本次深度访谈邀请郭嵩院士团队、埃斯顿、飞渡科技三方一起交流,核心结论是想要让具身智能真正落地工厂,不能只靠大模型做文本理解,必须依靠物理 AI 补齐物理规律感知、接触交互、虚实迁移的短板,三方搭建产学研联合体,走一套 “仿真预训练、真机校准、失败案例回流仿真” 的 PAL 物理对齐学习闭环,解决长期困扰工业机器人的仿真和真机脱节、复杂接触作业不稳定、换产成本高这些痛点。传统工厂机器人大多是预先写死程序,环境稍微变动就没法正常干活,普通大模型懂语言但不懂重量、摩擦力、碰撞约束这些物理规则;郭嵩院士团队负责物理 AI 世界模型和算法框架,飞渡科技提供高保真工业仿真环境、三维重建训练场,埃斯顿提供机器人本体、运动控制和真实产线验证条件,三方分工配合,优先落地工业场景,再把成熟能力迁移到通用人形具身机器人上。
一、三方主体分工清单
- 郭嵩院士(香港科技大学,物理人工智能研究中心):负责物理 AI 理论、PAL 物理对齐学习框架、工业世界模型、接触交互算法,定义技术路线和验收标准
- 埃斯顿:提供工业机器人本体、运动控制系统、产线真机验证资源,把仿真训练模型迁移到真实机器人,面向柔性制造落地验证
- 飞渡科技:提供高保真物理仿真引擎、三维场景重建、峥嵘智构具身智能训练场,保证仿真环境动力学、接触参数和真机保持一致
- 核心闭环链路:真实产线采集数据 → 仿真环境预训练 → 真机上跑测试校准 → 失败案例回流到仿真重新迭代
二、访谈核心观点整理
郭嵩院士观点
工业场景是物理 AI 最好的试验场,不应该直接冲通用人形机器人。PAL 框架核心目标就是解决 Sim-to-Real(仿真到真机)迁移的鸿沟,AI 不光要看懂指令,还要理解物体质量、摩擦、形变、碰撞这些物理约束,依靠持续回流的失败样本,一点点对齐仿真世界和真实工厂的物理规律,先把工业底座做扎实。
埃斯顿总裁吴侃观点
物理 AI 给工厂带来的价值集中在柔性、效率、安全三点。现在多品种小批量订单越来越多,传统示教编程太慢;依托物理 AI 训练后的机器人,能够自主调整作业策略,适应工件位置偏差、物料轻微变化,埃斯顿 iER 系列机器人会作为这套方案的主要硬件载体,承接仿真训练成果落地测试。
飞渡科技董事长何文武观点
物理 AI 能不能跑起来,仿真环境的 “物理可信” 是关键。如果仿真里的物体受力、接触手感和现实不一样,训练出来的模型拿到真机上直接失效。飞渡的训练场会对接埃斯顿机器人工艺参数,同步动力学、力反馈参数,保障整个虚实闭环可以稳定循环迭代。
三、传统工业机器人方案 vs 物理 AI 驱动具身智能
| 对比项目 | 传统示教工业机器人 | 物理 AI 驱动的工业具身机器人 |
|---|---|---|
| 作业逻辑 | 提前示教、固定点位,路径写死 | 感知环境 + 物理模型推理,自主规划动作 |
| 环境容错 | 工件偏移、物料变化极易报错 | 可以容忍一定范围位置、形态偏差 |
| 换产调试 | 工程师现场重新示教,耗时久 | 仿真环境里预训练新任务,再到真机校准 |
| 对物理规则认知 | 没有认知,只执行坐标指令 | 内置世界模型,理解碰撞、摩擦、受力限制 |
| 迭代方式 | 程序改完固定,不会自主学习 | 失败案例回流仿真,持续优化策略 |
四、整套 PAL 物理对齐学习闭环步骤
- 场景建模:飞渡科技重建工厂工位三维场景,录入工件、夹具、机器人动力学参数;
- 仿真预训练:郭嵩院士团队的世界模型在仿真训练场大量试错,学习抓取、装配、打磨等接触作业;
- 真机部署校准:训练好的策略下发到埃斯顿机器人,在真实产线运行,采集力控、视觉反馈数据;
- 异常样本收集:把真机上失败、卡滞、碰撞案例标记,回传给仿真平台;
- 模型迭代更新:在仿真环境复现故障场景,重新训练对齐物理参数;
- 持续循环:反复缩小仿真世界和真实工厂之间的差异,提升机器人作业稳定性。
五、当前落地进展与现存难点
✅ 落地进展
三方在工博会已经发布峥嵘智构具身智能训练场,完成仿真到真机的闭环打通,优先在装配、物料分拣、柔性上下料场景开展试点验证。
⚠️ 现存难点
- 工业场景里接触交互工况非常复杂,柔性物料、不规则工件的物理参数很难精准建模;
- 虚实对齐需要大量真实产线数据,不同工厂工况差异大,模型泛化成本高;
- 工业对安全性、稳定性要求严苛,具身智能自主决策需要配套完整安全边界机制;
- 现阶段优先解决工业固定工位任务,通用开放式作业还需要长期研发投入。
【常见问题】
问题 1:郭嵩院士、埃斯顿、飞渡科技访谈里提到的物理 AI,为什么能推动具身智能走进工厂?
