前两天跟一个在长三角干了十几年智能制造的哥们喝茶，他给我讲了件特别新鲜的事。他说现在去欧洲谈合作，那些以前鼻孔朝天的德国老牌机械巨头，不仅态度出奇的好，甚至还会上赶着花大价钱，把装了他们自家零件的机器人，连同中国公司的整机一起买回德国去用。
　　我当时纳闷，堂堂制造业老大哥，自己能造全世界最好的关节部件，干嘛还要花钱买别人的整机回来折腾？这哥们冷笑一声，说这就是欧洲人现在最害怕的地方：纯卖硬件这碗饭快吃到底了，他们怕再不低头，连下一代工厂长什么样都看不懂了。这种迫切的危机感，很快就在欧洲人自己的主场上得到了印证。
　　2026年7月7日，巴黎办了一场物理AI峰会。舍弗勒人形机器人业务负责人大卫·凯尔（David Kehr）在台上说，中国和美国通常被看成领先者，但「不要把欧洲排除在外」。几个月前，欧洲机器人公司Dexory的负责人安德烈·达内斯库说得更直白：欧洲的精密工程和工业自动化很强，可「实力不等于势头」。
　　真正让这两句话变得有分量的，是凯尔所在的舍弗勒正在做一件看起来很拧巴的事。这家德国工业巨头一边给英国机器人公司Humanoid供应执行器，一边又向对方采购机器人，准备把它们接进自己的生产网络。双方还要共同采集机器人数据和应用数据，训练AI模型。
　　一家会造关节的公司，为什么还要花钱买机器人，甚至把工厂开放给对方做验证？答案也正是欧洲焦虑的根子：下一轮产业价值未必跟着厂房和零部件走，它更可能跟着「机器部署以后还能学到什么」走。
　　欧洲并没有突然变成工业空壳。国际机器人联合会统计，2024年欧洲新安装了85006台工业机器人，虽然比上一年下降8%，仍是历史第二高。德国当年新装26982台，位列全球第五。正因为工厂、设备和工程师都还在，「实力不等于势头」才会让人不舒服。
　　过去卖一台工业机器人，很多价值在交付和集成时就确定了。它被固定在产线上，按照编好的程序反复焊接、搬运或装配。产品换型、摆放位置变了，往往就要重新调试。谁能把电机、减速器、轴承和控制器做得可靠，谁能把整条线装起来，谁就能在这一轮拿走一大块价值。
　　物理AI在这套生意上加了一层。机器不只要动得准，还要看见物体、理解变化，在没那么固定的环境里调整动作。外形可以是人形，也可以是机械臂或其他设备；真正重要的，是它进厂以后能不能继续学，能不能把一座工厂里验证过的能力带到下一座工厂。
　　BCG 2026年的报告并没有说这种机器已经无所不能。今天真正产生经济价值的，主要还是视觉感知和特定场景的灵巧操作；稳定理解物理因果、处理陌生复杂任务的通用推理，仍然是未解的工程难题。也正因为还没定局，工厂现场才会成为必争之地。
　　BCG对长期价值的判断更关键：自动化越来越由软件定义以后，价值会越来越少地取决于机器第一次装进工厂，越来越多地取决于系统以后怎样演化。持续采集数据、重新训练模型、在仿真中验证，再把新能力接回机器，一套系统才可能越用越好。
　　这里的数据，也不是把摄像头录像和设备日志堆起来就够了。一次失败是怎样发生的，当时是什么物料、什么任务、什么安全边界，改过模型以后有没有真的在现场解决，这些关系能不能被记录、验证和复用，才决定工厂经验是一堆原料，还是一种可以不断升级的能力。
　　这就是舍弗勒「一边卖、一边买」的第一层答案。如果它只卖执行器，交付以后，最漫长的那段关系就在别人手里；它把机器人买回来，就同时成了用户、集成者和产业化伙伴。产品换型、物料变化、工位调整和安全规则变化，都会在自己的工厂里变成新的训练问题。
　　舍弗勒供应的谐波齿轮执行器，会进入机器人的上身、肩部和手臂。这是它熟悉的大批量制造、装配和测试。可一台机器人能不能在真实产线上靠谱工作，并不由一个关节单独决定。零部件的可靠性是入场门票，部署后的任务学习才是新的长期关系。
　　Humanoid创始人阿尔乔姆·索科洛夫（Artem Sokolov）说，大规模真实应用才是技术真正接受检验的时刻，可靠性、安全性和效率都要在这种环境里看。实验室里拿起一个箱子，与在产线上面对不同班次、不同物料和身边来往的工人，是两回事。工厂不只消费机器人，也会不断制造机器人需要的经验。
