工业机器人自动化按小时付费模式全解析

工业机器人正处于一个关键的转折期。人工智能、大语言模型，加上备受关注的“具身AI”——能够理解物理世界、推理环境并与之交互的机器人——确实重新点燃了整个行业的热情。

谷歌DeepMind与波士顿动力的高调联手，更是将市场预期推向新高：通用型机器人或许很快就能在工厂车间落地。

但并非所有人都认为这些突破意味着制造业即将迎来根本性变革。

Workr Robotics创始人兼CEO肯·马肯（Ken Macken）持有非常务实的立场。他对AI和机器人领域的技术进步表示欢迎，但一针见血地指出：当前吸引媒体关注的炫酷能力，距离真正解决制造商每天面临的现实挑战，还有相当长的距离。

在他看来，工厂管理者根本不在乎机器人能否“推理”。他们只关心一件事：这台机器能否在整个班次中，准确、可靠、重复地完成特定任务。

Workr Robotics的定位极其清晰——聚焦码垛、机床上下料、拾取和放置这类重复性工业任务。该公司不追求宽泛的通用自主能力，而是将精力集中在快速部署、运营可靠性，以及一套名为“机器人即劳动力”的商业模式上。说白了，就是降低企业采用自动化的门槛。

在这篇访谈中，马肯详细阐述了为何他认为机器人行业有时会混淆令人印象深刻的演示与真正可投产的系统；为何在制造环境中，运营一致性比通用智能重要得多；以及制造商在追求产量的同时，为何越来越重视灵活性。

他还解释了传统工业机器人的购买模式如何让许多制造商难以下定决心投资；分享了在真实工厂环境中部署机器人的实战教训；最后指出：成功的自动化项目不仅需要看懂流程图，更要深入理解车间里的实际操作方式。

这是一个立足当下的务实视角——关于工业机器人现状、AI真正能创造价值的领域，以及在这波热潮背后制造商真正该关注什么。

机器人与自动化新闻：当前，围绕具身AI和推理模型的讨论声势浩大，尤其是谷歌DeepMind与波士顿动力合作之后。您认为这些讨论对制造业而言存在夸大成分。在您看来，人们最常把“令人印象深刻的演示”和“可量产的自动化系统”之间的哪些地方搞混？

肯·马肯：最普遍的问题，就是把一段刷屏的演示视频当成了技术可行的证据。但事实并非如此——至少现在还不是。制造商需要自动化完成的任务看起来也许很基础，但它们对可靠性的要求是百分之百。

看Atlas机器人做跑酷当然很酷。但在一个混乱嘈杂的工厂车间里，让一台机器人在整个班次中，每次都准确无误地抓取正确的零件，那是完全不同的两个挑战。

具身AI的愿景确实令人兴奋，我也很高兴大家都愿意讨论它。但现实是，这项技术还没有准备好去完成制造商今天需要它做的工作。把这两者搞混，代价可能会非常昂贵。

机器人与自动化新闻：您曾说过，“推理能力”对制造任务而言其实是个“错误的框架”，因为工厂环境要求的是接近完美的可靠性。您觉得机器人行业目前是不是把通用智能的重要性，摆在了制造商真正关心的运营一致性的前面？

肯·马肯：是的，这种优先级的错位很要命。制造商不在乎你的系统是不是“通用”，他们在乎的是：这个系统能不能每次、每个班次，都准确无误地完成它被雇来做的那个工作。我们不需要一个有哲学思辨能力的码垛机器人，我们只需要它把托盘堆好。

工厂管理者真正在问的问题是：“这东西能在一天之内学会我的任务吗？明天它还能稳定运行吗？” 追求机器人的通用智能，解决的是制造商并不存在的问题，却恰恰忽视了它们真正需要的运营一致性。

机器人与自动化新闻：Workr的定位非常贴近实际部署，主攻码垛、机床上下料、拾取放置这些重复性工厂任务。从您的经验来看，制造商目前面临的最大痛点是什么？在哪些领域，自动化能带来真正可量化的投资回报？

肯·马肯：我所看到的三个持续性的痛点是：找到可靠的员工、应对高流动率，以及稳定达成产量目标。只有当自动化能帮工厂释放出新的产能——比如接下以前不敢接的订单、扩大现有业务规模、从而推动营收增长——它才能真正带来可观的投资回报。

通用型自动化目前解决不了上述任何一个问题。工厂需要的是能快速产出可靠、可预期结果的专用工具，而不是一个运行缓慢的通用型新鲜玩意儿。

机器人与自动化新闻：您的商业模式中有一个很有趣的设计，就是“机器人即劳动力”的定价方式——按小时收费，大约是25美元，而不是一次性出售一个大型资本系统。您为什么认为传统工业机器人的购买模式，对许多制造商来说已经成了一道障碍？

