在韩国全州的全北大学Physical AI制造技术实证实验室内，机械臂夹起汽车转向盘并放上传送装置，零部件随即进入下一道工序；另一台机械臂接手完成后续加工与装配，自主移动机器人（AMR）则在各工位之间往返搬运物料。记者在现场采访时，不慎进入机器人单元前的安全区域，警报随即响起，运行中的设备立刻停机，约0.5秒后，墙面的数字孪生屏幕也同步更新了相关工序状态。

8月27日，记者探访了这座位于全州的全北大学Physical AI制造技术实证实验室。该实验室并非单纯展示自动化设备，而是希望在既有自动化工厂基础上，验证具备“自主判断”能力的制造技术。与按预设流程重复执行的传统自动化不同，其目标是让设备能够识别异常，并自行调整作业顺序。目前，实验室已实现异常检测和处置建议功能；至于由设备自主调整并恢复工序的能力，后续将在正式项目中继续推进。

该实验室面积846平方米，由去年的概念验证（PoC）项目投资67.7亿韩元建成。用于模拟真实生产线的生产区（P区）内，共设置9个机器人单元。

按照现场流程，AMR将原材料送达后，视觉设备会先检测材料状态。合格材料随后依次进入去毛刺、激光打标、加工、装配和质量检测等环节；不良品则通过独立轨道分流。研究团队介绍，整条生产线围绕汽车转向盘、后视镜等3类产品设置了相应工艺流程。

全北大学Physical AI融合技术事业推进团团长Kim Soon-tae表示，引入人形机器人并不意味着工厂生产率会立刻提高，项目的核心在于让现有设备之间形成协同，从整体上提升制造效率。

在他看来，比机器人本体运动能力更关键的是支撑其自主运行的“工厂操作系统（OS）”。在该实验室中，机械臂、AMR、传感器和加工设备被接入同一套系统，共享生产计划和设备信息。现场一名研究人员发出“展示A4工序现况”的语音指令后，AI智能体便调取生产数据，并在屏幕上打开对应工序界面。

在生产线调度上，多个AI智能体分工协作。每个单元都配置了面向具体工序的智能体，同时由负责全流程统筹的智能体进行整体监控。当传感器数值偏离正常区间时，工序智能体会先识别异常，再由统筹智能体定位问题环节，并向作业人员提出处置建议。

不过，如果某台设备发生故障，要进一步联动其他设备和物流机器人同步调整作业顺序，目前仍需人工或上位控制系统介入。

全北大学后续正式项目的目标，是在加工设备出现异常时，由系统自主识别原因，并调整后续工序顺序，或将产能分配至其他设备，以提高自主化水平；同时，还将推进由AI直接调整设备参数、恢复设备运行，以及对多道工序进行联合优化的相关技术开发。

穿过生产区后，便进入创新区（I区）。这里集中布置了多操控臂设备、移动式双臂机器人，以及动作捕捉和虚拟现实（VR）设备。与侧重模拟真实制造流程的P区不同，I区主要用于训练机器人的动作能力。研究团队通过动作捕捉，将人的动作转化为机器人学习数据，并据此采集和训练多样化的机器人行为数据。I区共部署8类、20台设备。

在独立的动作捕捉房间内，全北大学研究人员身上贴着标记点，挥动双臂时，对面的中国Unitree人形机器人会同步模仿相近姿态。研究团队表示，项目目标并非开发机器人硬件本身，而是研发可适配不同机器人的“行为智能”，因此实验中也会使用实验室常见的海外机器人开展实证。

安装在天花板上的高速摄像头可读取人体关节运动，并将其转换为适配机器人身体结构的数据，这一过程被称为“重定向（retargeting）”技术。采集到的人体动作数据会被转换为机器人关节信息和影像数据，用于模型训练；而那些在真实环境中难以采集的动作或异常场景，则通过NVIDIA Isaac Sim生成的合成数据进行补充。

在另一套设备上，研究人员还会直接操控双臂机器人，完成抓取、装配等动作示教，并同步保存机器人关节信息和相机画面，作为训练数据。研究团队表示，后续将综合使用采集到的真实行为数据和仿真数据，训练机器人行为模型。

不过，现场演示并非始终顺利。一名记者佩戴VR设备尝试远程操控时，设备未能立即启动。对于这类需要直接在真实设备上操作并采集数据的场景而言，现场本身就存在不少难以预期的变量。

研究团队还利用虚拟环境生成真实工厂中难以获得的数据，用于训练火灾、设备故障等低频但处置关键的场景。由于无法在工厂内人为制造事故，团队会借助VR或仿真手段构建异常情境，并采集人与机器人在相关情境下的应对数据。

实证并不局限于实验室内部，也已延伸至外部工厂。全北大学研究团队介绍，去年已将PoC技术应用于全北地区3家汽车零部件企业，分别为DH Autolead、Daeseung Precision和Donghae Metal。

其中，DH Autolead在工序间搬运等环节引入AMR；Daeseung Precision则在加工设备上下料及部分零部件分拣环节推进自动化。研究团队称，两家企业的产量分别提升7.4%和11.4%。

与去年的PoC阶段相比，今年起项目规模将明显扩大。韩国科学技术信息通信部与NIPA计划在2026年至2030年期间，向庆南和全北的Physical AI研发合计投入1.4131万亿韩元，其中全北为7368亿韩元，庆南为6763亿韩元，共推进35项研发课题。

韩国科学技术信息通信部认为，Physical AI的核心在于让制造设备感知周边环境、作出自主判断，并实现自主运行。为此，不仅需要打通不同机器人和制造设备的软件系统，也需要大量来自真实工厂场景的训练数据。此次研发的目标，是推动制造现场超越单纯自动化，使设备即便在异常情况下也能实现协同作业。

NIPA制造AX项目负责人Lee Jun-woo表示，韩国科学技术信息通信部所定义的Physical AI，并不局限于人形机器人。在自动化程度已经较高的制造现场，更关键的是让现有设备和机器人实现智能化，并完成互联互通。

在推进本土Physical AI全栈能力建设方面，韩国的方向也已明确。尽管难以完全摆脱NVIDIA Isaac Sim、Siemens等海外平台，但在工厂OS、AI模型、设备控制等可由本土技术替代的领域，韩国将由国家层面主导获取关键技术，并推进标准化。

Kim Soon-tae表示，项目最终希望打造的是“AI工厂长”，也就是建立一个能够让AI自主运营工厂的环境。