《Advanced Science》：From Artificial to Embodied and Physical Intelligence in Smart Manufacturing
制造业正从以自动化为中心的生产向能够在数字、机械和材料域中实现感知、适应与自主响应的系统演进。尽管近期进展主要由人工智能（AI）推动，但当前制造智能往往仍外在于物理系统，并在复杂工业环境中表现出鲁棒性、可解释性和可迁移性有限。研究人员通过人工智能（AI）、具身智能（EI）与物理智能（PI）框架，提出对智能制造的统一视角。AI提供抽象、预测与生成能力；EI实现闭环感知、决策与物理交互；PI将自适应智能直接嵌入材料、结构及物理化学过程。研究人员进一步讨论生成式智能如何通过逆向设计、自适应制造和物理约束行为实现开始连接这些领域。综述了协作机器人、具身数字孪生（DT）、自优化生产系统以及物理智能材料（包括自驱动、自修复、多稳态和形状变形系统）的最新进展。最后，研究人员提出覆盖全制造生命周期的AI–EI–PI集成框架，强调制造系统正转向智能日益在算法、具身智能体和物质本身之间协同设计的模式。
1 Introduction：制造智能正从以自动化为中心转向算法、机器与材料共同分布智能的系统；AI、信息物理系统、工业物联网、数字孪生等推动制造平台具备更高感知、建模与响应能力，但现有制造智能仍多外在于物理系统，因此需要更物理接地、可解释和可适应的智能形式。
2 Evolution of AI, EI, and PI：该部分将智能演进划分为AI驱动、EI驱动和PI驱动三个分析阶段，强调其互补累积而非简单替代，驱动力来自系统自主性、响应保真度和运行韧性需求。
2.1 Artificial Intelligence (AI): The Cognitive Starting Point：AI作为认知起点，主要在数字硬件和符号/数据空间中完成抽象、预测、优化与生成，但存在数据依赖、分布偏移、物理接地不足及模拟到现实（sim-to-real）差距。
2.2 Embodied Intelligence (EI): Extending Cognition to Physical Interaction：EI将认知嵌入物理形态，通过感知–决策–行动闭环实现实时交互、柔顺控制与动态适应，但仍受传感–计算–执行架构延迟、布线和算力等限制。
2.3 Physical Intelligence (PI): Deepening Into Intrinsic Material Response：PI将部分刺激–响应映射嵌入材料或结构的物理化学组成与构型中，可在局部实现传感、信息变换、驱动、调节或恢复，但当前仍多为任务特定实现。
3 Artificial Intelligence in Manufacturing Systems：AI已成为智能制造的核心计算能力，涵盖监测、优化、预测、生成与决策支持；其定义特征是主要表示与推理过程位于数字计算中。
3.1 AI as the Cognitive Layer of Smart Manufacturing：AI作为制造系统的认知层，将异构物理观测转化为数字表示，再经表示学习、预测、优化、生成和决策形成数字输出，仍需下游机器、智能体或材料系统实现。
3.2 Application Fields of AI in Manufacturing Systems：该节选择性讨论工艺参数优化、缺陷检测与质量检测、预测性维护、生产调度和生成式设计等应用，并强调应区分计算AI与物理实现、EI闭环及PI接口。
3.3 Generative Intelligence for Manufacturing：生成式智能面向受功能、几何和物理约束的可制造方案生成，其制造相关性取决于生成结果能否满足物理与工艺约束。
3.3.1 From Generative Design to Generative Manufacturing：研究重点从几何生成转向行为生成和设计到行为映射，当制造后的形态或材料属性直接贡献自适应行为时，可形成AI–EI或AI–PI接口。
3.3.2 Physics-Informed Generative Models：物理知情生成模型通过物理损失、可微仿真、控制方程正则化或混合仿真–学习循环，将物理约束内化到生成过程；但若未在物理基底实现自适应功能，仍属AI层。
3.3.3 Generative Co-Design of Materials, Structures, and Processes：生成式协同设计同时优化材料、结构、工艺和性能，面向机械超材料、架构物质和4D打印等；当功能在制造基底中实验实现时，构成潜在AI–PI接口。
