编者按：在具身智能的浪潮中，总有人站在潮头，定义流向。星河频率推出全新访谈系列《浪潮之上》。
聚焦具身智能行业内的关键人物，分享从技术拐点到商业抉择，从产品落地到产业远望。我们不谈空泛的趋势，只记录那些真正推动浪潮的思考、判断与行动。
不追热点，只抓浪尖，让更多人先听见，具身智能的下一个频率。
作者｜毛心如
具身智能进工厂，未必是一场颠覆。
至少在微亿智造董事长&CEO 张志琦看来，不应该是。
今天如果自动化能做好，你就应该用自动化。这句话听起来，甚至不像一个具身智能公司的 CEO 会说的话。
过去两年，人形机器人、VLA、世界模型轮番成为行业热词，机器人进厂也越来越多地被描述成一次新技术对旧工业体系的重写。
但张志琦觉得，工业从来不是一张等待 AI 重新绘制的白纸。
经过几十年验证的自动化设备，已经在很多环节把效率做到极致。具身智能没有必要为了证明自己先进，就去替代这些已经成熟的工具。
它真正要解决的，是那些过去的自动化做不了、或者做起来成本太高的问题。
与其说具身智能是在颠覆工业，不如说，它是在给工业增加一个新的生产要素。机器开始能够感知、理解、判断，再决定如何执行。
这听起来没有颠覆那么性感，却可能更接近真实的工业世界。
因为工厂不是一张白纸。
真正的问题也从来不是机器人能不能进工厂，而是当它进入一个已经运行了几十年的生产体系之后，能不能从技术上的能做，走到生产现场里的能用，再走到可以批量复制的值得买。
张志琦把这个问题说得更直接：为什么不去做 Me first，而大家都在做 Me too？
这可能是理解今天工业具身智能的一把钥匙。
从会做动作到能干活，工业是最残酷的考场
张志琦并不是从机器人行业开始创业的。
从 SAP 到百度智能云，再到钉钉，他经历过企业软件、云计算和互联网产品。2018 年进入工业 AI 之后，他很快发现，工业和互联网实际上是两套完全不同的游戏规则。
消费互联网追求快速迭代和规模增长，工业却要反复回答三个问题：精度够不够？效率够不够？账算不算得过来？
微亿智造起步于工业 AI 视觉检测。
那时机器已经能够看见产品：相机拍照，AI 模型判断缺陷，再按照预先设定好的流程进行处理。
直到 2022 年前后，一个大型一体化压铸件项目让这个问题变得具体起来。
这个两米多长的零件有近 3000 个拍摄点位，客户要求 10 分钟内完成检测和打磨。传统机械臂仅按照固定轨迹把整个零件打磨一遍，需要接近一个小时；熟练工人却只需要七八分钟。
差距并不在机械臂的速度，机器缺的，是判断。
工人不会把 3000 个点全部打磨一遍，而是先看哪里有问题，再决定处理哪里；传统自动化却需要工程师提前把点位和轨迹全部规划好。
于是，微亿智造开始做查打一体。
此前积累的飞拍技术，让机械臂可以连续拍摄，在 5 分钟以内完成 3000 个点位的采集；算法则根据检测结果自动生成点位和轨迹。
机器先看，再判断，最后决定在哪里执行动作。最终，检测和打磨的整体节拍被压到 7-10 分钟，接近人工水平。
这个项目真正让张志琦意识到，工业具身智能并不是让机械臂长出一个大脑这么简单，它真正增加的是过去自动化体系里缺失的那个看见-判断-处理的闭环。
所以微亿智造后来坚持做运动控制、本体和 AI 的融合，不是提前规划好的战略，而是一步步被工业现场「逼」出来的。
从这个角度看，微亿智造从工业视觉走向工业具身智能，是一条顺着工业问题自然延伸出来的路线。
工业不缺 Me too，真正稀缺的是 Me first
过去几年，越来越多公司开始进入工业具身智能。
原因并不难理解。物流分拣、码垛、搬运等场景已经有人证明了技术可行性，一旦一个场景被证明能做，后来者就可以沿着已经走通的路线快速跟进。
这是一条更容易被看见，也更容易被理解的路。但张志琦认为，工业恰恰不能只这么做。
Me too 是没有太大意义的，工业现场还有大量等待被解决的问题。
真正做 Me first，就意味着要去理解一个产品、一道工序、一条产线背后的逻辑，要知道为什么这个动作必须在这个时间完成，为什么一个看起来已经成功的 Demo，放进真实产线之后仍然却无法上线。
这远比做个 Demo 要苦得多、也慢得多。
也因此，张志琦看工业具身智能，并不只看机器人能不能完成一个动作，而更关注三个不同层次的问题：技术可达、项目可达、规模可达。
机器人能够完成任务，只能证明技术可达。
