李建国在装配线干了二十年，看机器就像看孩子。2025年4月，北京通用人工智能研究院（BIGAI）的技术团队带着“通用智能体”TongAgents进驻了他的车间。这是BIGAI试图打通产学研闭环的实验之一，据其官网披露，通研院正致力于让AI从论文榜单走进真实的物理世界。
三个月过去了，产线没有传说中的效率翻倍，反而传来了李师傅和另外两位老工人的抱怨。他们不反对技术进步，但反对那种“看起来全能，用起来别扭”的通用智能体。在人机协作的深水区，技术的光环正在被现实的粗糙感磨损。
看不懂的“黑盒”决策
“它知道零件该往哪放，但它不知道为什么要这么放。”李建国指着传送带旁那个不知疲倦的机械臂说。
通研院发布的行业智能体基准重新定义了“数字员工”的上岗标准，强调自主决策。但在车间里，这种自主性往往意味着失控感。在之前的测试中，通用智能体能通过SceneVerse++构建的高保真3D场景进行预演，逻辑看似完美。然而，一旦进入实体车间，面对光线变化、工件微小变形或工具磨损，AI的决策路径不再透明。
当李建国询问为什么AI指令让机械臂跳过某道工序时，得到的解释是一串复杂的概率权重，而非工艺逻辑。对于习惯了“知其然更知其所以然”的老师傅来说，无法解释的AI就是最大的安全隐患。这与《工厂里的质检Agent，怎么跟老旧ERP系统对话》中提到的困境异曲同工：当AI无法用人类理解的因果逻辑沟通，它在车间里就只是一个昂贵的、偶尔出错的自动化脚本。
维护责任的“真空地带”
王强是负责产线维护的工程师，他的烦恼在于：当通用智能体出问题时，该找谁？
传统的PLC程序坏了，找电气工程师；机械故障，找机修工。但TongAgents融合了感知、认知和执行，底层架构复杂，涉及多模态大模型、强化学习策略和实时控制系统。一旦AI在装配过程中出现误判，比如将次品判定为良品，或者因为传感器噪声导致动作卡顿，责任归属变得模糊。
“它像个天才，但也是个婴儿。”王强说，“它学得快，忘得也快，而且没人知道它‘记’住了什么。”这种维护断层在《人形机器人进工厂三个月：能拧螺丝了，但为什么还在亏钱？》一文中也有体现——运维成本才是真正的无底洞。通用智能体虽然号称“通用”，但在特定车间的长期运行中，缺乏针对特定场景的微调和持续监控机制，导致故障排查成本远高于传统自动化设备。
与老旧系统的“语言障碍”
第三个反对声音来自车间主管赵敏。她最头疼的不是AI有多聪明，而是它有多“孤立”。
通研院的SceneVerse++和OmniXtreme框架展示了极强的泛化能力，能让机器人解锁高难度动作，也能在仿真世界中提炼真实3D场景。然而，现实中的车间往往充斥着十年前的ERP系统和各种私有协议的MES数据库。AI智能体想要获取物料规格、公差要求或生产计划，需要通过一层薄中间件做协议转换、编码桥接和缓存限流。
但在实际部署中，这种“桥梁”并不稳固。通用智能体常常因为读不懂旧系统的数据格式，或者网络延迟导致指令滞后，而不得不频繁请求人工干预。赵敏说：“我们请了一个‘博士’来上班，但他连我们厂里的‘土话’都听不懂，每次都要我去翻译。”这种兼容性成本，抵消了部分自动化带来的效率提升。
通用智能体的“接地气”之路
BIGAI的通研院在学术和榜单上确实领先，TongAgents多次登顶国际智能体榜单，SceneVerse++让智能体走进物理世界的愿景令人振奋。但车间不是实验室，老师傅的反对意见也不是技术偏见，而是对现实约束的直观反应。
通用智能体要真正融入车间，不仅需要更强的算法，更需要解决信任、维护和兼容这三大痛点。正如《物理 AI 走出实验室：2026 年夏天，哪些工厂场景真的用上了》所指出，技术价值的释放取决于在车间网络、边缘算力和老旧系统兼容等现实约束下的适应能力。
也许下一次，当AI走进车间时，它不需要展示它能做多少个“托马斯全旋”，而是能清晰地告诉李建国：这个零件为什么这么装，出了问题谁来修，以及它是怎么读懂那本破旧的ERP手册的。这才是“通用”该有的样子。
