AI 行业落地 | 第36期：机器人店员上岗半年，工厂小模型扛大梁

AI行业落地 · 2026-10-31 · 九羲科技

10 月 28 日，21 世纪经济报道记者冉黎黎跟着“新型工业化媒体调研行”，走进银河通用和全家便利店合作开的一家零售店。机器人“小盖”先开的口：“想买点什么？”记者说要一个香柚茉莉，小盖的屏幕上跳出“思考中”，转身就把饮品放到了柜台上。

几乎同一时间，证券时报的记者从几家制造业上市公司转了一圈回来，写下了一句反常识的话：在工厂里真正跑出效益的，目前主要还是小模型，而不是大模型。TCL 华星攒了约两万个小模型、1 万多个智能体；美的荆州工厂，14 个智能体管着 38 个核心生产场景。

两个现场，一个在便利店柜台前，一个在面板产线旁，讲的是同一件事：AI 落地这门课，判卷标准正在换——从“模型有多强”，换成“活干得稳不稳、账算得清不清”。

· · ·

机器人员工：上岗半年，靠大模型全时接管

1. 背景：“进厂”这件事，刚被泼过一盆冷水

具身智能最热的叙事是“进厂打工”，但 10 月中旬蓝鲸新闻的一篇调查，给这个叙事泼了一盆冷水：机器人“进厂”的数量被当成商业化能力的体现，可多位业内人士说，“很多说是进厂，但他们并没有真的进，或者不算进”³。

更扎心的是细节：苹果、华为、OPPO、vivo 等 3C 大厂“大部分没敢让人形机器人进代工厂打工，主要是怕泄露工艺，生产线不允许有摄像头”³；一台入厂的人形机器人成本六十多万元，要降到 25 万元左右，才有替换工人的经济账³。

政策倒是往前推：工信部、国务院国资委已启动人形机器人与具身智能实景实训专项行动，提出到今年底开启“作业模式”、带动形成万台级规模落地能力⁵。所以，当银河通用说“机器人员工已稳定上岗”，得按记者实探的口径，再看一遍。

2. 方案：大模型全时接管，不是背台词

技术路线上，银河通用的选择是具身大模型（Embodied AI Model）全时接管。记者在店里的体验很说明问题：不用叫名字，不用对着它喊口令，小盖一直在听——“因为这台机器人目前由大模型全时接管，什么时候说什么话、配不配合就完全是它自己来控制”¹（联合创始人兼大模型负责人张直政）。

流程是：语音指令进来→屏幕显示“思考中”→转成控制信号去执行→执行中播报进展。张直政的解释是，“思考中”意味着它已收到语音指令，正在把语音转化成控制信号¹。

场景拆得很实在。零售：和全家便利店合作的店，小盖做店员，SKU 固定、动线固定；仓储：全国 30 多个城市落地，专啃“夜间药店值守”——部分药店夜间不能关门、又有应急功能，消费者手机下单外卖，分拣、打包、交给外卖员的，很可能就是机器人；工业：重载机器人 S1 进宁德时代工厂、西门子工厂，做搬运、分拣、装配¹。

张直政的说法是，工业上“不只是单点的劳动力补充，而是要和已有的工业生产设备结合起来，构建一个新型的、更加智能化的工厂”¹。场景选择的逻辑值得拆：零售先行（半结构化环境），仓储专啃没人愿意干的夜间时段，工业避开核心精密产线、从重载搬运切入。先半结构、后核心，先边缘痛点、后主产线——这是给“进厂”这件事排的序。

3. 效果：上岗时长、城市数、订单数

全家合作店：机器人“稳定上岗已有半年多”——公司方（张直政）受访口径，记者现场实探验证了购物全流程¹。零售：全国近 50 个城市部署 200 多个“太空舱”，直接面向市民服务¹（公司披露）。仓储：累计服务超过 100 万订单、送出超 300 万盒药品¹（公司披露）。工业：宁德时代工厂、西门子工厂已部署 S1¹。

还有一个交叉口径：蓝鲸新闻 10 月报道，银河通用中标宁德时代 2.36 亿元采购项目³（媒体引述采访，未见官方公告原文）。而成色要分开标：上岗时长有记者实探背书；部署规模与订单数为企业方披露；2.36 亿订单的另一面，是宁德时代同时为银河通用 B 轮领投方——“投资人即客户”模式下，“合同真实、收入可审计，但订单可持续性存疑”³。

技术真实上岗，和商业订单成色，是两层事。写案例不分开标口径，就是在帮厂商讲故事。

银河通用人形机器人在全家便利店内为顾客取饮品（图片来源：京报网 2026-04-17 报道）²

4. 方法点：给“上岗”排个序

可抄走的一条：场景按“结构化程度×痛点强度”排序，先啃半结构+强痛点。便利店（环境半结构、SKU 有限）、夜间药店（没人愿值夜班、但必须开门）都是这类。最难的核心产线留到最后——不是不敢，是账没算过来之前不硬上。

