西门子工厂银河通用机器人"转正"：SMT产线的最后一米，被具身接住了

2026-09-16

具身智能行业现在最不缺的，是演示视频；最缺的，是常态化。


让机器人在镜头前搬一次箱子并不难。难的是在同一条产线上，按照120秒的节拍，把23公斤重的料箱从线尾搬到线头、再完成上下料，连续跑上几个小时，成功率稳定在94%以上——这不是demo的演示，而是每天都在发生的常态。

在西门子数控（南京）有限公司的溧水工厂里，已经引入了银河通用的轮式双臂机器人Galbot S1作为主角。

一边是有着170多年历史的德国工业巨头、全球首座原生数字化工厂的拥有者；一边是成立仅三年、估值就破百亿的中国头部具身智能公司。两家在今年把一件行业里议论了两年多的事变成了现实：让具身机器人在真实产线上常态化「上班」。在「具身智能进工厂」被讨论了无数轮、却鲜有经得起推敲的落地样本的当下，这是一个值得拆开来看的案例。而值得拆开的，不只是机器人本身——还有它背后，一条正在被打通的数据通路。

图片

01

SMT产线上的「最后一米」


在电子制造业，SMT（表面贴装）大概是自动化程度最高的环节之一——贴片机以毫米级的精度高速运转，把元器件精确地贴装到电路板上。但如果你走进任何一家电子制造工厂，会看到一个有些违和的画面：高速运转的产线旁边，物料的周转，依然靠人。


在西门子南京工厂的SMT产线上，这个画面被量化得格外清晰：一箱料23公斤，产线节拍120秒——一个工人每天要重复弯腰、搬起、搬运、放下这套动作上百次。而人体工学给出的高负荷上限，是20公斤。

为什么不用自动化设备接住这个环节？不是没想过。AGV早就进了工厂，但它的能力边界是平面移动——料箱从周转区到上料口的最后一段，是一个需要「看、够、抓、放」的动作。

西门子南京工厂曾认真评估过AGV方案，用传统的定制化AGV解决方案也可以解决搬运工作但是实施需要增加更多的控制逻辑，硬件投入，定位设施等等。并且这样的解决方案只能做单一工作，投入产出比很低。人形机器人具备自主任务完成能力，无需对现有设备进行改造，并且可以泛化更多技能能力，进一步提高生产效率。

图片

西门子南京工厂仿真效果图


同时，西门子南京工厂又被称作是标杆式的乐高工厂——这座工厂多品种、小批量，最小的变频器只有14厘米高，最高的超过一米，重量相差120多倍。

为了对抗这种复杂性，产线被做成了标准化的模块：单站切换从过去的几天压缩到几分钟，多站重组从几周压缩到几小时，搭建一条新产线从几个月压缩到几天；老产品淘汰后，约80%的设备可以像乐高积木一样拆开、搬走、重新组合。

产线布局一变，专机专用的方案可能就已经过时了，于是答案逐渐清晰：这「最后一米」，需要的不是专机方案，而是既能搬、又能放、还能适应变化的具身机器人。

最终，西门子选择了银河通用。这个选择还说明了一件事：即便在SMT这样自动化程度相对较高的行业里，依然存在机器替人的柔性自动化缺口——自动化设备的「刚性」，恰恰需要具身智能的「柔性」来补。


02

机器人在产线上「打长工」


今天，在南京工厂的SMT产线上，银河通用的S1机器人已经正式上岗：50公斤级负载，正对着料箱的重量段；双臂七自由度，配合360度激光雷达避障，既能搬、又能放、还能在产线布局变化时重新适应——搬起那箱23公斤的料，对它来说游刃有余。


图片


还有一个细节：这个车间里没有隔离栏。行业里多数机器人进厂，要么被围栏隔在独立工位，要么在无人区作业。


而在这里，人与机器人在同一空间作业。为了让人机协作安全落地，双方围绕真实工况共创了一套「四圈」安全机制：由远及近，预警、减速、停障、急停，层层递进。工程师甚至做过极限测试——在机器人行进时突然跳到它面前，它能稳稳停住。人机协作最敏感的安全问题，在真实的磨合中被逐一拆解。


这套方案的复制成本也有账可算：机器人从进场调试到上岗，周期以周计；同场景复制一条产线，只要三到四天——接下来，更多产线的复制验证已经排上日程。

机器人自己也在变快：运行速度从最初的六成速度，逐步爬升到满速运转。曾经弯腰搬箱的工人，如今在工位上做着更高价值的工作，机器人从身旁驶过。人工搬运上下料的痛点，在这里被真正解决了。


03

为什么是西门子与银河


这场合作，双方都各有一本账。


先看西门子，西门子南京工厂本就是西门子智能制造的样板——自家的硬件和软件推向市场之前，往往先在自己的工厂里跑一遍。率先让具身机器人落地，是这套逻辑的延续：在具身智能这张新课桌上，先交卷的人，参与定义标准，也进一步巩固西门子在智能制造上的身位。

但更深一层的筹码，是数据。具身智能现在最大的卡点，业内已有共识：不是本体，不是算法，是高质量数据。SMT这类场景尤其明显：任务看似简单，但料箱的形变、摩擦、光泽差异，都会影响机器人每一次抓取与放置的成功率；靠真机一点一点采数据，效率低、成本高，而合成数据，正在成为提高这类场景训练效率的关键路径。而西门子手里有一笔被低估的资产——几十年工业软件积累下来的多品类3D数模库，这些数据不是空壳，而是在西门子的工业软件里是真实存在的。

