逛完今年的工博会，物理AI绝对是最热门的话题之一。这是AI技术在工业落地场景的一次共识。

但一个问题也随之而来：很多人觉得，现在车间里的工业机器人已经能完成焊接、搬运、装配这些活了，为什么还要谈物理AI？

实际，一台能够连续作业的工业机器人，可能随时会被一箱随意堆放的零件“难住”。

这并不矛盾。焊接时，工件位置、操作路径都可以提前设定；面对杂乱的零件，机器却要临场判断：先抓哪个、从哪里下手、抓滑了怎么办？

答案很简单：物理AI。过去，工厂把一切安排妥当，让机器人照着程序干；如今，物理AI赋予了机器人理解真实物理世界的能力，让它们多一些“随机应变”的本领。对工厂来说，这意味着换产品时少一些调试，遇到变化时少一些人工干预，让自动化走进更多过去难以胜任的工序。

目前，物理AI仍处于发展早期，行业尚未形成统一的技术路线与落地范式；国内外几乎站在同一起跑线。真正的分水岭，不在谁先把概念讲热，而在谁愿意把真实场景、工艺数据和工程闭环先跑通。

在这一迁移中，埃斯顿正好处在物理AI落地的关键位置上。

一、物理AI落地工厂，埃斯顿凭什么站上牌桌？

物理AI进入工厂，首先得过生产这一关：动作能否完成、质量是否合格、节拍能否达标、投入是否划算。这些问题，离不开长期的工业实践。埃斯顿的积累，可以从工艺、场景和产品三个方面来看。

首先，是公司长期沉淀下来的工艺数据。

物理AI需要大量真实数据来学习“什么是合格、什么是偏差”。焊缝是否合格、打磨是否过度、装配是否到位，都需要结合材料、设备与生产要求评价。

以焊接这一环节为例，埃斯顿在厚板焊接领域拥有全球焊接隐形冠军克鲁斯和iER系列焊接机器人产品，形成了涵盖焊接设备、专家工艺与数字系统的业务布局，覆盖不同材料及板厚的应用需求。长期参与工业项目，使其能够从实际生产出发，理解工艺条件与作业结果之间的关系，沉淀的是“动作-物理响应”的成对记录。资料显示，埃斯顿的智能工艺数据库集成千余种材料-厚度-工艺参数组合，能够一键调用最优焊接方案，降低90%人工调试成本。

埃斯顿在下游多种客户的真实项目里攒下来的工艺参数和合格判据，对物理AI来说就是最稀缺的“标注数据”和“评测标尺”：既告诉模型该学什么，也告诉模型做得对不对。别人训练模型要从头攒数据，埃斯顿的模型从一开始就站在真实工艺经验之上。

其次，是对客户需求和生产约束的理解。

工业客户对物理AI的容忍度极低，算法再先进，如果在现实生产中造成成本增加，物理AI也落实不到产线上。埃斯顿长期深入一线做智能制造交付，知道客户的产线到底卡在哪、哪道工序值得用AI去改造、改造之后要满足什么样的节拍和质量要求。

这种对场景的理解，决定了公司物理AI从立项起就是奔着“能落地、客户愿意买单”去的。这一点，恰恰是很多只做算法、不碰现场的团队最为稀缺的。

最后，是产品体系和应用场景的覆盖。

资料显示，公司工业机器人产品覆盖3公斤至1200公斤负载，共96款，服务汽车、新能源、电子、金属加工等行业。产品跨度与客户覆盖，意味着公司能够接触不同的任务条件。不同工件和产线配置持续提出工程问题，为技术开发提供方向，也为验证和调整方案创造条件。

对物理AI而言，这种深度和广度本身就是壁垒。真实任务和真实数据越多，模型迭代越快、泛化能力越强。埃斯顿的场景越多，它的物理智能能力栈就越快、越准，形成“场景越多→数据越多→能力越强→更能拿到场景”的正向循环。

二、产学研协同结合具身布局，打开新的应用空间

拥有工艺经验和应用场景之后，还需要回答一个问题：如何让这些积累真正参与模型训练，并最终回到机器人上发挥作用？

近期的三方合作，正是埃斯顿探索这一转化路径的重要一步。

10月12日，香港科技大学、埃斯顿与飞渡科技达成长期战略合作，联合开展工业物理AI底座技术攻关。根据合作规划，香港科技大学郭嵩院士团队提供物理AI与具身智能科研支持，并重点引领前沿方向研判；飞渡科技提供空间智能、仿真训练及评测技术。攻关内容包括工业场景数据生成、物理规律建模、任务决策，以及接触和力反馈仿真等。埃斯顿则依托机器人本体、运动控制和工业场景经验，推动技术工程化应用。

这些技术名称背后，指向的是一个实际问题：让机器人在虚拟环境中练习时，尽可能接近真实生产条件，并在部署后接受现场检验。

在这一过程中，埃斯顿的产业经验能够帮助合作方明确训练目标和评价标准；高校研究与仿真技术，则为这些经验转化为可训练、可测试的技术资源提供支持。三方合作的意义，在于为研究、训练与现场应用建立更紧密的衔接。

当前，飞渡发布的工业级具身智能训练产品“峥嵘智构训练场”已经在埃斯顿双臂协作机器人上投入应用，这意味着Real-Sim-Real闭环完成了从仿真到真机的第一次贯通。

与此同时，埃斯顿还通过酷卓进一步拓展了协作机器人与具身智能产品布局。

今年9月，埃斯顿完成酷卓股权收购并间接持有100%股权。公开资料显示，酷卓协作机器人已在107个应用场景、370多家工厂落地，覆盖码垛、上下料、装配等任务。在具身智能方面，酷卓Codroid 02采用快慢系统协同架构，配备自主研发的一体化关节模组，面向抓取、搬运、精细操作和产线巡检等工业任务开展探索，这恰好将埃斯顿开放的控制底座与具身智能的决策需求对接起来。

在此之前，埃斯顿的能力栈强在控制与本体，却缺少一个能承载智能算法、又能直接在产线上跑通的轻量化具身载体。收购完成后，这一缺口被填上，使“底层控制—工艺经验—智能决策—场景反馈”的闭环在同一个体系内完成，进一步缩短了“物理智能能力栈”的向上生长路径。

从开放控制底座到具身载体，再到院士团队的前沿研判，埃斯顿正把发展工业物理AI的决心拆成可执行的投入项。

三、结语

物理AI为工业机器人打开的新空间，最终要在工厂里得到验证：柔性生产能否更快，调试能否更少，复杂工序能否稳定交付。

埃斯顿长期积累的控制技术、工艺经验与应用基础，为参与这一进程提供了起点；产学研合作和具身智能布局，则为这些积累转化为新能力铺设了路径。

当一个个经过验证的作业能力能够跨项目复用，公司的竞争力也有望从设备性能，延伸到智能任务的交付与持续优化，进而在下一代机器人定义权中占据更有利位置。