肯·马肯：因为传统模式要求制造商在完全不知道结果如何的情况下，就为一个僵化的系统砸下巨额赌注——而生产流程是会变的。当下个季度产线可能面目全非时，为什么要为一个只为单一任务设计的系统投入七位数？

而且，传统机器人的销售逻辑，是假设它会24小时全天候运行的。但这并不符合大多数工厂的实际情况。一天跑12小时、一周五天，才是更现实的节奏。在这种情况下，你等于在为自己永远用不到的机时买单。

按小时为自动化付费——就像雇一个人一样——可以大幅降低风险。Workr的定价是每小时25美元，没有前期资本投入。如果效果不达预期，客户随时可以停止付费。

在我们看来，这是消除自动化常见壁垒、帮制造商快速解决问题的最简单方式。

机器人与自动化新闻：您的平台强调支持高混合品种制造和快速换型，声称换型时间可以从几个小时缩短到几分钟。和传统工业机器人追求最高速度和产量的优先级相比，灵活性现在变得多重要了？

肯·马肯：灵活性现在已经是基本门槛了。传统机器人是为单一任务而生的，以最高速度永续执行。但明天的生产，几乎总是和今天有那么一点点不一样——质量有差异、客户有定制需求、新的SKU层出不穷。

过去人们觉得必须在灵活性和产量之间做取舍，但这个说法已经过时了。技术已经跟上来了，专用AI模型和自动化的结合，如今完全可以同时实现高速产量，并处理同一产线上的细微变化。

还在把这件事当作取舍的人，用的还是上个十年的思维框架。

机器人与自动化新闻：很多AI机器人初创公司大谈特谈自主能力，但制造商往往更关心的是正常运行时间、可维护性和易于集成。从把机器人部署到真实工厂环境（而不是受控的实验室）的实践中，您学到了哪些经验教训？

肯·马肯：真实工厂比任何实验室都要复杂和混乱得多。实验室的人往往孤立地思考单一流程。但在真实车间里，你根本不知道一台机器人牵动了多少上下游的流程，直到它停机的那一刻——然后整条产线都感受到了冲击。

工厂管理者不在乎自主能力本身，他们在乎的是正常运行时间和高产出率。对他们来说，最难熬的一天，就是产线停摆的那天。作为工厂里的机器人解决方案提供商，你必须时刻记住，你只是一个更大系统里的一个环节。

我们最大的经验教训，就是尽可能多地与实际执行任务的工人交流，观察他们的操作。工厂管理者在会议室里描述的情况，几乎永远不会和任务在现实中的执行方式完全一致。工人们积累了多年的小技巧、变通方法和细微调整，这些东西根本没有被记录在任何地方。

如果你没有捕捉到这些，你最后做出来的机器人，可能能完美执行“描述中的任务”，但在安装到真实设备旁边的那一刻就立刻失败。纸面上的工作和车间里的工作是两件不同的事，而车间永远是最终的裁判。

我见过一些初创公司部署了解决方案，然后自我祝贺一番，却随后发现他们根本没解决问题，只是把瓶颈转移到了别处。这是个经典错误——用锤子去拧螺丝。工具看起来很厉害，动静很大，但活儿根本没干对。

Q&A

Q1：Workr Robotics的“机器人即劳动力”定价模式具体是怎么运作的？

A：Workr Robotics采用按小时收费的方式，定价约为每小时25美元，制造商无需承担任何前期资本投入。这与传统购买模式完全不同——传统模式要求厂商为固定的系统一次性支付巨额费用。Workr的模式将风险大幅降低：如果机器人表现不达预期，客户可以随时停止付费，无需承担闲置资产的损失。

Q2：具身AI技术目前为什么还无法满足工厂制造的实际需求？

A：尽管具身AI的演示（比如Atlas机器人做跑酷）令人印象深刻，但这与工厂的实际需求之间存在巨大差距。制造业要求机器人在整个班次中对特定任务实现近乎百分之百的可靠性，而当前的具身AI技术还无法稳定地达到这个标准。工厂管理者关心的不是机器人能否“推理”，而是它能否每次、每班次都可靠地完成指定工作——现阶段的AI机器人技术还没做到这一点。

Q3：在真实工厂环境中部署机器人时，最容易犯的错误是什么？

A：最常见的错误是只依据管理层的流程描述来设计机器人方案，忽略了车间工人多年积累的实际操作经验——包括各种变通方法和细微调整。这些经验往往没有被记录下来。如果在部署前没有充分观察和了解工人的实际操作方式，机器人可能在“纸面流程”上运行完美，却在实际设备旁边立刻失效。此外，有些初创公司部署后才发现，自己只是把瓶颈转移到了别处，并没有真正解决问题。