3.3.4 AI as the Translational Layer toward EI and PI：AI可作为通向EI和PI的转化层，为EI提供自适应控制、机器人执行和数字孪生认知，为PI提供材料逆向设计、工艺感知适应和物理约束生成；但需闭环交互或制造后测试证据。
3.4 Limitations of Current AI Manufacturing Paradigms：当前AI制造范式仍受标注数据依赖、跨机器/材料/工艺泛化不足、虚拟优化与可制造性差距、物理接地不足等限制；这些并非都需由EI或PI替代，而应区分可由AI内部解决与需界面协同解决的问题。
4 Embodied Intelligence in Manufacturing Systems：EI通过物理具身智能体将感知、决策或适应与行动在线闭环耦合；数字模型、AI算法和数字孪生可支持该闭环，但其本身不构成具身。
4.1 Perception-Driven Manufacturing Systems：多模态融合与原位监测可提供更丰富的制造状态信息，并支持自适应监测和下游决策；但感知本身不构成EI，只有当感知信息改变后续行为并反馈行动后果时才与EI相关。
4.2 Flexible Robotics and Human–Robot Collaboration：人机协作（HRC）中，具身适应体现为基于在线人–机–环境交互信息修改任务分配、运动或控制策略；安全感知、柔顺控制和自适应控制是使能机制，但单独使用学习算法或反馈控制不等于完整EI。
4.3 Embodied Digital Twins：数字孪生（DT）可通过状态同步、预测、规划和双向虚拟–物理反馈支持EI闭环；其EI相关性取决于虚拟信息是否双向耦合到物理系统的感知、决策和行动演化中。
4.4 Closing the Embodied Loop: Feedback, Adaptation, and System-Level Integration：闭环EI的关键是物理行动后果被再次感知并改变后续感知、决策或行动；文献证据可从部件级感知、集成感知–决策–行动到递归闭环等层级区分，不能将所有含反馈系统视为同等成熟。
5 Physical Intelligence in Full-Life-Cycle Manufacturing Process：PI被视为贯穿设计、制造、运行和演化的全生命周期智能生成机制；只有当刻意设计的材料、结构或界面状态变换直接执行任务相关功能时，才在本综述中归为PI。
5.1 Material-Aware Intelligence：材料感知智能通过架构固体的刚度、几何或稳定构型承载信息并执行映射，机械计算、双稳态机构、折纸/剪纸超材料及机械神经网络等展示了物理计算与记忆的实现方式。
5.2 Process-Guided Physical Augmentation：该节将制造过程视为物理真值生成器，热历史、力交互、相变、磨损、残余应力和传感反馈等可转化为物理约束、状态更新和决策信号，物理知情与混合建模是使能工具。
5.3 Self-Evolving Systems：自演化系统将热漂移、变形、老化、磨损和能耗等不可逆物理变化视为自主校准信息来源，通过长期物理演化更新内部模型、工艺参数和配置策略。
5.4 Emergent Intelligence in Industry：产业涌现智能来自多物理实体协调及跨时间尺度、物理约束和材料记忆的非线性综合，机械逻辑、流体逻辑、可重构机械计算和可编程门阵列等展示了系统级物理智能。
6 A Unified Framework: AI–EI–PI Co-Evolution in Smart Manufacturing：该框架将AI、EI和PI视为相互约束、共同演化的子系统，而非自上而下堆叠模块。
6.1 From Layered Intelligence to Co-Evolving Manufacturing Systems：制造智能正从分层自动化经闭环智能走向共演化制造生态，AI提供抽象与生成，EI提供物理交互，PI提供材料与结构嵌入，三者双向耦合。
6.2 Mechanisms of AI–EI–PI Co-Evolution：共演化机制包括双向反馈回路、三者功能与信息结构的不对称性，以及多时间尺度智能动力学。
6.2.1 Bidirectional Feedback Loops：AI生成策略与规划，EI将之转化为物理行动，PI通过材料响应施加约束并改变AI可学习数据分布，形成多回路递归适应。
6.2.2 Asymmetry Between AI, EI, and PI：AI抽象强而物理接地弱，PI物理接地强而可编程性和抽象能力有限，EI位于二者之间并承担信息压缩、重构与转化中介。