进入客户工厂，在真实节拍、精度、上下游设备和人员协作中稳定运行，才是项目可达。而如果换一个客户、换一条产线、换一个工厂，仍然能够快速复制，才真正走到了规模化。
这也是他们判断一个项目值不值得投入时的标准。
如果一个场景投入巨大，最终只能做到五六十分，而客户要求九十分才能上线，那么这个项目就不会成为当前的重点；如果一个场景能够做到八九十分，并且有足够大的复制空间，就值得持续投入。
工业公司和客户一样，都得算账。
这也解释了为什么今天行业里 Demo 越来越多，但真正能够长期运行、规模复制的案例依然有限。
一个项目做出来，不意味着产品成立；甚至，一台机器人卖出去，也不意味着它已经成为生产力。
工业具身智能的及格线，是千台级真实部署
那么，工业具身智能的及格线到底在哪？
张志琦给出的答案，并不是某一个模型的参数量，也不是某场 Demo 的成功率。
真正值得看的，是机器人究竟在多少个真实工业场景中，实现了多少套的稳定部署。
他说到这个规模时，给出的参照是，它能部署到千台，部署到万台。
这里最重要的其实不是 1000 或者 10000 这两个数字本身，而是他特意强调的真实场景。
因为今天行业里看到的出货量，并不一定等于工业生产力。
一批机器人如果主要用于科研、展示或者拍摄素材，它当然也是出货，但很难说明这套能力已经经过工业现场的验证。
真正的规模化，不是卖出去多少台，而是有多少台机器人在真实场景里持续地、稳定地创造价值。
这也意味着，工业具身智能的及格线，至少应该是千台级的真实部署，而不是一个漂亮的 Demo。
微亿智造想验证的，不是单点 Demo，而是 EIIR（工业具身智能机器人）在真实工业现场的可复制性，即开箱即用、高度柔性，能适应复杂工况，把具身智能变成可靠生产力。
也正因如此，张志琦还给微亿智造自己设下了一个更大的目标：到 2030 年，通过微亿的设备，让 100 万人从生产环节中解放出来。
这里的 100 万人，并不意味着 100 万台机器人。
不同设备的效率不同，有的设备一台可以承担原本 5 个人、10 个人的工作，也有一些设备一台只能对应一个人的工作。
因此，要实现这一目标，最终设备规模将远超 1 万台。而从 2018 年到现在，微亿累计交付已达几千台。
这些交付没有停留在示范项目，EIIR 系列已经在多个高价值领域实现规模化落地，累计服务超 25 家世界五百强及行业龙头企业。
招股书显示，EIIR 收入从 2023 年的 1.141 亿元增至 2025 年的 4.533 亿元，年复合增长 99.3%，占总收益比重从 26.3% 升至 57.0%。
从几千台走向超过 1 万台，真正需要攻克的便不再是单一的算法难题，而是如何由单工序向多工序、由单产线向相邻产线的持续渗透，打开更多新行业和新场景复制、拓宽客户渠道、并走向全球市场，这些都将是下一阶段的核心变量。
这也是微亿继续拓展物流等场景的原因。
表面上物流分拣已经有不少公司在做 Demo，看似是典型的 Me too 赛道。
但微亿智造真正切入的是无序码笼、码垛这类更高复杂度的场景，它要同时兼容多种 SKU，还要在现场实时完成码放决策，而不是简单完成抓起-放下的动作。
这恰恰是传统自动化覆盖不到、也是多数 Demo 尚未真正解决的部分。人多只是结果，真正让微亿愿意投入的，是这里仍然存在足够大的 Me first 空间。
如果目标是让 100 万人从重复性的生产工作中解放出来，那么就必须进入足够大的场景。
从这个角度看，100 万人并不是一个单纯的企业目标数字，它实际上也对应着张志琦对工业具身智能规模化的理解。
机器人最终必须从一个项目里的设备，变成能够在大量真实生产环境中复制的生产力。
机器人最终拼的不是像不像人，而是能不能把账算过来
如果固定工位上已有一台低成本、高精度、节拍稳定的机械臂，那么继续用它就是最优解。
要是物料需要长距离搬运，轮式机器人往往更划算；只有面对高度柔性的操作需求，才轮到更通用的机器人登场。
工业场景里，为像人而牺牲效率，本身就是一种倒退。
人类发明工具的历史，就是效率不断外推的历史。自动化是更大尺度的工具，过去它受限于能力边界，具身智能的出现只是把这条边界再向外推一推。
因此，具身智能的任务不是取代自动化，而是覆盖自动化过去覆盖不到的地方，这也是微亿智造最终选择软硬件、算法与本体协同自研的根本原因。
AI 进入物理世界后，软件很难再把硬件当作黑盒。
