值得注意的是，相比继续讨论模型参数、算法能力和算力规模，这次峰会更频繁讨论的是另一类问题：AI怎样进入真实设备和生产流程？怎样完成从感知到执行的闭环？又怎样从一个POC复制到更多产线和工厂？

这些问题背后，是工业AI关注点的整体位移。

八年前，研华在苏州举办物联网共创峰会时，讨论的关键词还是工业互联网，关注如何把设备、系统与数据连接起来；八年后，产业命题已从“连接”进一步走向“智能与自主”。研华（中国）总经理罗焕城在致辞中给出核心判断：工业AI正经历从机器学习、生成式AI，到AI Agent，再到Physical AI的持续演进。随着AI逐步具备自主感知、决策与执行能力，产业正从数字智能迈向物理世界，工业现场也将进入自主决策的新阶段。

从辅助决策到自主协同，Physical AI走进产业现场

Physical AI并不是对既有工业AI的推翻，而是能力边界的一次外扩。传统工业AI更多承担识别、预测、分析与建议的角色；生成式AI和大模型提升了机器对知识、语言和复杂信息的理解能力；AI Agent进一步具备任务拆解、工具调用与流程调度能力；当这些能力与传感器、机器人、控制器和工业软件连接，AI便开始从数字世界进入物理世界。

换句话说，Physical AI的关键不只是让机器“更聪明”，而是让它“更懂现场”——理解设备状态、工艺流程、环境变化和安全约束，并把数字世界中的判断转化为物理世界中的动作。

机器人是这一趋势最直观的载体。30年前，机械臂的核心目标是替代重复劳动、提高效率；今天，AMR、AGV、协作机器人乃至人形机器人，需要同时处理视觉、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、避障和任务执行。从机器人、医疗影像、智慧交通和能源管理等应用来看，Physical AI已经不再只是面向未来的概念，而是在边缘AI能力支撑下逐步进入产业实践。它更像是工业AI从辅助决策走向自主协同的结果。

但要让感知、推理和执行真正串成一个闭环，仅有模型还不够。AI需要理解任务、调用工具并协调多个系统，这正是AI Agent在工业现场扮演的角色。

AI Agent进入工厂：从单点工具到流程协同

如果说Physical AI描绘了工业AI进入物理世界的方向，那么AI Agent就是连接任务、工具与流程的协同中枢。

在消费和办公场景中，Agent通常被理解为能够对话、搜索资料或代替用户完成任务的助手。但在工业现场，Agent面对的是设备、系统、工艺和组织流程，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、协调多个系统，并根据现场反馈持续调整

研华给出的答案是「AI Factory Brain」，描绘了多智能体协同进入工厂运营流程的可能路径：通过不同专业Agent之间的任务联动，推动工厂从规则驱动的传统自动化，进一步走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，还可以联动工程Agent分析工艺原因，通知排程Agent判断是否调整生产计划，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，由多个专业Agent协同起来，形成跨系统的业务闭环。它的价值更多不在替代某个岗位，而在连接原本割裂的数据、系统和部门。

因此，AI Agent真正的产业价值，不在于做出更多炫目的Demo，而在于把行业经验沉淀为可复用的技能、软件组件和标准产品，让智能能力进入真实流程，并被持续交付。

对工业Agent而言，能否回答问题只是起点，真正的考验是它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完成，取决于智能在哪一层运行——这就把问题带到了边缘。

Edge AI托住现场，智能需要更靠近数据发生的地方

Physical AI要进入产业现场，不能只依赖云端大模型。

工业场景有一系列“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，设备还必须长期连续运行。与此同时，现场存在大量摄像头、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。如果所有数据都上传云端再等待返回，很多场景难以满足实时性、稳定性与安全要求。

因此，数据在哪里产生，智能就更有必要贴近哪里发生。Edge AI的意义不只是把算力从云端搬到现场，而是让设备在本地完成实时感知、推理和反馈，让敏感数据不必全部离开工厂，也让系统在弱网甚至断网环境下保持基本运行。

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，帮助开发者降低 Edge AI 开发与部署门槛，更高效地将模型部署到制造、能源、医疗和城市等产业场景

现场圆桌还勾勒出一个“仿真—训练—推理”的闭环：先借助数字孪生和虚拟环境生成、验证场景，再用训练系统优化模型，最终将模型部署到边缘设备和机器人上运行；真实现场产生的新数据，又反向进入仿真和训练环节，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和复杂推理，边缘侧负责实时响应、设备连接和执行确定性。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，那么接下来更难的一步，是如何让同一套能力在不同设备、产线和工厂中稳定复制。

从POC到规模化：工业AI真正的门槛在工程化

对工业AI而言，做出一个Demo并不难，难的是把它复制到一百条产线。

POC阶段往往边界清晰：数据来自少量设备，环境相对固定，系统可以依靠人工维护。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、物料与生产节拍都可能发生变化，同样一套方案换一个工厂就可能需要重新适配。

工业AI长期存在“单点有效、复制困难”的问题，其根源未必是模型准确率不够，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。也正因如此，工业AI规模化的真正分水岭，往往不只是模型准确率能否从98%提升到99%，而是方案能否跨设备、跨工厂和跨区域稳定复制

正是围绕可复制性这一命题，研华强调平台化和生态协作的路径。研华提供硬件、开发平台与基础软件，算法企业、系统集成商和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说明，真正有价值的方案来自平台企业、行业伙伴与终端用户的长期共创。

在AI时代，工业生态不再只是销售渠道，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，任何一家企业都很难独立完成全部链路。

结语：工业AI的竞争，正在转向工程化与规模复制

综观这场峰会，可以看到三个逐渐清晰的产业判断：

• Physical AI不是对既有工业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，进一步增加理解、决策与执行能力；

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

• 而工业AI下一阶段的竞争重点，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的讨论正在离开单纯的模型参数竞赛。产业真正需要的，不只是一个能够生成内容或识别异常的模型，而是一套可以进入设备、融入流程、接受约束，并在不同现场稳定运行的系统能力。

从这个角度来看，Physical AI描绘了方向，Edge AI托住现场，AI Agent串联流程，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应用