很多人第一次接触这块时，会把传送带、扫地机、聊天机器人全叫成「AI」，结果选型、预算、验收标准全乱套。这篇不堆术语，只做一件事：给你一条判断线，遇到一个具体系统时能说清它靠的是固定流程、感知反馈还是模型推理，并指出边界模糊时该往哪查、查什么。
很多人第一次接触这块，会把传送带、扫地机、聊天机器人一股脑叫成「AI」。叫错了问题不大，麻烦的是选型、预算、验收标准跟着一起乱：本该按固定流程验收的设备，被要求去考「泛化能力」；本该留出数据标注和调优预算的项目，却被当成改几条规则就能上线。这篇不堆术语，只做一件事：给你一条能落地的判断线，碰到一个具体系统时，能说清它到底靠固定流程、感知反馈，还是模型推理在撑。
需要提前说明的是，三者不是三代产品的关系，而是可以叠在一起的三层能力。同一台设备完全可能底层是自动化、中间加了感知、最上面套了一个模型。所以真正有用的问法不是「它属于哪一类」，而是「哪一层在做决策、哪一层最容易出错」。后面的清单和对照表都围绕这个问法展开，边界模糊时也有对应的处理方式。
三个词各自解决的核心问题不一样
把三个词拆开看，它们回答的其实是三个不同的问题。自动化回答「重复动作怎么不用人做」，靠的是预先写死的规则和触发条件，输入确定，输出也就确定；智能机器人回答「怎么在物理环境里自己感知并动起来」，靠的是传感器加控制回路，重点在跟环境交互；人工智能回答「没见过的情况怎么给出合理输出」，靠的是从数据里学到的判断力，允许输入模糊、结果带概率。分清这三问，后面判断就顺了。
- 自动化
- 把确定输入按事先写好的规则变成确定输出，改需求通常是改配置或流程图
- 智能机器人
- 带传感器和执行机构，能感知环境变化并调整动作，强调实时闭环
- 人工智能
- 从数据里学出判断能力，对没见过的输入也能给出带概率的合理输出
- 叠加关系
- 三者可以共存于同一设备，不是谁替代谁，判断时要看哪层在决策
- 只有自动化：定时启停的水泵、按固定轨迹焊接的机械臂、批量改文件名的脚本
- 自动化加感知：带光电传感器的传送带分拣，能检测到料但分拣逻辑仍是写死的
- 感知加人工智能：摄像头识别缺陷类型，模型给出类别，但抓取动作仍是固定流程
- 三层都有：移动机器人自主导航，路径规划用模型，底盘控制用控制回路，安全联锁用硬规则
- 判断要点：不要问「是不是 AI」，要问「出错时是谁在兜底」
一条判断线：出错时它怎么反应
最省事的判断办法是故意喂一个它没见过的输入，然后看反应。直接报错停机，或者按默认值硬走到底，多半偏自动化；能识别出环境变了并相应调整动作，偏智能机器人；能对模糊输入给出一个「大概对」的结果，还带点解释，偏人工智能。这条线不需要看代码，也不需要看文档，几分钟就能试出来，特别适合在供应商演示现场用。
再从维护方式反推一遍，结论会更稳。想加一个新能力，如果只是加个判断分支、改几条配置，那主干是自动化；如果得重新采数据、重新标样本、重新训一遍，那决策环节有人工智能成分；如果改的是传感器布局或控制参数，那主体是机器人。两种视角对不上时，通常说明这是个混合系统，别急着归类，往下看第三节的对照流程。
拿到一个具体系统时的四步对照
- 第一步，问输入看它接收的是按钮、定时器这类确定信号，还是摄像头、语音、文本这类非结构化信号。前者基本可以按自动化估，后者至少涉及感知或模型，验证方法就是问一句「输入格式被改了会怎样」。
- 第二步，问规则在哪规则写在流程图、PLC、配置文件里，还是藏在成堆的参数和训练数据里。让维护人员当场指出一条规则的位置，指得出来是前者，指不出来大概率是后者。
- 第三步，问失败代价错了是停线、报警，还是给出一段看着合理但可能是错的答案。前者靠硬联锁兜底即可，后者必须配人工复核流程，验收时要专门设计错误样本测试。
- 第四步，问改造成本想加一个新能力，是加个判断分支就行，还是得重新采集数据、重新训一遍。这一步直接决定项目排期和后续维护投入，最好在合同里把责任边界写清楚。
| 观察点 | 偏自动化 | 偏智能机器人 | 偏人工智能 |
|---|---|---|---|
| 输入类型 | 按钮、定时器、确定信号 | 图像、距离、位姿等传感信号 | 文本、语音、模糊描述 |
| 规则位置 | 流程图、PLC、配置文件 | 控制回路参数与状态机 | 模型参数与训练数据 |
| 出错表现 | 报错停机或按默认值走 | 动作失准或触发安全停 | 给出合理但可能错的输出 |
| 改造方式 | 改配置、加分支 | 调整传感器或控制参数 | 重新采数、重新训练 |
| 兜底手段 | 硬联锁与流程校验 | 安全回路与人工接管 | 人工复核与置信度阈值 |
边界模糊的三种常见情况
实际项目里，纯的某一类反而不多，模糊地带才常见。第一种是规则引擎里嵌了一个小分类模型，对外还叫自动化，但决策环节已经有人工智能成分，按纯自动化估工期和验收标准，最后基本会翻车。这类系统的处理办法是把那一小段模型单独拎出来，按模型的方式测，其余部分照旧按规则测。
第二种是大模型套了固定工作流，看起来像 AI 产品，但流程主干其实是自动化，稳定性主要取决于流程设计和异常分支，而不是模型本身。第三种是带视觉的机械臂做固定分拣：感知是智能的，动作是自动化的，验收时必须分两套标准分别测——一套测识别准确率和误检代价，一套测节拍、重复定位和故障恢复。
- 遇到混合系统，不要纠结归类，先按「哪一层可能出错、出错谁来兜」写清楚
- 把每一层的验收标准分别列出来，别用一套指标糊过去
- 把每层的改造成本单独估算，别拿改配置的预算去干重新训练的事
- 对外沟通时直接说「哪层是规则、哪层是模型」，比争论叫什么名字有用得多
- 需要横向参考时，可以到 看同类系统的测试项目怎么设计
常见问题
自动化里加个模型，就算人工智能了吗？
算一部分。判断看决策权在谁手里：模型只做辅助提示、最终动作仍由写死的规则决定，那主体还是自动化；模型输出直接决定下一步动作，才算把判断交给了人工智能。对外沟通时建议说清比例，不然验收标准容易对不上。
智能机器人和人工智能是一回事吗？
不是。智能机器人是从形态和交互角度说的，强调有身体、能感知环境；人工智能是从能力来源角度说的，强调判断靠模型而不是写死的规则。一台机器人可以不含人工智能，一个纯软件系统也可以是很典型的人工智能。
入门阶段要不要先把这三个概念背清楚？
背定义没用，练判断才有用。建议拿身边三五个系统各问一遍「输入是什么、规则写在哪、出错怎么办」，几次下来自然就分得清。真要抠术语细节，去站内术语词典对照着看更快。