硬件如何运动，直接制约算法的上限；算法要完成什么，又反过来倒推本体结构和运动控制该怎样设计。
微亿智造收购捷勃特，表面上是补全机器人本体与底层运动控制的拼图，但张志琦看得更远，软硬一体的真正价值，不在于把硬件攥在自己手里，而在于算法终于有机会与硬件从头协同设计。
这件事并不容易。因为软件公司与硬件公司遵循两套完全不同的工作体系，把二者真正揉合，需要彼此重新理解对方的产品逻辑与研发节奏。
可既然 AI 终要进入物理世界，这一步就绕不开。
工业现场购买的从来不是模型，客户买的是能解决问题的整体方案。
如果一台设备本身就能把活干完，客户往往不需要再找一家工业 AI 公司。真正需要工业 AI 介入的，恰恰是那些设备、算法、工艺与现场流程纠缠在一起的复杂难题。
所以，工业具身智能最终的壁垒，未必是谁拥有参数量最大的模型，而是谁能把模型、机器人、工艺和真实生产流程咬合成一个闭环。
在工业现场，通用与专用并非非此即彼：底层模型承载跨场景的共性能力，具体工艺则必须靠行业数据与经验去补齐。
打磨、焊接、质检这类「技工」任务，需要把老师傅的判断和工艺知识沉淀下来；上下料、码垛、分拣等「普工」任务，则更依赖大量真实数据赋予的泛化性、鲁棒性与协调能力。
这也是工业数据最特殊的地方。今年行业都在热议数据的重要性，最先被追问的便是数据量的家底。
经过长期项目交付，微亿智造积累了超 23TB 的数据，涵盖工件在不同材质、尺寸和温度下的变化规律，以及设备在真实工况中的失败模式，老师傅遇到异常时的决策逻辑等。
真实的工业数据与AI模型迭代则为部署效率和产品能力长期提升提供基础。这些信息在互联网数据中几乎找不到，也很难单靠仿真全部解决。
张志琦对仿真反而非常积极，主张能仿尽仿。
但他认为，真正有价值的工业仿真，不是模拟视觉效果，而是尽可能还原摩擦、碰撞、形变、重力等真实物理规律，再用真实环境去校准仿真模型。
工业现场不容许机器人无限试错，仿真降低试错成本，真实数据负责最终校准，两者归根到底指向同一个目标：让机器人真正把活干好。
而这一切，最终都要回到 ROI。
工业客户不会因为一个机器人聪明就持续下单，他们真正关心的是成功率、精度、节拍、稳定性，以及这些指标放在整个生产流程中，究竟能带来多大的经济效益。
甚至在一些场景里，机器人不必一开始就 100%替代一个人。
只要它能完成大部分常规工作，由人负责异常处理，整体效率可能已经明显提升，随着设备日趋稳定，人工介入次数呈指数级下降。
这或许不如一台机器人替代三个人那样漂亮，却更接近工业现场真实的经济账。
站在工厂外面看具身智能，最容易看到的是机器人；站进工厂里面，看到的却是一整套生产系统。
这也是为什么，我们看工业具身智能不是看机器人能做什么，而是它到底部署了多少、能不能稳定运行、能不能复制，以及客户愿不愿意继续买。
从这个角度看，今天工业具身智能真正需要跨越的，至少有三道鸿沟：
- 大众想象与真实工业之间的鸿沟
- 技术可达与现场可用之间的鸿沟
- 单点 Demo 与规模量产之间的鸿沟
Me first 真正有价值的地方，也正在这里。
它不是说工业需要更多公司去追逐一个别人没有做过的概念，而是愿意第一个去理解一个还没有标准答案的问题，去现场吃苦，把技术、工艺、设备和 ROI 放在一起算。
而一旦有人把它做成，后来者当然可以进入。
张志琦也并不排斥这一点，相反，他认为越来越多公司进入工业，是一件好事。
因为具身智能本身就是一个生态，很多事情并不是一家公司能够独立完成的。真正能够把工业具身智能推向规模化的，也不会只是某一家公司的胜利，而会是整个产业链共同完成的一次升级。
所以，如果要给今天的工业具身智能划一道及格线，1000 台并不是一个机械的数字。
它真正代表的是一种能力：从一台到十台、再到千台；从一个工厂到第二个、第三个工厂；从一个 Demo 到一套可以被反复复制的生产方案。
微亿智造自己的目标则更大，从今天的几千台交付，走向万台以上，再到 2030 年让 100 万人从生产环节中解放出来。
这条路没有颠覆工业那么性感，但可能更接近工业真正接受新技术的方式。
工厂不会因为一个机器人Demo足够惊艳而买单，它只会因为这台机器人真的干了活、而且这笔账算得过来，才会继续买第二台、第三台。
因此，工业具身智能真正的及格线，从来不只是 1000 台，而是 1000 台之后，还有没有第二个 1000 台。
只有能够持续复制的机器人，才真正算得上生产力。
