2026 世界智能制造大会 11 月 19 日到 21 日在南京举办。埃斯顿带了它的轮式双臂机器人参展,不是简单地在展台上摆个姿势,而是在模拟产线里“走到位、停稳、伸臂、拧螺丝、换角度、再走开”。
这种机器人本身并不新,但它出现的场合越来越像工厂日常。对普通上班族和准备入行的人来说,更有价值的问法是:这场大会到底在说什么?哪些变化会落到我头上?
我们把它拆成三个能看懂的点。
一、机器人在从“固定机位”变成“流动岗位”
传统工业机器人最常见的形态是一只机械臂固定在机台旁,做焊接、点胶、上下料。它的优势是稳定、重复精度高,缺点是换产线要重新布线、重新标定。
埃斯顿这次展出的轮式双臂机器人,把“移动底盘 + 两条协作臂 + 视觉”打包在一起。它的工作方式更像是:接到任务 → 自己导航到工位 → 用视觉识别工件位置 → 双臂配合完成装配 → 移动到下一个点。
这意味着工厂里开始多出一种流动岗位:不是人跟着产线走,而是机器人在车间里按任务调度移动。
对普通人的影响不是“机器人抢岗位”,而是岗位的技能要求变了:
- 操作工减少,但机器人运维、现场调试、异常处理的人在增加;
- 单一技能变窄,但“懂一点机械 + 懂一点视觉 + 会看数据”的复合岗位变多;
- 产线切换周期缩短,小批量、多品种的订单更容易接。
这不是科幻。在《年薪 25 万的两个紧缺岗位,AI 能把入行门槛拆多低?》里我们已经写过:智能制造系统工程师和应用实施工程师,现在的入行门槛正在从“会 PLC”扩展到“会用 AI 做工艺优化”。
二、智能制造的瓶颈不在“买机器人”,而在“把机器人用好”
展会现场一个容易被忽略的细节是:同样的机械臂,有的展台只会在空中画圈,有的展台却能完成一套真实工序。差别在于工艺 know-how 有没有被翻译成机器人能执行的程序。
一个拧螺丝的动作,人眼看起来简单,但对机器来说涉及:
- 视觉定位:螺丝孔在哪里,允许的位置偏差是多少;
- 力控:拧紧的扭矩分几段,什么时候该停;
- 防呆:有没有漏拧、滑牙、浮锁;
- 数据回传:每颗螺丝的扭矩曲线要不要存、存多久。
这些不是机器人本身的功能,而是工程师把经验写成了规则和数据。这也是为什么智能制造的人才缺口不是“会修机器人”,而是“既懂工艺又懂数据”的人。
对普通人来说,这意味着两条路:
如果你已经在制造业:你的现场经验是稀缺的,缺的是把经验结构化、数据化的能力。AI 工具能帮的,是把老师傅的“手感”变成可复用的参数。
如果你想入行:不必从机械设计开始,可以从“懂一个工艺场景 + 会调 AI 工具”切入。比如用 AI 做缺陷检测的样本标注、用自然语言生成工艺检查清单、用数据报表定位设备异常。
本站 AI+工程智造 频道里整理过一些方向,可以作为起点。
三、普通人能蹭到的三个落点
智能制造听起来很远,但其实已经有三个地方能被普通人用到。
1. 用 AI 做质检
工厂里视觉质检是 AI 落地最快的场景之一。你不需要会写深度学习代码,现在的工作流通常是:拿几十到几百张合格/不合格的样本图 → 用工具训练一个分类或检测模型 → 部署到产线摄像头后面。
本站之前介绍过用 AI 做面料、纤维、工业零件检测的思路,逻辑大同小异:先让 AI 看足够多的“好”和“不好”,再由人来复核边界案例。
2. 用自然语言生成工艺文档
很多工厂的工艺卡片、作业指导书、设备点检表是手写或半结构化的。把这类文本丢给 AI,可以快速整理成带步骤、带检查项、带责任人模板的标准文档。
这件事的价值不是替代工程师,而是把工程师从“整理格式”里解放出来,把精力放在判断异常和优化参数上。
3. 用数据报表盯设备健康
设备故障往往不是突然坏的,而是振动、温度、电流这些指标先出现异常。把设备数据导出来,用 AI 工具做异常点识别和趋势预测,可以提前安排维护,而不是等到停机再抢修。
这条路的门槛比前两条稍高,需要理解数据字段和物理量之间的关系,但它也是“现场经验 + 数据能力”结合最直接的场景。
常见问题
Q: 轮式双臂机器人会取代普通产线工人吗?
短期看,它取代的是重复性高、路径固定的岗位;但它也创造了机器人运维、现场调试、工艺集成的新岗位。对普通人的影响不是“工作变少”,而是“技能要求变了”。历史上,每一次自动化升级都是这个规律。
Q: 我没有制造业背景,能切入智能制造吗?
可以,但建议走“AI 工具 + 一个具体工艺场景”的路线,而不是先去学机械设计。比如先学会用 AI 生成工艺检查清单、做质检样本分析、或者整理设备点检数据。一个场景做深,再横向扩展。
Q: 现在学哪些工具比较实用?
三类工具优先:能把图片/视频变成可分析数据的视觉工具、能把非结构化工艺文本整理成标准文档的文档工具、能做基础数据异常识别的表格分析工具。本站 AI 百宝箱里搜索“数据”“报告”“视觉”能找到对应工具。
评论