AI 行业落地 | 第8期：三个工厂，把 AI 用出了生产力

AI行业落地 · 2026-10-22 · 九羲科技

作者：小羲 ｜ AI 行业落地早报 · 2026-10-22 早间版（第8期）

这一周的工业 AI，有点意思。

10 月 20 日到 22 日，英伟达 GTC 开到了柏林。展会上最热闹的不是新卡，而是"干活的 AI"——研华把自家工厂的 20 条产线交给了 AI 大脑，Teradyne 和 Sereact 把机器人塞进了 Zalando 的退货仓。再把镜头拉回国内：杭州一家汽配厂，15 台人形机器人已经上了一年的"班"。

三条产线，三个不同的活法。我们一个一个拆开看。

· · ·

研华 AI Factory Brain：先让 AI 当"指挥"，再练"手脚"

1. 背景：第一个吃螃蟹的是自己

研华（Advantech，全球工业智能系统厂商），10 月 21 日在 GTC Berlin 发布了"AI Factory Brain"——一套目标驱动的工厂级 AI 编排系统。有意思的是，第一个吃螃蟹的不是客户，是它自己：方案已经部署在研华自家制造工厂的 20 条产线上。

2. 落地方案：三类 Agent + 自家服务器

AI Factory Brain 把工厂 AI 分成 中央（Central）、仿真（Simulation）、边缘（Edge）三类智能体协同。思路从"单个场景的点状 AI"换成了目标驱动：定一个目标，比如"产量提 10%"，它分析瓶颈、协调各 Agent，最后交出一份改进计划，给人拍板。

算力底座跑在自家 SKYRack 服务器上，叠加 NVIDIA Factory Operations Blueprint（FOX）与 NVIDIA NemoClaw；实时数据来自 NVIDIA Cosmos 与 Nemotron。具身那一侧，Jetson Thor / IGX Thor 边缘平台打底：MIC-742-AT（FP4 算力 2070 TFLOPS）配 Holoscan Sensor Bridge 同步多路相机；AIR-420 边缘 AI HPC（可插两块 RTX PRO 6000 Blackwell）做数字孪生仿真与模型后训练；AFE-A702（Jetson Thor）做机器人控制器。

研华团队在 NVIDIA GTC Berlin 2026 展位（图片来源：Advantech 官方新闻稿）

3. 效果：数字是官方口径，先看再打折

研华制造中心高级总监 Frank Huang 披露：Q3 人均产出环比 Q2 高 13.2%，其中 5 个实际运行的 AI 智能体贡献了 8.91 个百分点。

"AI Factory Brain is the factory's intelligent command center. Set a target — increase output by ten percent — and it analyzes bottlenecks, coordinates agents, and delivers an improvement plan ready for my review."
—— Frank Huang，Advantech 制造中心高级总监（官方新闻稿）

注脚得写清楚：以上是官方新闻稿口径（单方宣称），未披露基线与测算方法。但"20 条产线、5 个 Agent、8.91%"这组数字敢报出来，至少说明它在自家工厂里是真跑起来了——拿自己当样板间，这份底气本身就有信息量。

Zalando 退货仓：最难啃的活，交给"一只脑子"

1. 背景：退货是物流里最难自动化的环节

退回来的衣服，形状、方向、包装各异，混在一起，没有固定顺序——这是仓储自动化里公认的硬骨头。10 月 21 日，Teradyne Robotics（旗下有 Universal Robots 和 MiR）与德国物理 AI 公司 Sereact 在柏林官宣合作，落地客户是 Zalando：欧洲时尚平台，6200 万活跃用户、7000 多个品牌，29 个市场。

2. 落地方案：一个 VLA 模型管所有活

Sereact 的物理 AI 平台 Cortex 是一个 VLA（视觉-语言-动作）模型，直接跑在 UR UR12e-1300 机械臂上。训练链路很完整：NVIDIA Isaac Sim + Cosmos 开放世界模型做仿真训练，Isaac Lab 做强化学习后训练，上 Teradyne 硬件做 benchmark，通过了才部署。

部署端分两层：推理跑在 NVIDIA Jetson Thor 上，跟产线速度；DGX Spark 做站点级的开发、验证和模型更新。关键设计是"一只脑子管所有活"——退货、分拣、补货、装箱都用同一个生产模型，新品类不用重新训练；一台机器人学会的，整个 fleet 都受益。

3. 效果：已经不是试点，有交叉验证

官方口径：欧洲已有"数百台"UR 双臂机器人在真实客户站点运行，"早已超出 demo 和试点阶段"（单方宣称，未给精确数字）。

能交叉验证的是这一段：据 unite.ai 报道，CEVA Logistics 在 10 月 7 日已公告，Zalando 德国 Greven、波兰 Świebodzin 两个履约中心的 Sereact 双臂系统进入 live 运营，以 RaaS（机器人即服务）模式交付；系统无需逐件训练、无固定 SKU 档案，自主抓取、识别、分拣退货；仓库团队转向站点监督、异常处理和质检。

顺带一提两个细节：退货快速翻新再售，还帮零售商满足了欧盟"禁销毁退货"的法规；Zalando 自己也在今年 7 月战略入股了 Sereact 的 B 轮（Sereact 客户名单里还有 IKEA、DHL、BMW）。客户掏钱入股，比任何新闻稿都有说服力。

15 台人形机器人进厂：效率还没追上，先把场景跑通

1. 背景：老自动化厂，遇上新难题

杭州兆丰机电，汽车零部件厂。2013 年前后就开始搞自动化，机械臂的甜头吃过。这次的难题是订单结构：部分海外订单小批量、多品种，起订量 250 套、300 套，高度自动化产线不适合频繁换型。10 月 15 日，乐聚机器人与兆丰联合发布"具身智能+汽车零部件上料解决方案"：15 台轮式双臂人形机器人进厂，干取料、转运、上料。

2. 落地方案：在产线里磨了一年

这不是空降。双方联合团队在产线里磨了近一年：从"零件摆固定位置能抓"，到"工人挪了位置也能认"；油污、划痕反光、自然光照变化，一个个补数据、调模型，推翻重训是常事。机器人还要接入工厂 MES 系统，接收供料任务，跟前后工序的节奏对齐——"上料"只是第一步。

磨出来的东西正在沉淀成工具：上料技能拆成 30 余个基础模块，组合开发，周期从数月压到数周；多机调度平台把标准技能同步到多台设备，部署从天级压到小时级。数据也在回流：现场作业数据（抓取、放置，含失败、掉落、位置偏差）每天采集 800–1200 条，单月超 4 万条；双方还向开放原子 OpenLET 社区捐赠了真机作业回流数据集。

乐聚人形机器人在兆丰机电产线作业（图片来源：21世纪经济报道）

3. 效果：数字实诚，也包括没达到的

双方披露：单次完整上料循环 40 秒内（上料约 35 秒），成功率稳定 98%；累计运行约 1000 小时，协助生产超 6 万个零部件。

记者实测与采访补上了另一面（21世纪经济报道，独立媒体报道）：目标是 15 秒，"未来半年到一年"接近；现阶段 1 名工程师照看约 4 台机器人；投资回收期预计 3 年。

兆丰董事长孔爱祥有句话值得记一笔："最初没有计算采购成本，首先要把应用打通。"工厂愿意等的，是"能移动、能换任务"的泛化潜力，不是眼下的节拍。这种甲方心态，比任何技术参数都真实。

· · ·