· · ·

工厂小模型：不拼聪明，拼可靠

1. 背景：大模型很热，工厂的账另有一本

今年 1 月，工信部等八部门印发《“人工智能+制造”专项行动实施意见》，目标写到 2027 年：3—5 个通用大模型在制造业深度应用、1000 个高水平工业智能体、100 个高质量工业数据集、500 个典型场景⁴。

但证券时报记者转了一圈发现：在工厂里真正创造大价值的，目前主要还是小模型，而不是大模型⁴。原因很硬：面板工艺波动以微米计，一两微米的偏差就可能影响产品；大模型有幻觉、难解释、算力成本高，“失之毫厘谬以千里”的生产环节用不起⁴。

中国信通院、清华大学人工智能研究院、罗兰贝格、华为联合编的《工业与 AI 融合应用指南》也持同样判断：大模型在设备异常预测、工艺参数毫秒级优化这类场景“显得力不从心”；IDC 的统计是，工业 AI 小模型的应用占比高达 70%⁴。

2. 方案：小模型干现场，大模型做参谋，智能体当传令官

分层架构是这篇报道里最值钱的一句话（天使投资人郭涛）：“小模型干现场、大模型做参谋、智能体当传令官”⁴。小模型多为感知类、判别式模型，专注特定场景，长期打磨输入输出关系——特定场景下，AI 不是越聪明越好，是要足够可靠⁴。

TCL 体系的打法：战略孵化的格创东智提“大小模型协同”——大模型承担企业级认知与决策（理解企业知识体系、业务流程、多源数据，做复杂语义理解、跨系统知识推理、智能决策生成），小模型深度嵌入具体环节（设备预测维护、质量缺陷识别、工艺优化、能耗分析），用工业机理+生产数据训练⁴。

TCL 华星自研的星智大模型已深度融入研发、制造、运营全流程：制造环节 ADC 自动缺陷分类+ADR 自动缺陷修补，实现“检测—判定—修复”闭环⁴。流程改造的实感在面板线：过去某些异常靠人工班次检查，一个班 12 小时、七八小时后才被发现，暴露时已成批量异常货；AI 实时监控后，异常更快锁定、小问题在扩大前被拦截；人工判片、检查、修补，变成图像识别小模型+现场智能体，一个班只需少数人维护 AI 模型⁴。

卡点被 TCL 科技高级副总裁、TCL 华星 CEO 赵军归纳成四方面：模型可靠性（容错率极低，一次偏差可能停机；要求确定性输出、可量化置信度、可追溯推理链路、兜底机制）、工业数据飞轮（高价值数据稀缺，采集/清洗/标注/训练/验证完整闭环）、智能体工程能力、领域专家协同机制（领域专家持续参与问题定义与结果校验）⁴。

郭涛的防护线是“模型建议、人工确认、系统执行”三段式，坚持“人在回路”——AI 输出只能参考，不能直接操控设备⁴。董鹏的推进法是：选工艺成熟的主力产线当“磨刀石”，先跑通一条线再横向复制，避免一开始就铺向全厂⁴。

3. 效果：三家公司的硬数字

TCL 华星：某工厂一年小异常事件从 400 多起降到几十起，降了接近一个数量级（数字化转型中心中心长佘必海口径）；LCD 良率部分突破 98%（行业平均 95%—96%），正冲刺 99%；制造领域已开发图像识别等小模型约 2 万个、智能体 1 万多个；星智大模型：缺陷判断准确率提升至 95%，研发领域问题解析与材料研发效率提升 20%—30%（赵军口径）⁴。

国星光电：试点产品光电参数一致性（集中度水平）提升 10% 以上，异常响应时间缩短约 98%⁴。美的：荆州工厂“工厂大脑”统一调度，14 个智能体覆盖 38 个核心生产场景，排产响应速度提升约 90%，多场景平均提效超 80%；泰国空调工厂交付前置时间缩短 43%，客户投诉率下降 32%⁴。

成色：以上均为企业方受访披露、经证券时报报道，属媒体一手采访口径；IDC 70%、工信部政策目标为公开统计与文件⁴。

4. 方法点：四条场景判据

董鹏的分析点出了能算清 ROI 的场景长什么样：边界清晰、定义明确、历史数据充足、价值反馈快⁴。视觉质检、异常预警都长这样：训练周期短、部署成本可控、不用颠覆性改造，企业“不需要承担太大的试错风险”。这四条，可以直接拿去给制造企业客户筛 AI 场景。

· · ·

· · ·