摘要：今日工业智能动态显示，制造业AI正在从“局部工具”走向“工程数据—数字孪生—现场执行”的闭环。Rockwell Automation与Center for Automotive Research发布汽车智能制造白皮书，指出AI、机器学习和自动化正进入电子装配、验证、生产协调、物流等更难自动化环节；Unilever与Accenture宣布在全球制造网络规模化部署AI数字孪生，消费品制造正在把数字孪生从示范项目推向跨工厂推广。
今日工业智能动态显示，制造业AI正在从“局部工具”走向“工程数据—数字孪生—现场执行”的闭环。Rockwell Automation与Center for Automotive Research发布汽车智能制造白皮书，指出AI、机器学习和自动化正进入电子装配、验证、生产协调、物流等更难自动化环节；Unilever与Accenture宣布在全球制造网络规模化部署AI数字孪生，消费品制造正在把数字孪生从示范项目推向跨工厂推广；NVIDIA与工业软件伙伴持续推进CAD、仿真、机器人和仓储自动化的OpenUSD/Omniverse连接，显示工业智能的基础设施正在向统一工程数据底座演进。与此同时，机器人和Physical AI资本热度仍在上升，但产业落地的关键已经从“能演示”转向“能部署、能稳定、能闭环”。
6月16日，Rockwell Automation与Center for Automotive Research发布《Smart Manufacturing in Automotive: Deployment and Impact》白皮书。报告基于Rockwell的智能制造数据，分析AI、机器学习和自动化如何重塑汽车、轮胎和电池制造。报告指出，汽车行业已经在车身、喷涂、焊接等环节形成较强自动化基础，下一阶段正在转向电子装配、验证、生产协调、物流等更难自动化的环节。
白皮书给出了较具体的成效：部分应用中，非计划停机可减少最高50%，整体设备效率提升约5%，实时生产分析带来5%至7%的吞吐提升。这说明工业AI的评价方式正在从“模型准确率”转向“停机、OEE、吞吐、质量、保修成本”等生产指标。对汽车供应链企业来说，AI不是一个单独系统，而是嵌入MES、质量检测、预测维护、物流调度和设备运维的组合能力。
6月16日，Unilever宣布与Accenture合作，在全球制造网络中规模化部署AI-enabled digital twins。官方新闻稿称，该多年计划将帮助工厂提升质量、效率，并更快响应消费者需求；Accenture新闻稿也指出，这一项目面向Unilever全球制造网络，而不是单个工厂试点。
这条新闻值得关注，是因为数字孪生长期面临“样板间好看、规模化困难”的问题。消费品制造的挑战在于产品配方、包装、产线节拍、设备状态、质量波动和需求变化高度耦合。如果AI数字孪生能够跨工厂复制，就意味着企业开始形成标准化的数据模型、工艺模型和优化模型。工业智能的核心不再是把一条产线可视化，而是让不同工厂共享同一套工程语义、质量控制逻辑和持续优化机制。
NVIDIA此前披露，其与全球工业软件伙伴正在把设计、工程和制造带入AI时代。其中，PTC宣布从云原生Onshape CAD/PDM平台到NVIDIA Isaac Sim的机器人设计到仿真工作流，形成CAD-to-OpenUSD桥接，使FANUC America和Fauna Robotics等工程团队能够在物理准确的数字孪生中设计、验证机器人系统；Krones使用Ansys Fluent、Microsoft Azure、NVIDIA Omniverse、CUDA-X和GPU加速仿真，将灌装线仿真时间从小时级缩短到分钟级；KION则与Siemens、NVIDIA、Accenture合作，用物理AI数字孪生训练和测试自主叉车。
这说明工业软件竞争的焦点正在从单点软件转向“工程数据互操作”。CAD、CAE、PLM、仿真、机器人控制和现场反馈之间，过去通常是割裂的文件、接口和流程；OpenUSD和Omniverse类平台正在尝试成为跨软件、跨资产、跨仿真环境的数据中间层。对于工业智能体而言，只有工程语义能够贯通，Agent才可能真正理解设备、工艺、约束和现场执行结果。
Business Insider 6月15日报道，全球机器人与Physical AI风险投资从2019年的约40亿美元增至2025年的260亿美元，2026年以来相关公司已融资超过230亿美元。报道梳理了22位机器人和Physical AI投资人，涉及人形机器人、仓储自动化、防务机器人、工厂装配、农业机器人、重型装备自动化和通用机器人“脑”等方向。
资本热度背后，产业逻辑很清楚：AI正在从屏幕走向物理世界，制造、仓储、施工、巡检和服务场景都有自动化缺口。但投资人也提示，机器人不只是模型问题，更是硬件、传感器、执行器、供应链、可靠性、安全认证和真实世界数据的问题。对制造业来说，Physical AI的落地路径很可能不是“万能人形机器人一步到位”，而是先在固定场景、固定工艺、固定安全边界中形成高ROI闭环。
2026年发布的《Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing》指出，AI/ML正在重塑智能制造，但工业部署仍面临工业大数据复杂、数据管理、异构传感与控制系统集成，以及高风险场景下可信、可解释、可靠运行等挑战。路线图覆盖工业大数据、先进感知、自主系统、数字孪生、机器人、供应链、可持续制造、物理信息AI、语义AI、工业基础模型等方向。
这对企业落地有直接启示：工业AI项目不能只看“模型演示效果”，必须从数据治理、设备连接、控制安全、仿真验证、模型维护和现场人员协同一起设计。越靠近产线，越需要工程化治理；越接近控制闭环，越需要可审计、可回退、可解释。
Rockwell Automation：《Rockwell Automation and the Center for Automotive Research Release New White Paper on the Next Phase of Smart Manufacturing in Automotive》，2026-06-16，用于核验汽车智能制造白皮书与成效数据。
Unilever：《Unilever scales digital twins across global manufacturing network with Accenture》，2026-06-16，用于核验Unilever全球制造网络数字孪生项目。
Accenture Newsroom：《Unilever scales digital twins across global manufacturing network with Accenture》，2026-06-16，用于交叉核验项目范围与AI数字孪生描述。
NVIDIA：《NVIDIA and Global Industrial Software Giants Bring Design, Engineering and Manufacturing Into the AI Era》，2026年，用于核验PTC、Krones、KION等工业软件与仿真案例。
Business Insider：《Meet the 22 investors to know in robotics and physical AI》，2026-06-15，用于核验Physical AI和机器人投资趋势。
Automation.com：《Smart Manufacturing》栏目，2026年6月，用于补充Siemens Intelligence Center X、工业AI产品动态。
Automation.com：《News & Articles for Industrial Automation Professionals》，2026-06-11，用于补充OMRON等自动化长尾厂商动态。
arXiv：《2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing》，2026年，用于补充智能制造AI路线图与技术挑战。
Digital Twin Consortium：《DTC Press Releases》，2026-06-02/05-27，用于补充SysML v2、Xaba与物理AI数字孪生生态动态。
BusinessWire：《Suffolk Strengthens Advanced Manufacturing Leadership and Texas Presence》，2026-06-16，用于补充先进制造、半导体、电池、机器人等基础设施建设动态。
关注高促会新质生产力工委会公众号
关注工业智能算网平台
发布日期：2026年6月17日
发布机构：中国高技术产业发展促进会新质生产力工作委员会
本报告仅供行业研究参考，不构成投资建议