机器人需要的恰恰是这些。行业内的工程师透露，在工业场景里做数据训练，他们的大量工作是靠3D扫描「手搓」：现场采集、建出构型、渲染、工程师手动调参；直接向企业要CAD数模，「一半以上是不太愿意给的」。西门子的仿真库如果可以和具身数据打通，这条路会短得多。

这笔资产如何变成机器人能「吃」的数据？西门子的路径已经铺开：数十年工业软件沉淀下来的，是一个多品类的3D数模库：从一台贴片机，到一个料箱，丰富的仿真数据一应俱全。

当然，仿真资产要变成机器人真正能「吃」的训练数据，中间还需要一道「转化」的工序——把数模组装成机器人在其中可以演练的世界。

西门子正在与摩泛科技这样的物理AI平台公司合作：其Mogine Hub（摩擎万象）平台，可以把动态与静态的模型资产组装成可真实运转的物理AI世界模型——车间、产线、设备、料箱逐一就位，物理参数实时生效。数模在这里不再是图纸，而是一个可以让机器人在其中「生活」的世界。

这家公司值得多说几句。摩泛科技2014年开始技术预研、2017年正式成立，自研了基于USD标准的Mogine3D高保真空间计算底座;作为英伟达Inception卓越企业，其技术底座与Omniverse生态无缝衔接;2025年第二十五届中国国际工业博览会（CIIF）期间与ABB机器人签署战略合作协议，开启物理AI合作新篇章，助力Robot Studio Hyper Reality产品；2026年的WAIC上，摩泛又以西门子Xcelerator核心生态合作伙伴的身份，正式发布了Mogine Hub(摩擎万象)。能同时进入两家工业巨头的合作名单，靠的不是概念，是工程能力。


Mogine Hub的核心，是一套「四维保真」仿真体系：几何保真，微米级还原零部件与工装的结构公差；材质保真，还原料箱、薄膜等物料的形变与光学特性；力学保真，实时解算抓取、摩擦、弯折等动力学行为；光学保真，模拟车间光照与工业相机成像。这四个维度瞄准的，正是行业最头疼的Sim2Real Gap——让机器人在虚拟世界里调好的参数，到了真机上不「水土不服」。

平台支持十万级产线的实时物理仿真，西门子的产线方案可以一键导入；真机数据与仿真数据形成复合数据集，持续反哺模型。据摩泛公开的数据，这套体系已帮助客户把线下真机调试工时压缩60%以上，并在3C电子、动力电池、高端装备等场景规模化落地。

回到这条逻辑线：在SMT这样自动化程度较高的行业里，机器替人的柔性自动化需求真实存在；而针对这类场景，合成数据能够显著提高机器人的训练效率——这正是物理AI的价值所在。

西门子的仿真家底，经由摩泛这样的平台变成机器人能「吃」的「教材」，机器人学会一个新活的速度，将决定这条通路能走多远。

图片


这条「数据—训练—落地」的通路一旦跑通，未来新场景的落地方式将被改写：机器人可以先在虚拟世界里把一个活练熟，再回到真实工厂上岗——今天以周计的场景打磨，有望被大幅压缩。（需要说明的是，今天在这条产线上干活的机器人，是通过真机调试与工程化训练上岗的；而这条数据通路，是西门子面向下一步的布局——让训练更快，让场景复制更容易。）


再看银河通用，为什么押注西门子。

一是场景的难度合适。在工业场景里，机器人干活的难度是分层的：纯粹的搬运相对成熟，叠加了上下料就复杂一档，而到了装配环节，则是更难的一层。西门子的场景是「搬运+上下料」的组合，比纯搬运复杂，又在能力射程之内，适合作为新场景探索的靶子。

图片


二是客户的质量。西门子的安全标准、对接规范、交互要求，对机器人厂商本身是一种输入——解决了西门子的问题，很可能就解决了一个群体的问题。


04

从一条产线，到一个行业


工业，是具身智能最近的未来——重复、繁重、危险的工作，先交给机器人。这句话行业里讲了很多年，西门子南京工厂给出的增量在于：它证明了这个未来可以被「工程化」地实现。


行业评价一个落地案例的坐标，也由此正在改变：不再看演示视频有多惊艳，而是看三个更朴素的东西——连续运行的时长、可以核算的经济账、可以复制的周期。这条产线正在证明，具身的场景落地在经济性上是可行的。

痛点是具体的（23公斤、120秒），方案是通用的（数据—训练—落地）。这条正在打通的通路一旦跑通，可以从这条SMT产线，走向整个SMT行业，进一步把具身智能复制到更多制造场景之中。在这个闭环里，物理AI平台是让「方案通用」成立的关键变量——合成数据把训练效率提上来，场景复制的成本才降得下去。

而西门子的角色尤其值得行业品味：它没有造机器人，却凭借数十年攒下的仿真数据资产，成了具身智能落地不可或缺的玩家。对无数同样坐拥工厂数据资产的制造企业来说，这可能才是这个案例最大的启示——在具身智能时代，工厂不只是机器人的用户，也可以是机器人能力的「生产者」。

未来工厂，正在呼啸而来。


分享
下一篇：这是最后一篇
上一篇：这是第一篇