人形机器人为什么这么火？

人型机器人上一次这么火，还是2016年波士顿动力的Atlas。

Atlas的名场面是被波士顿动力员工一棍子撂倒，整个过程栩栩如生，引发了“停止霸凌机器人”的后现代哲学思考。

波士顿动力员工霸凌机器人，2016年

后来，改进版的Atlas完成了后空翻等一连串高难度动作，在公司内部的地位提升肉眼可见。但波士顿动力的走向却和舆论热度成反比：

2013年被谷歌收购，2017年被甩卖给软银，2020年又卖给了韩国现代，逐渐泯然众人。

Atlas表演后空翻，2017年

带起当下人形机器人节奏的，是个既出乎意料又情理之中的名字：特斯拉。

从2021年到现在，特斯拉的人形机器人以每年一次的频率，稳定的刷着存在感：

·2021年AI Day，特斯拉PPT首发了人形机器人Optimus的概念机设计方案，由于缺少后空翻这种直观冲击，影响力只局限在A股相关概念股。

·2022年的AI Day，特斯拉把Optimus的原型机搬到了会场。身高还是一米七，体重从上一年的50kg暴增至73kg，可以完成招手、搬运物体等简单工作，但走路需要特斯拉员工搀扶。

没装外壳，打赤膊的Optimus，2022年

·2023年股东大会，Optimus以视频形式出场，不仅走路不用人扶了，还能完成物品分类、分拣等更高难度动作。

Optimus体重暴增前后

虽然在舆论场的声量远不及当年的波士顿动力，但特斯拉的Optimus引发了产业界的沸腾，原因有两点：

一是相比Atlas百万美元的造价，马斯克表示Optimus两万美元就能买回家，说明人形机器人有大规模量产的可能。

二是通用性，在特斯拉的演示视频里，Optimus已经可以完成很多简单的体力劳动，潜在销路大增。

问题随之而来：为什么是现在？为什么是特斯拉？

一次技术浪潮

理解人形机器人的技术浪潮，首先要了解它和传统的工业/服务机器人的区别。

简单来说，传统机器人大多基于特定的规划执行特定的操作，比如运输、分拣，不具备感知和决策能力。人形机器人不仅能与物理世界交互，还有感知和理解能力。

举一个不太恰当但好理解的例子：送餐机器人执行“把外卖送到1203号房”这个任务时，并不理解什么是“外卖”和“1203号房”，只是根据软件系统既定的指令和路线规划完成任务。

但人形机器人可以借由智能化，理解物理世界各种物体、语言和文字的含义，并自主规划和决策。

所以理想状态下，机器人不仅可以送外卖，还能顺便洗个碗，走之前再把垃圾带下去。当然马斯克想的更远：让Optimus军团搭乘SpaceX的龙飞船登陆火星。

因此，两者的最大区别就在“通用性”，一个只能完成预先规划的特点任务，一个理论上什么都能干。

技术跃迁的背后，是人工智能近20年来的两次里程碑事件：

第一次是2012年，Geoffrey Hinton三人组携AlexNet算法参加ImageNet图像识别大赛，以84%的识别准确率夺得冠军。神经网络从多种技术路线中脱颖而出，成为人工智能的唯一解。

所谓神经网络，可以理解为用算法模拟人脑的运行机制，配合足够规模的数据和算力，理论上人脑能够实现的智能，计算机也能实现。李飞飞举过一个形象的例子：

如果把眼睛当作照相机，一个三岁的孩子就已经拍摄了上亿张照片，借此认识世界。那么只要让算法看足够多的图片，算法也能够识别物体。

2012年，李飞飞创建的数据集，AlexNet在算法上的创新，加上Geoffrey Hinton三人组开创性的使用了英伟达显卡训练算法，数据、算法、算力齐备，人工智能迎来爆发期，人脸识别、机器翻译、自动驾驶等场景迅速落地，GPU订单雪花一般飘向圣克拉拉的英伟达总部。

