先把「不完美」这个词拆开

报道里对「不完美」给了三个具体例子：货物混堆、包装变形、车厢内壁不规则。这三个词不是形容词，而是三种明确的扰动类型——混堆改的是几何与重心分布，包装变形改的是视觉特征与抓取点，车厢内壁不规则改的是运动规划的空间约束边界。

三者有一个共同点：它们都无法从标准样本里学出来。一个只在标准托盘、标准纸箱上训练过的抓取模型，遇到混堆会出现什么？不是抓不到，而是抓起来之后不知道整体会不会塌。判断：这就是为什么「泛化」这个词在工业现场会被翻译成一句很土的话——「换个箱子还认不认得」。学术讨论里的泛化是分布外性能，工厂里的泛化是「明天来一批不一样的货，产线停不停」。

三个实例，对应三种应对方式

企业	工况	技术应对	公开数字
非夕科技	食品配餐：食材形态与状态不固定	食品垂类 AI 模型 + 视觉/触觉/语言多模态感知 + 双臂精细力控	末端力控精度 0.1N；东航食品基地单产线日产能近万份
赛那德	装卸：多品类、多包装混装	物流装卸垂域模型，每次抓取后预测整体稳定性	客户涉及烟草、酒水、医药、快消；报道点名三井物流、华润三九
中科新松（多可）	半导体洁净车间物料转运	OHS 空中轨道 + 地面 AMR 成套物料输送方案	报道称有利于打破海外对地面/空中一体化设备的长期垄断

表注：数字与表述均出自证券时报 2026-10-16 报道，属企业方口径；「0.1N」为末端力控精度，未说明测试条件。

三家用的办法不一样，但方向是一致的：把不确定性从算法里挪到系统里。非夕靠力控容差——用 0.1N 级的力觉分辨率换取「位置有误差也能夹住」；赛那德靠抓取前的预测——不是事后修正，而是动手前先算一次稳定性；中科新松靠架构——把运动空间拆成空中与地面两层，减少相互干扰。

判断：这三条路线的共同前提是「接受误差存在」。这与过去几年工业自动化追求「把环境标准化到没有误差」的思路正好相反。前者的成本花在传感器与算法上，后者的成本花在工装与场地改造上。当单台机器人的传感器成本下降、而改造成本难以下降时，前者会逐渐占优——这也是为什么这几年的落地案例，越来越多出现在「本来就没法标准化」的场景里。

为什么「不完美样本」是一种资产

可复制的部分：模型架构、训练方法、算力配置。这些东西论文和开源仓库里都有，追赶成本在下降。

不可复制的部分：真实产线上积累的失败样本——货物怎么歪的、包装怎么塌的、抓取点怎么偏的。这些只在具体客户的现场里长出来。

把这两部分分开之后，一件事就清楚了：当越来越多的团队能用同样的开源基座训练出差不多的策略，差异就只剩数据分布。判断：这也是「垂域模型」这个词在今年变得流行的真实原因——不是垂直行业需要专门的模型结构，而是垂直行业握着别人拿不到的样本。谁先把现场数据回流做成制度（作业即采集、异常样本归档、反哺迭代），谁的数据资产就滚得越快。

两句会场发言，指向同一件事

ABB 马思康

工业自动化的下一个时代，将由机器人的学习速度、而非机器人的编程水平来定义

海尔周云杰

自动化让机器会做，数字化让系统可见，智能化让制造会思考

墨影科技杨一鸣

从自动化到具身智能，需要政府引导、产学研协同、上下游共同把底座搭好、把标准做出来、把生态跑起来

三句话来自三类角色——一家国际自动化巨头、一家制造业用户、一家创业公司，但都指向同一件事：能力增长的机制换了。过去一条产线的自动化水平取决于工程师把多少工序写成程序，现在取决于系统把多少现场反馈变成下一次的改进。

判断：这对接下来的验收方式有直接影响。如果能力增长来自学习，那么一份验收报告就不该只写「成功率 98%」，而应该写清三件事——在什么扰动区间内达到的、失败样本怎么分类的、下一轮迭代从哪一类失败开始。缺少这三样的指标，看起来更像展台数据，而不是产线数据。这正是工博会这类场合最值得记录的部分：不是又多了几个 Demo，而是行业开始用工况的语言，而不是算法的语言，来讨论能力。

来源：证券时报 2026-10-16 06:18（记者陈雨康），第二十六届中国国际工业博览会现场采访；素材窗口前一日 18:00 → 当日 09:00。力控精度与日产能为企业方口径，未获独立信源确认。