　　把这些动作连起来，舍弗勒的布局就不拧巴了。它卖出的执行器进入机器人身体，买回的机器人进入自己的生产网络，运行中产生的问题和数据再回到模型训练和性能优化。部件、整机、工厂、数据和模型，成了同一个循环的不同位置。
　　这个循环还没有被现实证明。2026年1月，双方公布的是未来五年接入数百台机器人；5月路透社报道的后续目标，是到2032年部署1000至2000台，首批计划从2026年12月至2027年6月进入德国两处工厂。第一批的时间窗还没到，但舍弗勒已经愿意把工厂排进时间表。
　　这也说明，有工厂不等于自动有了物理AI的数据优势。两名科尔尼（Kearney）高管在世界经济论坛的署名文章里写道，欧洲并不缺工业数据，缺的是互操作和协作。没有一家欧洲公司能覆盖足够多的环境、行业和工况；汽车厂的数据格式、机械厂的设备接口、物流仓的任务记录各有标准，数量再大，也不等于能直接用于同一套模型。
　　即使接口打通，学习循环也不能只在真实产线上试错。真实工厂告诉模型哪里会失败，数字孪生和仿真环境可以重复那些危险、稀少或很难专门制造的场景；模拟结果再回到现场验证，现场的新问题又进入下一轮训练。数据能不能跨企业流动，与模型能不能在现实和模拟之间反复校正，其实是同一道门。
　　这是欧洲工业家底的两面。企业和工厂多，意味着真实场景极其丰富；它们又很分散，数据和接口锁在各自的厂墙里。过去，墙是保护工艺和竞争力的；到了需要跨场景训练模型的时候，墙太多，也会拖慢学习速度。舍弗勒要亲自当用户，正是为了把其中一部分墙变成可验证的现场。
　　中国在这里不只是一个排名对手。2024年，中国新安装工业机器人295045台，占全球54%；中国厂商在本国市场的份额升到57%，首次超过外资厂商。这些工业机器人数据不能证明谁的物理AI更聪明，却能说明哪里有更密集的部署、供应商和产业化机会。
　　Planet A投资人萨姆·贝克（Sam Baker）在工业制造机器人领域做了大约十年。他认为，欧洲如果以为自己能在机器人硬件供应链上完全摆脱中国，这很天真。但他紧接着又说，欧洲在智能和数据一侧仍有大片空白可做。硬件关系已经很深，新的价值层却还没有定主，这才是欧洲面对中国的现实处境。
　　舍弗勒自己已经把这种关系写进合作协议。2026年3月，它与中国乐聚机器人签署人形机器人应用和产业化合作。按照舍弗勒公告，这是它在人形机器人领域第一次与中国公司建立这类合作。双方瞄准工厂巡检、设备操作辅助、物流和人机协作，数据采集和模型迭代也被写进重点。
　　这份合作还处在应用和产业化安排阶段，不能完全说中国机器人已经进入舍弗勒欧洲工厂。但关系的位置确实变了：中国企业不只在欧洲人的竞争榜上，也进入了一家德国工业巨头的应用、数据和模型迭代合作里。舍弗勒一边连接Humanoid，一边连接乐聚，所用的筹码都是它的零部件、制造工艺和工厂现场。
　　对舍弗勒来说，这不是在英国公司和中国公司之间二选一，而是让不同机器人伙伴都进入它的应用网络，再用自己的工厂判断哪些技术真能工作。这是一家传统工业企业进入新价值层的办法：它未必什么都从头做，却不愿把真实使用、验证和下一轮优化全部交给别人。
　　现在再看「被掏空」，它不一定是厂房关门、机器搬走。更隐蔽的变化，是欧洲仍然生产精密部件，也仍然拥有世界级工厂，可每一次部署产生的经验、每一轮模型升级和跨工厂复制，主要在别人的系统里完成。旧资产没有消失，新增价值的入口却可能越来越窄。
　　把视线转回中国。更大的装机量、更密的供应链和更多的应用场景，是极难复制的产业土壤。但装得多、造得快，只是把入场券拿在手里。怎样把不同品牌、不同工厂和不同任务产生的问题变成可复用的模型能力，怎样在安全可靠的前提下把一次试点复制成千百次部署，才决定规模最后能不能沉淀为长期价值。
　　工厂不会在一夜之间被掏空，产业价值却会在一次次真实部署、软件更新和模型重训里慢慢换位置。谁能让机器在更多工厂里可靠工作，谁能把现场经验变成下一次升级，谁才更可能拿住物理AI的长期价值。欧洲已经开始补这堂课；中国手里的部署规模和供应链，已经让德国工业巨头主动把中国伙伴纳入布局，接下来要做的，就是把这份优势继续做深。