容差数厘米、一个月压到十三天、150 纳米反射膜：日本把物理 AI 做进了机床和车间
821 家企业参展、四天会期，最抢眼的不是哪台人形机器人，而是三组数字：螺丝孔偏出数厘米也能识别、仿真把一个月的工作压到十三天、一层 150 纳米的膜把影像投进视网膜。
- 展会规模：日本最大数字技术展 CEATEC 2026 在千叶县幕张国际展览中心举行，821 家日本及海外企业和团体参展，会期四天，10 月 16 日闭幕。
- 三菱电机：机器人可自行识别螺丝孔位置并完成拧螺丝；即使螺丝孔偏离原定位置数厘米，仍能通过 AI 摄像头识别实际位置并调整动作。厂方称若能在量产环境稳定应用，可减少固定夹具复杂度、降低设备成本、提高良品率，尤其适用于印刷电路板等精密制造。
- 日立：展示 AI 代理协调系统，场景设定为接到必须三天内交付的紧急订单，由协调 AI 与销售、生产管理等部门的 AI 系统交换意见，综合紧急程度、现有排产与加班时间给出生产计划；另展示面向工厂、铁路、电力的 HMAX 平台。
- AWS ＋安川电机：用虚拟空间训练机器人动作，展示「未来蔬菜店」场景——顾客说一句「我想做无水咖喱」，AI 建议购买番茄、胡萝卜等食材，机械臂按物品特性依次放入购物篮（先放较重的洋葱，再放易压坏的番茄）。AWS 方面估算，过去需 7 名专家花一个月完成的部分开发工作，用该平台可压到 13 天左右。
- TDK：智能眼镜核心部件为厚度约 150 纳米的特殊反射膜，可见光透过率 80%，将影像投射到佩戴者视网膜上；村田制作所同日展示带触觉的 AI 机械手。
- 判断：日本这条路线选的不是模型第一名，而是「把 AI 接到精密机械与产线上」。优势在部件与工艺，短板在软件生态——同一篇现场观察给出的时间预期是「或许 5 年，更或许 10 年」。
CEATEC 是日本最大的数字技术展，这一届在千叶县幕张国际展览中心举行，821 家日本及海外企业和团体参展，会期四天，10 月 16 日闭幕。与过去以电视、电脑、智能家电为主的展会不同，今年现场最集中的主题是 AI 如何进入现实世界——也就是日本业界惯称的 Physical AI。
有意思的是，展会现场最出彩的并不是哪一台人形机器人。判断：这本身就是一条信息。当国内的机器人展台还在用本体演示吸引人流时，日本厂商把展台留给了机床、螺丝、订单排产和反射膜。这不是技术高低的差别，是产业分工的差别——日本企业手上最厚的那层积累，本来就不在整机上。
三菱电机展示的是一台能自己识别螺丝孔位置并完成拧螺丝的机器人。这件事看起来平常，关键在于容差：即使螺丝孔的位置偏离原定位置数厘米，机器人仍能通过 AI 摄像头识别实际位置，据此调整动作完成作业。
厂方给出的价值链条很具体：如果这项技术能在量产环境中稳定应用，就可以减少固定夹具的复杂程度、降低生产设备成本、提高产品良品率。现场提到的重点场景是印刷电路板等精密制造——那里的螺丝位置、力度和安装精度都很敏感。
判断：「减少夹具」这四个字比「AI 拧螺丝」重要得多。夹具是刚性自动化的隐性成本：每换一款产品就要换一套定位工装，换型时间直接变成产线损失。如果机器人靠视觉把定位这件事接过一部分，那么换型成本的曲线就会被压平。这条价值主张如果能被数据验证，它的落点不在机器人本身，而在产线的柔性。但要注意，报道里给出的是「数厘米」这个容差量级和一段定性描述，没有成功率、没有节拍、没有连续运行时长——这三项任何一项缺失，都还不足以判断它是否已经跨过量产环境的那道门。
日立做的是横向协调：演示场景设定为突然接到一笔必须三天内交付的紧急订单，负责协调的 AI 与销售、生产管理等不同部门的 AI 系统交换意见，综合客户紧急程度、现有生产安排与员工加班时间，给出生产计划。这与过去单纯按订单数量排产的系统不同。
AWS 做的是纵向训练：让 AI 先在虚拟空间里学动作——在电脑模拟的工厂里建立虚拟机器人模型，反复尝试、观察结果、调整动作，再把学到的动作迁移到现实机器人上。现场演示是一台机械臂抓取红色积木放入箱子，另有一台机器人在虚拟空间里练习杂耍。
