为何韩国在制造业，而非芯片，拥有物理AI优势

一位机器人建造者的非传统论点

Dennis Hong来到2026年全球基因组论坛，并非为了谈论基因组。这位加州大学洛杉矶分校（UCLA）机械工程与航空航天工程学教授——机器人学实验室主任，被誉为"机器人领域的达芬奇"——利用这个平台向韩国发出直指人心的警告：别再试图在美中之战中比拼仿人机器人的数量。

他的论点对抗的是全球竞速的主流叙事——国家声望越来越以双足机器人的数量来衡量。美国拥有软件生态和雄厚资本；中国拥有供应链规模和冷酷的大批量生产能力。Hong的诊断直截了当——韩国无法在数量游戏中击败任何一方。

但他认为，韩国可以赢得一场完全不同的游戏。

Hong指出的关键转变并非增量——它重新定义了机器人下一阶段的核心要素。生成式AI在互联网文本上训练，物理AI将在工厂车间里训练。

这彻底改变了竞争优势的来源。拥有最丰富运营数据的公司，不一定是有最先进算法的公司。它们是那些已经运营复杂生产线、组装工厂和供应链的企业。三星、现代、LG——这些不是抽象的潜力。它们坐拥数十年传感器数据、周期时间、故障模式和工作流程，没有任何规模的硅片能快速复制这一切。

Hong的核心洞见在于迭代速度。在物理AI领域，循环是部署—学习—改进—重复。一台能在半导体厂房里从真实失败数据中学习的机器人，其进化速度将超过仅通过仿真或受控演示场景训练的设备。演示成功与全天候运营可靠性之间的差距巨大，而Hong特别警告不要将两者混淆。

这正是韩国拥有的结构性优势：机器人可以边做边学的物理基础设施，而非仅靠观看。

如果Hong的论点获得认可，赢家一目了然。拥有现有工厂布局的韩国大型企业将成为物理AI部署的天然载体。它们的运营数据成为燃料，它们的供应链成为试验场，它们的分销网络成为首批客户——而这些机器人已熟知它们的作业环境。

在这个框架下，输家是那些缺乏工业现场接入权限的纯仿人机器人初创公司。任何风险投资都无法替代只有经过数月真实流水线运营才能获得的数据。Hong的观点是：护城河不在于机器人本身，而在于机器人与环境之间的反馈循环。

对美国和中国而言，这一逻辑同样锋利。美国仍可能在AI算力上主导，中国仍可能主导硬件规模。但如果价值天平向物理AI倾斜——即从真实运营数据而非合成数据集学习中进化的机器——那么两国都将面对生成式AI繁荣时期未曾遭遇的新竞争约束。

Hong并未描绘一幅无摩擦的画面。他提出一个位于技术与劳工交叉点的担忧：社会信任。

问题具体可感。一位熟练焊工、装配工或质检员发现自己的专业技能被编码进AI系统，他们会提出一个合理的问题——那我怎么办？这一转型期伴随的数据归属争议并非假设。工人带入生产线的隐性知识归谁所有？如何补偿那些技艺成为替代品训练集的人？

Hong呼吁在技术跑赢社会契约之前，建立围绕数据同意和价值分配的制度。这并非论证的软性补充，而是结构性瓶颈。没有工人的认同，数据循环就会断裂，工厂车间将成为抵抗之地而非实验室，整个物理AI优势将在接入点崩塌。

Hong的论点深处有一条哲学暗流，将其与纯粹的产业战略区分开来。他拒绝将机器人视为廉价劳动力的叙事。他的观点更简单、也更紧迫：机器人应做人类不该做的事——灾害响应、灭火、核污染处理、高危环境作业——这些才是定义机器人使命的角色，而非经济替代。

他还扭转了一个情感命题。机器人不需要温暖的心灵，他说。温暖属于建造它们的人，以及它们被建造的原因。这是一个安静但重要的框架转换——从拟人化机器转向为它们被造的目的承担责任。

对韩国而言，问题是这一论点能否从讲堂走向产业政策。Hong的论证具有说服力，但执行是另一回事。财阀们已经拥有工厂。问题在于它们是否愿意分享数据、建立合作伙伴关系，并接受这一战略所要求的物理AI发展节奏。

对世界其他地区而言，Hong的信息是一则关于机器人竞赛下一阶段的警告。仿人机器人数量竞赛的廉价胜利已经结束。真正的胜利——在运营数据、真实迭代、打造能在全天真实车间稳定工作的机器人——才刚刚开始。韩国可能在数量游戏中无法领先，但如果Hong是对的，它可能会引领唯一重要的那场比赛。

坦率说，不确定性巨大。Hong本人也警告，鉴于真实进展与过度炒作的交织，预测几年内将部署多少仿人机器人几乎是不可能的。更为确定的事实是：将现场数据视为稀缺资源——而非机器人本身——的公司和国家将占据优势。

韩国拥有工厂。现在的问题是，它是否有决心将它们打造成全球最有价值的物理AI训练场。