如果你常读这个网站，脑子里大概已经有了一幅美国工厂的画面：人形机器人在流水线上滑行，机械臂比人还快，整整一个班次被自动化抹成回忆。这里有个数字，应该会把这幅画搅乱一点。五分之四的美国制造业工厂，零自动化。不是「不如它们想要的那么多」，是零。据Manufacturing Dive报道，约80%的美国工厂根本没部署任何自动化——尽管多数高管都说，打算在两年内扩大AI应用。
多数打算扩，多数还没动手。这道鸿沟，才是2026年自动化的真实剧情，而不是那些演示视频讲的那个。
拦路的不是价签
最直觉的解释——机器人对普通工厂太贵了——结果是错的，至少不是主因。那些真正把AI铺开的制造商，有一个跟预算毫无关系的共同点：在买任何一套系统之前，他们先把数据理顺了。
NIST的制造业研究记录过、IBM的工业AI工作也印证过这个不体面的现实：多数工厂的运营数据是一团乱。按机器年代各自为政，各班次采集口径不一，存成AI根本读不进去的格式。于是典型剧情是这样的：工厂买了个亮闪闪的预测性维护或视觉质检工具，喂给它一堆支离破碎的传感器数据，得到的结果不靠谱到没法拿来用，然后束之高阁。工厂得出的教训是「AI在制造业不管用」。更准确的教训是「AI在烂数据上不管用」。
熬过试点阶段的工厂，通常先花了12到18个月清理数据管道、统一设备标注方式，才让供应商登场。这活儿枯燥、隐形、放不进任何主题演讲——而这恰恰就是为什么，采用曲线比炒作曲线平坦得多。
如果你在流水线上，这意味着什么
老实说，结论是双刃的，两面都得看。
让人松口气的一面：对多数工厂来说，体力活被整体自动化并不迫在眉睫。八成还没起步，而试过的那批，大多卡在「管道」上，而不是卡在什么超人机器人上。对大量体力和流水线岗位而言，那只倒计时的时钟，比人形机器人发布视频暗示的要慢——因为一台能在实验室里捏起葡萄的机器人，一旦拧到喂不出干净数据的工厂上，就一文不值。
让人不安的一面：这道鸿沟是数据问题，而数据问题是会被解决的。领先者赢，不是因为买了更好的机器人，而是因为先把整合的活儿干了，而这活儿是一次性成本，会不断复利。一旦一家工厂的数据干净了，加装自动化就不再是科研项目，而变成一张采购单。那80%不是一条永久护城河，它是一份待办清单——很多运营总监如今终于开始一项项划掉了。
那个没人提的第二个问题
结尾还藏着一根刺，多数工厂还没在讨论：安全。当AI系统被接进过程控制网络，它扩大攻击面的方式，是老一套的OT安全从没设计来应对的。研究人员已经演示过：攻击者把一个AI客服系统「说服」到去做它不该做的事——不需要攻破任何防火墙，只要把模型忽悠到错误的决定上。工业安全公司Dragos为工厂车间标出了同一类「逻辑操纵」风险。所以，另外那80%被催着赶紧上的自动化，带来的账单不只用机器人来算——它还用一类多数工厂目前还扫不出来的新型风险敞口来算。
以上没有一句是在说自动化不会来。它是在说：把时间表读诚实一点。未来工厂是真的，但对五分之四的美国工厂来说，它现在还是一份幻灯片、一堆数据清理的欠账，和某个角落里蒙着防尘罩的一条机械臂——等着那些枯燥的活儿先被干完。