这两条线合起来，指向同一件事：工厂里的 AI 正在从「帮员工完成某个任务的工具」变成「管理系统」。日立把 AI 放在订单、设备、物流、人员之间做平衡；AWS 把 AI 放在动作生成的前端，用它替代工程师逐行编写动作程序。
最硬的一个数字来自 AWS：过去需要 7 名专家花一个月完成的部分开发工作，用这个平台可以压到 13 天左右，同时大幅减少人工投入。判断：这类「周期压缩」数字是机器人工程里最有说服力的一类指标，因为它直接对应项目现金流——开发周期缩短一半以上，意味着集成商的报价结构和资金占用都能重排。但也正因为说服力强，它最需要被追问基准：那 7 个人原来做的是什么、13 天里包含哪些环节、是不是需要额外的建模与调参人力。报道里没有给，暂时只能按厂商估算理解。
同一条线上还有安川电机的合作展示：一家「未来蔬菜店」，顾客对着麦克风说「我想做无水咖喱」，AI 建议购买番茄、胡萝卜等食材，机械臂把对应蔬菜放进购物篮，并且学习物品特性——先放较重的洋葱，再放容易被压坏的番茄。判断：「先放洋葱后放番茄」这个细节，比抓取动作本身更接近真实商业价值。它说明系统在理解物品属性并据此安排动作序列，这是零售与餐饮场景能不能成立的分水岭——因为这两个场景的货品组合每天都在变，靠枚举抓取规则是撑不住的。
| 企业 | 展示内容 | 关键参数 |
|---|---|---|
| TDK | 智能眼镜技术，将影像投射到佩戴者视网膜 | 核心反射膜厚度约 150 纳米；可见光透过率 80% |
| 村田制作所 | 带触觉的 AI 机械手 | 报道未给出具体参数 |
| 三菱电机 | 自主识别螺丝孔的拧螺丝作业 | 容差量级为偏离数厘米 |
把这两家放在一起看，会看到日本企业一种共同的切入方式：不从整机和模型入手，从材料、器件和精密加工入手，为 AI 产品寻找突破口。TDK 的 150 纳米膜与 80% 透过率，解决的是「智能眼镜不能看起来像一副设备」这个体验前提；村田的触觉机械手，解决的是「机器人抓东西时有没有感觉」这个能力前提。
判断：这条路线的优势是门槛实、可专利、可授权，不必参与模型竞赛；劣势是产品离终端用户远，价值需要下游整机厂放大才能兑现。当整机厂的出货量还在以万台计时，上游零部件公司的这类技术很难被快速拉动——这正好解释了为什么日本企业会选择在展会上密集展示底层能力：它们需要的是整机厂把它们的设计进去。
这篇现场观察给了一个清楚的概括：相对于中美两国在生成式 AI 上的角力，日本从一开始选择的是另一条赛道——物理 AI，试图发挥自己在精密制造、工业控制和自动化领域多年积累的优势。理由是硬的：机器人要在现实世界完成高精度操作，离不开电机、减速器、传感器、控制系统、精密零部件和可靠的制造工艺，而这些正是日本企业长期积累的领域。即使 AI 在数字世界里设计出一个完美的动作，如果电机不够精确、传感器反馈不够及时，动作依然落不了地。
代价也很清楚。软件决定机器人能否理解任务、规划动作，硬件决定它能否执行；日本在硬件一侧有积累，但缺少能把生态持续迭代起来的软件层。原作者的判断是，日本要把技术优势转化为 AI 国际竞争力，还需要降低成本、扩大应用规模，并形成能够持续迭代的软件生态——他给出的时间预期是「或许 5 年，更或许 10 年」。
判断：这个时间跨度本身就是结论。它意味着在未来三到五年内，全球具身智能的竞争格局大概率仍按各自的长板分层：中国在机器人产业化、制造规模与供应链协同上占优，美国在模型、云计算与开发工具链上占优，日本在精密部件与工业工艺上占优。谁会先补齐短板，取决于谁愿意花更长时间做看起来不性感的事。对国内的具身智能从业者来说，这篇现场观察里最该带走的一条不是某台设备多强，而是那三组数字背后的方向：容差、周期、透过率——都是能被写进验收条款的指标。当海外厂商开始用这类指标说话时，靠演示视频撑起来的差异化就不太够用了。