顺带提一句，Geoffrey Hinton的新东家Vayu Robotics，就是一家做机器人的公司。

第二次是2017年，Google八位员工公开了Transformer架构，开启了大模型时代。

两次的区别可以简单概括为，2012年的AlexNet让AI有了“感知”的能力，而Transformer和之后的大模型让AI有了“生成”的能力。

举例来说，2012年的AI可以识别出各种各样的猫，2017年之后的AI已经可以自己生成猫的图片了。

“感知”让AI能够学习人类对世界的认知，“生成”让AI有自主决策的能力。至此，机器人的地基已经打好了。实际上ChatGPT和各类AI Agent，已经可以视为具备感知和决策能力的机器人。

只不过这类“机器人”局限在数字环境，有量大管饱的参数和算力就能搓出来。但人形机器人需要与真实的物理世界交互，就需要真实世界的参数训练。同时，由于硬件产品的存在，又会触及制造业的核心命题：低成本大规模量产。

从早年的本田ASIMO，到几年前的波士顿动力Atlas，都是栽在了无法低成本量产，导致没有商业化场景的问题上。

而特斯拉进展神速的秘密在于，他们抓住了人形机器人的“前置产业”：自动驾驶。

一个“前置产业”

2021年的AI Day上，马斯克曾说：我们几乎拥有人型机器人所需的所有部件，因为我们已经制造了带轮子的机器人。

这句话其实很好概括了特斯拉在人形机器人上的发展策略：用汽车研发的经验给机器人开路。

如上文所说，本轮人形机器人浪潮的想象空间在于“通用性”，也就是把机器人从基于特定规划执行任务的功能性产品，变成具备感知和决策能力的智能设备。

此前的种种智能化路线，往往都难以脱离“穷举法”的桎梏，导致始终会面临像这个程序员段子一样的尴尬问题：

但Transformer打开大模型时代后，带来了两个立竿见影的改变：

一是把无法实现的穷举法变成了简单粗暴的大力出奇迹：只要让机器学习足够多的数据，就能拥有类人的智能，可以脱离预设的规划进行自主决策。

二是多模态能力的建立，让机器人可以实现感知-决策-执行的整个流程。

一个样板工程是今年7月《纽约时报》探班谷歌实验室， 完整记录了基于RT-2模型的机器人智能闪现的瞬间：

桌子上放着恐龙、鲸鱼、狮子三个塑料玩具，工程师让单臂机器人“捡起灭绝的动物”，机器人拿起了恐龙。

这意味着机器人不仅能识别三种动物，也能理解“灭绝的动物”的含义，还可以完成具体的操作。

以此类推，只要数据、算法、算力三要素满足，那么机器人不仅能抓取灭绝的动物，还能自己切菜刷锅洗碗，甚至先切十斤精肉不见半点肥的，再切十斤肥的不见半点精肉。

如果可以实现，那么机器人的应用场景就大幅度增加，比如做饭、打扫卫生、照顾老人。而且机器人还会依照算法不断自我学习自我进化，自驱力秒杀99%的打工人。

Google的RT-2模型论文

自动驾驶的技术演进一度万马齐喑，就在于难以脱离“穷举法”的陷阱，直到以神经网络为代表的人工智能兴起。而人形机器人的既定发展路线，恰恰与自动驾驶的技术演进完全吻合：

两者的核心都是基于人工智能，实现感知-决策-执行的完整链条。

这就意味着无论是软件层面的算法，还是硬件层面的视觉传感器、FSD芯片等零部件，理论上都可以用于人形机器人。这也是为什么马斯克会说：当你能解决自动驾驶，你就能解决现实世界中的人工智能。

如果把新能源车理解为“带轮子的机器人”，那么特斯拉的布局其实可以追溯到2014年9月第一版Autopilot发布。在这过程中，特斯拉一步步用自研软硬件替换掉了第三方的方案，为Optimus机器人探路。

