争焦点，将从单点技术能力转向工程化与规模复制。

正如研华董事长刘克振所言：“进入 AI 时代，产业发展的重点正逐步转向平台化能力与生态协同。研华将持续携手全球伙伴，共同推动工业 AI 在更多产业场景实现规模化落地。”

工业 AI 的讨论正在脱离单纯的模型参数竞赛。产业真正需要的，不只是一个能生成内容或识别异常的模型，而是一套可进入设备、融入流程、接受约束，并在不同现场稳定运行的系统能力。

从这个视角看，Physical AI 指明了方向，Edge AI 夯实了现场基础，AI Agent 串联了业务流程，而平台化与生态协同，则决定了这些能力最终能否走向规模化应用。