工业智能

韩国本土AI芯片进机器人，难点在控制闭环与焊缝质量

, ,
韩国本土AI芯片进入机器人控制闭环与焊接研发（概念示意）

配图为概念示意，不是现场实拍或产品界面截图。

10月6日，Doosan Robotics宣布入选韩国政府支持的两项Physical AI研发项目，总研发预算约989亿韩元，其中政府资金约681亿韩元。一项把韩国本土AI芯片接入下一代协作机器人和工业人形机器人的感知、决策与控制；另一项研究复杂场景的智能焊接，目标包括核电设备，并将与熟练工焊接路径达到95%以上相似度列为研发目标。这不是已实现的焊缝质量指标。数字和概念都够醒目，但对于真正要把机器人交给车间的人，更难的问题是：端侧模型一旦看错、算慢或控制失准，机器人靠什么停下来？焊缝看起来像老师傅做的，又凭什么证明它能进入高要求设备的生产流程？

这两项项目应分开看。机器人项目考的是本地芯片能不能在物理世界里完成受约束的实时闭环；焊接项目考的是路径学习能否转化为可验证的工艺质量。两者有共同底座，包括传感、计算、控制和现场安全，但不能把“能跟随路径”直接等同于“具备可交付的焊接能力”。

芯片上了机器人，云端不能替它做最后一米决策

协作机器人在工厂与人和设备共处。相机、力传感器等不断提供信息，控制器需要据此更新动作。若每次关键判断都依赖远端服务，网络延迟或断连就会变成运动风险。日报概述的第一项项目强调不依赖云端完成关键闭环，正是要把这些环节留在设备附近。

但“本地运行”并非把模型文件复制进芯片就完成了。工程师先要梳理感知结果从哪里来，多久更新一次，出现丢帧或误检会怎样；再确认模型推理与运动控制之间如何交接，控制层是否能拒绝越界动作。机器人接近人、夹持工件、避开障碍时，视觉判断给出的目标坐标只是建议，运动系统还要处理速度、力、限位和碰撞约束。AI负责适应现场变化，安全控制负责守住不能越过的边界。二者的职责若混在一起，出了问题也难以定位。

端侧芯片要经受的不是一轮漂亮的视频演示，而是一长串不那么好看的情形：照明变化、工件反光、工具遮挡、传感器读数冲突，操作员临时进入工作区，以及产线切换任务时模型仍持有旧状态。项目越强调“自主”，验收越应重视异常输入和降级策略。识别没有把握时是否暂停；计算资源吃紧时是否回到受限制的动作模式；设备重启后是否会沿用过期目标。这些都是工程验收问题，不是此次项目公告已经给出的性能结论。

对这项韩国本土AI芯片研发，更现实的挑战是把完整软件栈跑稳。模型在开发机上的速度和机器人身上的速度不是同一个数字。多路传感输入、现场通讯、日志、任务调度和安全进程会共享算力与内存；散热和供电也受机器人本体限制。硬件厂商若只展示单模型推理，不展示整机运行中的稳定性，机器人厂商很难判断芯片是否适合部署。反过来，本体厂商也应把所需的输入接口、控制时序、故障行为和可维护性要求提前交给芯片与算法团队，而不是等样机拼起来再补协议。

“95%以上路径相似度”说明了什么，没说明什么

第二项项目把熟练工人的焊接路径作为学习对象，并提出95%以上的相似度目标。这个指标容易传播，因为它具体、直观。它可以用来检查机器人有没有抓住专家的走枪路线；它不能单独回答焊接质量是否合格。

路径只是焊接过程的一部分。同一条路线，工件装夹有偏差、焊枪姿态不同、接头间隙发生变化，实际熔合情况都可能不同。焊接过程还受到热输入、材料状态和工艺参数影响。机器人复现专家轨迹，首先要回答“轨迹相似”如何定义：比较焊枪末端的位置，还是还包括角度、速度和时序？对比依据是一次示范，还是能够覆盖不同工件状态的一组样本？如果现场偏差出现，系统沿原路径走下去，还是测量并修正？

这些问题并非要求媒体公告提供完整工艺规程，而是提醒企业不要用一个相似度数字替代质量验收。尤其在核电设备等高要求场景中，焊缝的检测结果、工艺过程记录、材料和批次信息、操作边界以及异常处置，必须能组成可追溯证据。文章不据此推断项目已取得核电生产许可或达到特定行业认证；日报给出的是研发方向与项目目标。

把熟练工经验变成算法也有一道现实难关。老师傅会在焊接过程中根据熔池状态、声音和工件变化调整动作，事后的末端轨迹只保留了结果，没有保留他为何在此处减速或改变角度。如果训练数据只包括路径，模型很可能学到一条看似工整的曲线，却不能应对装夹偏差。更扎实的方案应记录示范动作对应的现场状态，再用试件和质量检测验证哪些调整真的有效。这是对研发路线的工程建议，不是对Doosan现有实现的事实描述。