6.2.3 Multi-Timescale Intelligence Dynamics：AI多对应离线优化和模型更新的慢时间尺度，EI对应实时控制与交互的中等时间尺度，PI对应材料机制依赖的快或局部时间尺度，智能通过跨尺度同步涌现。
6.3 Lifecycle Embedding of AI–EI–PI Co-Evolution：共演化贯穿设计、制造、运行、维护与演化阶段，使制造智能成为生命周期嵌入而非阶段特定能力。
6.3.1 Design Phase：设计从几何优化转向行为导向智能生成，AI用于生成式设计和逆向优化，EI引入交互仿真与具身设计探索，PI将可编程物理行为编码进材料与结构。
6.3.2 Fabrication Phase：制造成为智能物理实例化过程，AI支持工艺优化与实时决策，EI通过机器人执行和自适应控制实现计算策略，PI通过材料演化、残余应力和微观组织等将功能写入物质。
6.3.3 Operation Phase：运行阶段智能分布于预测认知、具身协调和物理响应中，AI负责预测分析与长时优化，EI负责闭环交互与自主协调，PI通过自驱动、柔顺和响应结构实现本地调节。
6.3.4 Maintenance and Evolution Phase：维护从被动检修转向持续监测、预测、修复和重构，AI支持退化预测与持续学习，EI支持自主诊断与具身修复，PI通过自修复材料、可重构结构等实现物理恢复。
6.4 Emergent System-Level Properties From Co-Evolution：AI–EI–PI共演化可产生鲁棒性、适应性、系统级效率和自主性等涌现属性，这些属性来自计算、具身和材料响应的分布式重组。
6.5 Unified Architecture and Future Outlook：统一架构强调AI处于表示与抽象域、EI为具身中介层、PI为材料实现层，信息流双向且跨时间尺度分布；制造智能从外部施加转向内在嵌入，并面向长期适应与自重构。
7 Challenges and Future Directions：主要挑战在于AI、EI、PI在制造实践中仍弱集成，需在理论、系统架构、材料设计和工业部署方面推进。
7.1 Toward a Rigorous Science of Manufacturing Intelligence：需建立统一科学语言和操作标准，明确信息存储、变换及物理通道，并报告功能映射的计算位置、闭环性和物理实例化程度。
7.2 Bridging Scales from Data to Matter：需建立跨尺度语言和双向约束传播框架，将机理模型、原位传感、可微仿真和自适应生成设计结合，并测量AI–EI、EI–PI、AI–PI界面关键量。
7.3 From Data Dependence to Physics-Grounded Generalization：应通过嵌入守恒律、本构关系、工艺窗口和稳定性准则减少数据依赖，并区分AI内先验与迁移、EI在线校正、PI局部响应委托。
7.4 Designing Intelligence Into Materials and Structures：需将智能严格设计进材料和结构，解决疲劳、激活阈值分散、可逆性、可重编程性和制造后验收测试等问题。
7.5 Manufacturing Systems That Learn Through Action：制造系统需在部署后通过行动学习，但面临安全探索、零件报废、工具损伤、漂移和材料变化后更新有效性等约束。
7.6 Human-Centered Intelligence Beyond Supervision：未来应使人类判断、隐性知识、创造力和伦理责任与机器及材料智能有效耦合，并提供可理解、可质询的跨层交互界面。
7.7 Trust, Verification, and Industrial Translation：需发展超越软件基准的验证与确认方法，评估非名义条件下稳定性、可恢复性和退化行为，并提供跨层证据和制造后物理功能验收测试。
7.8 Toward Self-Evolving Manufacturing Ecosystems：长期目标是形成设计、物质、机器和运行全栈分布智能的自演化制造生态，使材料参与感知、记忆、调节和恢复，制造成为物质、机器与模型共同组织为自适应系统的过程。
8 Conclusion：AI、EI和PI是制造智能的三种互补实现模式；未来制造智能在于三者整合，从外部施加转向物理实现，并需人工智能、机器人、力学、材料科学、增材制造和信息物理系统等跨学科协同设计。
