Intrinsic首席产品官Stefan Nusser：传统自动化"成本过高且过于僵化"

多年来，工业自动化遵循着一套相对固定的逻辑：大规模生产、漫长的产品生命周期，以及专为无数次重复同一流程而设计的机器人系统。这一模式曾推动汽车制造等行业发生深刻变革——固定生产线与高度专业化的机器人在规模化生产中创造了极高的效率。

然而，制造业正在发生转变。产品迭代周期缩短，定制化需求持续增加，工厂也面临着在需求波动与供应链不稳定的双重压力下加快响应速度的挑战。在许多工厂中，传统自动化的经济逻辑已不再像过去那样行得通。

正是这一变化，推动了各界对AI驱动机器人技术与软件定义自动化的重新关注。在这一领域，Alphabet旗下机器人公司Intrinsic正在积极布局。

Intrinsic脱胎于Alphabet的"登月工厂"体系，后独立成为Alphabet旗下的子公司。该公司致力于打造一个软件平台，使工业机器人能够更好地适应不断变化的生产条件。

Intrinsic并不主张替换现有机器人硬件，而是专注于在现有基础上叠加AI、机器视觉与智能自动化能力，帮助制造商将那些过去因变量太多或经济价值不足而无法纳入传统机器人系统的工序实现自动化。

这一策略折射出机器人行业自身正在经历的深层转型。经历了多年声势浩大却商业化困难的机器人探索——包括谷歌曾持有Boston Dynamics以及通过Waymo推进自动驾驶的漫长历程——Alphabet如今似乎更有意识地将重心转向工业与运营场景，让AI切实解决当下的制造业问题。

在接受《机器人与自动化新闻》采访时，Intrinsic首席产品与商务官Stefan Nusser阐述了为何传统自动化在高混合生产环境中正变得"成本过高且过于僵化"，AI目前在哪些工厂场景中已创造出可量化的价值，以及Intrinsic通过与富士康的合作在工业规模AI自动化落地方面积累了哪些经验。

Nusser曾先后在IBM、谷歌、Willow Garage和Fetch Robotics担任领导职务。他认为，未来制造业的形态将越来越接近软件定义的基础设施，而非固定生产线——机器人系统将随着时间推移变得更加模块化、可重构且自适应。

《机器人与自动化新闻》：您认为传统机器人技术对现代制造业而言已经"过于僵化"，究竟是工厂里发生了哪些变化，使这种僵化成为一种制约？

Stefan Nusser：目前大多数自动化系统都是为高度标准化、低混合度的流程设计的——也就是反复执行同一件事。汽车制造就是一个典型例子：当产量高、变化少的时候，这套模式运转良好。但越来越多的制造业已不再以这种方式运作了。

真正改变的，是变量的增加。批次越来越小、定制化需求越来越多、工艺也在频繁演变。在这种环境下，传统自动化变得既昂贵又缺乏灵活性，因为为一个可能只运行短暂时间的任务进行配置，往往需要数周时间。

正因如此，大量工序至今仍未实现自动化——并非技术上不可行，而是在经济上不划算。现在的机遇在于，让那些持续变化的流程实现自动化，而这需要一种截然不同的灵活性。

《机器人与自动化新闻》：很多机器人厂商已经在通过软件、视觉系统或重新编程工具来宣称具备灵活性，Intrinsic的方法有何本质上的不同？

SN：许多现有方案是在原本为固定、可预测流程设计的系统上附加灵活性，在一定程度上是有效的，但一旦变量成为常态——零件、流程和任务频繁更换——这些系统就开始力不从心，仍然需要大量手动配置和重新工程化。

Intrinsic从一开始就以"变化是常态"为前提进行设计，在高混合、低批量环境中实现智能自适应自动化。我们的目标不仅仅是让单个机器人工作站更容易重新编程，而是让车间里没有机器人专业背景的人员也能日常创建和管理自动化系统。

从实际操作层面来说，这意味着利用AI和视觉技术来处理那些无法提前预判所有细节的任务——比如电子组装，零件规格各异、定位并不精准，像线缆处理或连接器插入这类操作很难可靠地实现自动化。

在Intrinsic，我们将这些能力整合到一个软件平台中，使其"开箱即用"且易于组合，实现跨应用复用，而无需每次从零开始搭建。

《机器人与自动化新闻》：从实际部署情况来看，AI目前在哪些方面真正提升了生产性能，又在哪些方面仍存在不足？

SN：在变量导致自动化受阻、人工成为瓶颈的环境中，AI已经创造出实质性价值。传统自动化在重复性、可预测性任务上表现出色，但一旦情况频繁变化就会失效。

在高混合、低批量场景中，AI让我们能够应对这种变量。以机器视觉基础模型为例，我们可以在不预先知晓物体精确形状的情况下对其进行识别与操作，从而解锁此前在经济上不可行的自动化流程。

AI正在快速追赶的一个方面是可靠性。目前尚未达到100%，但最新模型的精度、准确率和稳定性已经相当出色，并在持续稳步提升。在制造业中，最后几个百分点至关重要，因为边缘案例正是停机、质量问题和复杂性集中爆发的地方。