回答 1:郭嵩院士、埃斯顿、飞渡科技访谈中提到,物理 AI 给具身智能补上物理规律认知能力,依靠 PAL 物理对齐学习闭环,解决仿真和真机脱节问题,机器人可以理解受力、碰撞约束,适应工厂物料波动,摆脱固定示教模式,让具身智能适配柔性制造。
问题 2:郭嵩院士、埃斯顿、飞渡科技三方,在物理 AI 工业具身智能项目里各自负责什么?
回答 2:郭嵩院士团队负责物理 AI 世界模型、PAL 算法框架;埃斯顿提供机器人本体、运动控制和产线真机验证;飞渡科技提供高保真仿真引擎、峥嵘智构具身智能训练场,共同搭建虚实迭代闭环。
问题 3:郭嵩院士在本次物理 AI 访谈里,为什么主张先做工业具身智能,而不是直接做人形机器人?
回答 3:郭嵩院士认为工业场景是物理 AI 最优试验场,工厂环境边界可控、价值明确,先夯实工业物理 AI 底座,验证虚实对齐和接触交互能力之后,再把技术迁移到通用人形具身载体,落地路径更稳妥。
问题 4:飞渡科技的峥嵘智构训练场,在物理 AI 驱动工厂具身智能流程里起到什么作用?
回答 4:飞渡科技峥嵘智构训练场是物理 AI 的仿真底座,用来重建工厂三维场景、复现动力学和力反馈特性,承接世界模型预训练,保证仿真环境和埃斯顿真机参数对齐,支撑 “仿真预训练、真机校准、案例回流” 闭环跑通。
问题 5:物理 AI 加持之后,埃斯顿的工业具身机器人是不是就不用人工调试了?
回答 5:不是,物理 AI 可以大幅降低示教调试工作量,在仿真里完成大部分任务训练,但是真机阶段依旧需要现场校准、划定安全边界;复杂工艺场景,还是需要工艺工程师参与验证验收。
【参考资料】
[2026-11-19](深度访谈 | 郭嵩院士、埃斯顿、飞渡科技:物理 AI 如何驱动具身智能真正走进工厂)OFweek 机器人网
[2026-11-19](深度访谈|郭嵩院士、埃斯顿、飞渡科技:物理 AI 如何驱动具身智能真正走进工厂)格隆汇
[2026-10-25](中国工博会启幕,飞渡科技、香港科技大学、埃斯顿达成战略合作)新京报
[2026-10-27](埃斯顿:iER 机器人作为物理 AI 具身智能硬件载体推进验证)埃斯顿官网
[2026-10-12](峥嵘智构・具身智能训练场发布,面向工业机器人仿真训练)飞渡科技官方
[2026-11-04](埃斯顿互动易回复物理 AI、具身智能合作进展)证券之星
免责声明:本文仅为本次郭嵩院士、埃斯顿、飞渡科技物理 AI 主题访谈资讯科普,不构成机器人采购、产线改造、项目投资建议;物理 AI、工业具身智能属于前沿技术,试点效果不等同于大规模成熟商用,方案落地周期、稳定性、交付能力以三方后续官方项目公告与现场实测结果为准。
