传统自动化方案的本质，是把人类的知识硬塞进机器人系统里，通过编程实现批量化的自动处理。于是，我们看到了计算机视觉和机器人控制领域的各种任务——比如一个完整的抓取分拣操作，背后可能涉及3D感知、配准、点云分割、抓取点估计、任务重排、规划、2D校准……这些技术点靠着强大的工业软件耦合在一起，催生了工业上绝大多数应用。

这样的方案，好处很明确：有稳定的节奏，有可控的流程，但代价是什么？高昂的实施成本、极低的柔性、繁琐的换线流程——每一个都足够让甲方头痛。更要命的是，每个方案都是独一份的，缺基准、缺技术一致性，没法复用，没法规模化。所以，“解决方案”四个字，其实是整个行业的隐痛。

说到底，人类在工业流水线中早已被“物化”成最柔性的执行机构——我们观察环境、学习周围的一切，用大脑指挥身体完成复杂任务，同时在执行过程中不断更新自己的认知。这种以身体为舟、以性命为本的模式，恰恰是智能化的理想形态。而这一理念，早在1950年图灵的那篇论文里就已埋下伏笔——那就是“具身智能”。

工业机器人的智能化进程，起点正是具身智能。所谓具身智能，就是AI不再只待在云端或服务器里，而是拥有一个“身体”，需要去和真实世界打交道。这种交互不仅限于视觉上的高维特征提取，还包括听觉、嗅觉、味觉、触觉等多感官信号。通过这些交互，智能体能获得真实的物理反馈，从而学习、调整、进化。这是一个极具生命力的发展方向。

而在具体的执行层面，具身智能的典型流程是“Real to Sim”再到“Sim to Real”。大致可以这样理解：

Real to Sim
用多种感知设备和算法，尽可能把现实世界的信息还原到虚拟环境中。

Sim to Real
在虚拟环境中完成模拟和规划后，再把算法和规划应用到真实机器人上。

那么，为什么以前没有人喊“具身智能”？因为技术太复杂了，各个技术点都不成熟，玩不转。但到了2023年，很多方向已经积累到一定程度，尤其大语言模型的出现，彻底改变了语义理解和顶层规划的困局。

大语言模型的发展，为高级规划层铺平了道路

ChatGPT证明了大语言模型具备不俗的综合思考、逻辑能力和数理能力。越来越多的研究开始确认，大语言模型作为机器人上层的逻辑规划器，确实大有希望。它一举打破了传统机器人系统“不智能”的硬伤。尤其值得关注的是，Chain of Thought配合LLMs的最新研究表明，通用AGI似乎已经不是遥不可及的东西了。

多模态模型的发展

Transformer等结构催生了多模态模型，为统一图像、行为理解、语音、动作等不同模态提供了技术底座。2023年3月6日，谷歌和德国林工业大学联合团队公布了史上最大的视觉语言模型PaLM-E。这种模型让机器人能通过图片“理解”现场状况，并根据文字指令完成任务。

CVPR 2023的最佳论文UniAD，实现了端到端地处理多个自动驾驶任务，并达成全局最优化。这意味着模型可以统一理解所有关键信息并做出决策——这对于工业应用来说，是极具示范意义的。

NeRF-based模型的发展，为2D感知和重建提供了丰富手段

NeRF（神经辐射场）最初在2020年ECCV上作为最佳论文提出，它的概念很有碘伏性——只用2D的图像作为监督，就能表示复杂的三维场景。NeRF的出现，彻底改变了传统“用2D去估计3D”的路线。基于NeRF的SLAM工作、重建工作都获得了极大发展。

NeRF-based SLAM技术在稠密建图导航中大放异彩，以NICE-SLAM为代表的模型在精度上取得了长足进步。CVPR 2023上的UniSim更是推出了一种高度逼真、可闭环测试、可扩展的仿真框架——只需要采集一次数据，就能重建并完成仿真测试。

微亿智造如何塑造其技术路线，朝向工业智能化发展？

基于当前这些技术进展，微亿智造给出了一个独特的工业智能机器人渐进式路线：以“眼、手、脑、云”为核心技术架构，聚焦可累积数据的场景和通用关键技术，打造虚实结合的应用产品，一步步实现机器人智能化。

“眼”指的是自研的图像感知技术与可组合光学成像系统；“手”是机器人的智能控制，所有技术最终都靠“手”落地；“脑”是多任务学习和小样本训练，专门针对离散制造需求设计；“云”则是一个既为“脑”提供算力支撑，又能链接政府与企业的平台。

不妨拆解一下微亿智造去年年底推出的数字化产品——“工小匠”，看看它是怎么践行这个理念的。

针对碎片化的缺陷检测工艺，建立统一的硬件载体和软件系统

传统的外观缺陷工作，分光、机、电、算、软五个部分。每部分的技术经验和工作流都散落在不同的环节里。比如，只要用到机械臂，所有程序都困在机械臂厂家定义的软件空间里；角度、打光方案、算法效果无从记录，也就谈不上改进。微亿智造把机台标准化、集成化，用一体式的方式完成从方案到实施的全过程，将所有技术环节串在一起。这一“统一工程化”带来的好处有三：一、可改进；二、可量化；三、缩短了闭环的回路长度。

全栈自研算法加持，加速实现全链条应用落地

“工小匠”集成了运动控制算法、缺陷检测算法和光学智能推荐算法，加速全链条的应用效率。运动控制方面，自研六轴机械臂位姿计算与三阶约束的最优时间轨迹规划，稳定快速地解算最优路径。缺陷检测方面，基于知识注入和缺陷生成的系统，在数据输入后能迅速生成模型方案，实际产线验证可以在两周内达到检测标准。光学方案方面，系统内集成了智能推荐，同时不断把经验注入模型，实现光学智能调试——这是专机系统永远做不到的持续迭代。这套算法体系保证了速度、上线周期、迭代能力的全面优势。

践行Real to Sim、Sim to Real的理念

在“工小匠”产品中，微亿智造操作的对象是工件。工件的拍照点位、光学方案统统可以在数字空间中设置、分析、优化。优化后，用户只需通过硬件机台去执行，而不必关心机台到底是什么。这为数据和工艺的记录铺平了道路，扩展性和便利性也达到了前所未有的高度。举个例子：换工装，不需要再调试机械臂；复制100台，也不需要逐一调试每个机械臂——机台系统会自己适应对象。这就是具身智能的力量——让机器自己思考“怎么执行”。

同样的思路，也适用于其他工艺环节——缺陷检测、尺寸量测、打磨、涂胶，统统可以遵循相同的理念和系统，从而让整个工业现场变得可优化、可进化。纵观工业智能的发展，它的速度之所以远落后于消费端，根本原因就是基础工艺元素没被很好地数字化。而微亿智造用“眼、手、脑、云”的架构，把整个机器人工艺链条全部数字化，在产线上与AI协同进化。可以预见，这些工艺的迭代速度，将会迎来前所未有的提升。

现在，感知、认知、控制等技术都已飞速发展，实现工业智能化的要素正在逐渐齐备。微亿智造这样的公司，正是推动这个进程的排头兵。期待这场大潮早日漫灌整个工业体系。