因此，挑战在于确保AI像其他工具或服务一样深度集成到生产系统中，而不仅仅是孤立地评估模型表现。关键在于设计一套能够安全、高效处理异常情况的完整生产系统，通常还需要人工监督的参与。

《机器人与自动化新闻》：制造商面临着证明自动化投资回报的压力，AI相比传统工业机器人如何改变了投资回报率的计算逻辑？

SN：传统上，自动化在非常稳定、高产量的环境中才具有经济意义，因为可以将前期成本摊销到漫长的生产周期中。制约因素不在于技术可行性，而在于经济可行性。如果流程变化过于频繁，配置和重新编程的成本可能会超过所带来的收益。

AI通过降低应对变量所需的工作量，改变了这一计算逻辑。当流程发生变化时，不再需要完全重建或大规模重新编程和改造系统，而是能够让自动化系统更具适应性。

这开辟了一类全新的机遇。您不再是在打造一套摊销在单一产品生命周期内的专用自动化系统，而是在构建可复用的"多用途"自动化系统——在需要时可以重新配置以适应不同产品。

这使得自动化技术的投资可以摊销到自动化硬件的整个使用寿命之上，这一周期可长达7至10年。

《机器人与自动化新闻》：与富士康的合作表明了大规模的实践验证——在高产量真实工厂中部署AI驱动的自动化，您迄今获得了哪些经验？

SN：最重要的经验之一是：即使在高产量工厂中，真实的生产现场也远比人们想象的更加多变。零件之间、工艺之间、产品代际之间，以及产线状态之间，都存在大量差异。

而这正是由AI驱动的智能机器人系统发挥作用的时刻——它为复杂生产流程带来了模块化与通用性，使过去制造商负担不起或无法管理的能力成为可能。

按需重新配置、从而重新调配制造产能的能力，开创了跨多种产品共享基础设施的新机遇，帮助企业快速响应意外的需求变化，进而降低对高库存成品的依赖。

《机器人与自动化新闻》：制造商的实际需求与机器人公司所销售的产品之间往往存在落差，您认为这个行业目前在哪些方面仍然走在错误的方向上？

SN：我认为这个行业最大的问题，是从技术出发，而不是从问题出发。有一种惯性思维，就是过早地追求通用化——打造一个"无所不能"的系统，然后期待价值自然而然地随之而来。

这种倾向在通用系统的大力推广中尤为明显——大家期待一套方案能覆盖广泛的应用场景。这固然令人兴奋，但也让明确起点、真正为客户交付所需价值变得更加困难。

不同的路径有着各自内在的价值。另一种方式是聚焦于少数几个问题，深入钻研，先证明能在真实世界中创造价值，之后再谈通用化与平台化。

《机器人与自动化新闻》：展望未来，您认为AI更多是让现有机器人发挥更大作用，还是最终将彻底取代现有工业系统？

SN：近期来看，重点在于让现有系统发挥更大价值。硬件已经就位，真正的问题在于如何让它足够灵活以应对变量，而这正是AI正在产生直接影响的地方——延伸和扩展了现有系统的能力边界。

如今的工业机器人比以往任何时候都更便宜、性能更出色。有了AI的加持，它们将变得更加通用和易用，包括对没有机器人经验或专业知识的工人来说也是如此。机器人系统是增量性的，以更具适应性的方式为工人提供更多辅助，让现有和新型系统都变得更加灵活多变。

长远来看，我认为这将引领一种全然不同的生产模式。取代为单一产品设计的固定生产线，工厂将向更灵活的软件定义环境演进——就像制造业正越来越像数据中心一样：拥有一个资源池，生产什么通过软件来配置，并能够按需动态扩缩。

但这一转变将是循序渐进的。它从解决价值清晰的具体应用场景开始，进而逐步扩展到跨工作单元、生产线，乃至更大范围工厂运营的整体协调。

Q&A

Q1：Intrinsic的软件平台与其他机器人厂商的灵活性方案有什么本质区别？

A：大多数现有方案是在原本为固定流程设计的系统上附加灵活性，遇到高频变化时仍需大量手动配置。Intrinsic从设计之初就以"变化是常态"为前提，将AI、机器视觉等能力整合进一个统一软件平台，支持开箱即用和跨应用复用，使没有机器人专业背景的车间人员也能日常管理自动化系统，无需每次从零搭建。

Q2：AI在工业机器人领域目前的主要局限是什么？

A：目前AI在制造业中最大的挑战是可靠性。尽管最新模型的精度和稳定性已大幅提升，但还未达到100%。在制造业中，最后几个百分点至关重要，因为边缘案例集中了停机、质量问题和系统复杂性。此外，AI不能仅靠模型性能本身，还需深度集成到完整生产系统中，通常还需要人工监督来安全处理异常情况。

Q3：AI如何改变工业自动化的投资回报率计算方式？

A：传统自动化需要在稳定高产量场景下才划算，因为前期成本要摊销在漫长生产周期中；流程一旦频繁变化，重新配置的成本就会抵消收益。AI通过降低应对变量的工作量，让自动化系统更具适应性，从专用系统转变为可跨产品复用的多用途系统，投资可摊销在长达7至10年的硬件使用寿命上，大幅改善了经济可行性。