两个闭环不能混为一个闭环

第一项项目的闭环，是传感输入驱动机器人行动，再从环境得到新反馈；第二项项目还多了一层工艺闭环：焊完以后，检测是否证实质量合格，发现缺陷能否追溯到此前的工况与参数。运动控制做得稳，焊接质量仍可能不稳；某一批试件质量好，也不能保证机器人在换工件、换夹具和换班次后继续稳定。

韩国本土AI芯片进入机器人控制闭环与焊接研发（概念示意）

焊接画面为概念示意；95%以上是研发路径相似度目标，不代表质量认证、已投产或实测结果。

企业评估合作方案时，可以分别设两类门槛。机器人侧关注异常情况下是否保持可控，感知、推理、控制的实际运行轨迹是否能复盘；工艺侧关注焊接参数、材料与接头状态、过程记录和检测结论能否对应到具体工件。两类数据需要关联，但验收口径不同。一个项目只交付会动的机器人，离高要求焊接应用还远；一个项目只交付合格样件，也不足以证明端侧Physical AI能在现场长期运行。

这也解释了为什么芯片、算法、机器人和工艺单位必须一起开发。芯片提供算力，算法给出识别与动作建议，本体负责准确执行，工艺团队定义何为可接受的焊接结果。任何一方独自宣布“完成闭环”，都可能只是完成了自己负责的那一段。跨团队的接口文档要写清输入可信范围、通信失败的处理、停止条件和记录格式，让下一方有办法拒绝不安全的请求。

研发中还应区分操作员的两种角色。第一种是老师傅提供示范和纠偏，用来建立可重复的工艺样本；第二种是生产现场的授权人员，在设备不确定或异常时决定接管。前者帮助模型学习，后者对现场处置负责。把两种责任合并成一句“人机协作”，会遮住实际需要设计的训练、审批和停机流程。

试验设计里还有一个容易被忽略的选择：哪些失败要主动制造出来。若只让机器人面对定位准确、表面洁净、夹具牢靠的样件，算法通常能得到好看的展示结果。研发团队应在安全受控的试验条件下改变工件摆放与可见度，模拟焊缝识别不完整、传感器暂时失效等情况，观察系统是继续焊、请求复核还是停机。评审人不只看完成的那条焊缝，也看每次停止的理由能不能从记录中找到。能坦率说出“这次不该焊”，比勉强把路径走完更接近工业生产要求。

合作企业先做什么

若是芯片或模组企业，优先与机器人厂商在整机条件下约定测试场景。要看现场输入链、推理时间波动、连续运行、掉电恢复和温度变化；把模型升级后的兼容性纳入测试。只报单次模型峰值，很难支持生产采购。需要特别指出，本文并不引用任何尚未公布的芯片型号、性能或机器人部署数量。

若是机器人集成商，先把安全职责与AI职责隔开：哪些动作可以由模型建议，哪些必须由受约束的控制器执行；谁能更换模型，谁能修改动作范围；出现传感器故障时设备怎样退回安全状态。试点阶段保留完整的输入、建议、控制指令和设备回执，便于追查模型与硬件究竟哪一环出错。这些要求还会直接影响维护合同，故障不能只靠“重启模型”来处理。

若是焊接工艺企业，选定一种有明确工艺文件与检测方法的接头类型，先用熟练工示范建立基线，再让机器人在可控的试件条件下复现。逐项比较轨迹、过程参数和检测结果，记录失败样本；暂不要因为路径相似度好看，就把试件结论外推到复杂设备。等到换批次、换位置和出现可预期的装夹偏差仍能守住质量要求，再讨论扩大场景。高要求应用必须按适用的质量与安全要求完成独立验收，这一步不能由AI演示替代。

采购方则应把项目公告里的三类话区分开：已经发生的事实，是Doosan入选两项政府支持研发项目及其公布预算；尚待实现的，是端侧关键闭环与焊接路径相似度等研发目标；需要企业自己验证的，是可靠运行和焊接质量。数字可以帮助界定项目范围，却不能提前替研发结果盖章。

从项目消息读出真正的产业信号

韩国把本土AI半导体放进机器人研发任务，说明它希望本地算力进入实际设备，而不只停留在服务器或芯片展示台。这会倒逼算法、本体和现场工艺共同定义接口，也会让系统集成能力成为竞争点。机器人在受控环境里完成动作之后，下一关是有缺陷的真实现场；焊枪在样件上走出相似路线之后，下一关是质量体系接受的证据。

对中国企业也一样。跟进Physical AI，不必急着把“中国本土芯片”“工业人形”“核电焊接”写进同一张宣传页。先挑一个可重复的工况，测出端侧系统在失败时如何停，再让工艺检测回答焊得是否可靠。能过这两关，机器人和芯片的联合研发才可能从样机走向车间。

来源

分享到