在加速向AI企业转型的同时，韩国三大运营商正把目光投向机器人和制造现场，并将能够感知现实环境、作出决策并执行操作的“物理AI”视为新的增长方向，持续推进技术研发与商业化落地。

与侧重文本、图像生成的AI不同，物理AI更强调对周边环境的识别、理解与行动执行，通常通过机器人或各类设备完成实际操作。业界普遍认为，连接视觉、语言与动作的VLA（Vision-Language-Action）技术、用于映射现实空间的数字孪生，以及机器人训练数据体系，是这一领域的核心基础。

对运营商而言，物理AI的重要性还在于能够复用现有网络、云和数据中心等基础设施能力。韩国三大运营商判断，稳定的通信网络有助于实现大规模数据的实时传输，叠加边缘基础设施的现场处理能力，将有利于物理AI在工业场景中加快落地。

SKT：以数字孪生切入制造现场

SKT正将其在制造AI领域积累的数字孪生能力延伸至物理AI。其思路是将工厂和设备映射到虚拟空间中，提前验证工艺调整或设备布局变化带来的结果，同时用于机器人训练。

此前，SKT已将基于NVIDIA Omniverse的数字孪生技术应用于SK hynix半导体晶圆厂，通过在虚拟空间中还原真实制造现场，提前评估生产线调整和设备布局变更的影响。与此同时，SKT还在推进机器人训练数据的采集与标准化，希望在虚拟空间中生成数据并完成训练，以缓解机器人在真实现场反复经历多种场景时所面临的海量数据需求。

在全球标准化方面，SKT向国际电信联盟电信标准化部门（ITU-T）提出的“机器人数据工厂联动架构与方式”，已被采纳为新的标准化课题。该技术旨在打通不同厂商和平台之间的数据格式差异，提高机器人训练数据的复用效率。

SKT也在扩大与初创企业的合作。7月，SKT与韩国8家机器人初创公司举行座谈，讨论在数字孪生空间内构建用于机器人基础模型（RFM）开发的训练数据，并在制造、物流和服务现场开展联合验证。SKT表示，希望以此加快研究阶段技术向现场应用和商业化转化，并进一步扩大与本土物理AI初创企业的合作，推动机器人生态发展。

KT：以K RaaS平台统筹多类机器人协同

KT的重点并不在单一机器人本体，而是放在连接不同机器人和设备的统一调度能力上。其核心产品为机器人服务平台K RaaS（KT Robot as a Service），面向制造企业提供统一管理能力，可接入不同厂商的机器人、既有工业设备以及企业IT系统。

以物流中心为例，该平台可打通移动机器人、仓储管理系统（WMS）、电梯和自动门等设备与系统，形成端到端的作业流程协同。

与此同时，KT也在研发基于VLA的相关技术，使机器人能够理解周边环境和人的指令并据此执行动作。KT的目标是不依赖单一厂商体系，覆盖人形机器人、移动机器人等多种形态。今年2月在西班牙巴塞罗那举行的MWC26上，KT曾展示相关应用场景：人形机器人在检查零部件状态后，向移动机器人下达运输指令。KT希望通过这类协同作业系统构建智能化的物理AI生态。

目前，KT正将K RaaS的落地范围扩大至半导体工厂、物流中心和智能楼宇等场景。KT相关人士表示，后续还计划把物理AI技术从制造和物流进一步拓展至酒店、零售和医疗等领域。

面向工业现场的验证工作也在同步推进。KT参与韩国科学技术信息通信部的“高性能AI网络基础设施建设项目”，并与Samsung Electronics、HD Hyundai Samho等企业在全罗南道灵岩的HD Hyundai Samho造船厂建设基于AI-RAN的物理AI服务。项目将在造船厂焊接和涂装工厂验证工艺自动化，包括利用四足焊接机器人进行精密焊接，以及通过自动驾驶涂装机器人推进流程自动化，并对生产效率和安全性进行评估。

LG U+：以语音AI切入生活场景

相比之下，LG U+更强调运营商在语音能力上的优势，尝试打通语音AI与物理AI。其设想是，Exio可基于通话内容理解用户所处情境，并判断所需执行的动作，再由人形机器人完成实际操作。

例如，当用户在通话中提到出差时，Exio可结合日程和天气等信息进行判断，再由人形机器人准备所需物品。LG U+的目标是进一步连接智能眼镜、可穿戴设备、家电和车辆等终端，扩展至“Ambient AI”场景，在用户无需额外发出指令的情况下提供情境化服务。

在支撑物理AI的网络技术方面，LG U+也在同步推进研发。该公司正与延世大学联动5G网络和AI-RAN试验网，验证机器人或无人机在不同网络间移动时仍可保持连接的相关技术。LG U+认为，物理AI若要从工厂和物流中心扩展至更多场景，无中断通信能力将是必要条件。

不过，业界也指出，三大运营商在物理AI上的投入要真正转化为实质性收入，仍面临不少挑战，原因在于降本增效等具体成效尚未得到充分验证。

有业内人士表示，目前三家公司更重视在工业现场验证技术可用性，而非追求短期盈利；从商业化节奏看，在制造、物流等投入产出相对更易量化的B2B领域，相关应用更有可能率先落地。