最核心的自动驾驶芯片上，特斯拉最初采用Mobileye的方案，后来换成了英伟达。2019年，特斯拉自研的FSD芯片正式上车，沿用至今。

软件算法上，特斯拉在2020年对底层代码进行了网络重构，引入了Transformer架构，实现将2D图像拼接为3D视角，随后又3D空间基础上加入了时序信息，转化为4D空间。2022年引入占用网络（Occupancy Network），解决通用障碍物识别问题。

云端算力上，特斯拉在2021年AI Day首次公开了Dojo超算和自研的D1芯片。至此，特斯拉完成了从云端到终端，核心软硬件的自研。

因此，Optimus在2021年的公开亮相，并不是巧合。

一家伪装成汽车制造商的AI公司

为什么波士顿动力的Atlas成本高达百万美元，特斯拉Optimus的目标价位只有两万美元？

因为那98万已经由广大特斯拉车主先行分摊了。

虽然机器人所需的数据集与自动驾驶有所不同，控制系统也有差别，但自动驾驶还是完美的帮人形机器人解决了“VR式难题”。

VR经历了无数个“元年”依然死气沉沉，核心在于如果要满足VR头显对性能、体积和能耗的要求，手机的研发经验几乎无法复用，软件系统和处理器、屏幕这些零部件，都要重新走一遍从0到1的过程。

在产品不成熟、应用匮乏的情况下，消费者兴致寡然，导致企业无法大规模生产摊薄成本，而高昂的售价又进一步加剧这个恶性循环。

人型机器人则相反，研发过程中耗资巨大的软件算法、数据采集、芯片和传感器等零部件、云端算力设施，都在自动驾驶的开发过程中建设完成了。

几乎所有人工智能的应用都需要算法、算力、数据三驾马车来拉动，算法决定了AI识别和决策的方式；但强大的算法需要足够的算力来驱动；同时，算法的提升又需要大规模高质量的数据；三者相辅相成，缺一不可。

具体到人形机器人，Optimus的每一个环节，都能照抄S3XY四大车型的作业。

算法层面，Optimus的软硬件几乎照搬了特斯拉电动车的方案：

Optimus共配置有3颗摄像头，左右眼各一个，外加一颗鱼眼广角。芯片是和电动车一模一样的FSD自动驾驶芯片，参照当前HW3.0系统的算力，Optimus的算力为72TOPS（车里有两颗，机器人只有一颗）。

软件上，Optimus承袭了特斯拉自动驾驶的BEV+Transformer+占用网络的方案。简单来说，算法会将摄像头拍摄的画面“拼”成一张动态的4D图像，并规划行车路径。在Optimus的演示里，其识别和决策系统与自动驾驶算法如出一辙。

Optimus的视觉传感系统

2023年特斯拉股东大会，马斯克就表示，特斯拉已经打通了FSD和机器人的底层模块，实现了一定程度的算法复用。

算力层面，依靠2021年发布的D1芯片，特斯拉组建了自己的算力集群Dojo ExaPod。

一套Dojo ExaPod包含3000个D1芯片，总算力达到1.1EFLOP，相当于14000块A100的算力。Dojo主要服务于特斯拉的自动驾驶任务，但也可以无痛切换到机器人的训练。特斯拉为汽车设计的碰撞模拟软件，也可以给Optimus编写跌倒测试程序。

数据层面，特斯拉已经拥有了规模最大的数据采集网络。

和GPT等大模型不同，自动驾驶与机器人需要物理世界的真实数据来训练算法。与自建工程车队，专门采集数据的自动驾驶公司不同，特斯拉车主组成了一个规模庞大的免费外包车队，加上近30万购买了FSD功能的车主，源源不断的将真实数据传送给Dojo训练。

2022年的AI Day上，特斯拉宣称已经存储的有价值训练数据集有23.2万帧，验证数据集0.38万帧。

Optimus中负责驱动的电机也来自特斯拉电动车现有的方案。不过考虑到机器人的灵活性更强，单独的电机数量远远超过电动车。

总结一下，新能源车和自动驾驶可以靠自身的造血能力，替人形机器人趟过研发开支最密集的阶段；同时，自动驾驶的落地也为人形机器人积累了大量数据采集、算法迭代、模型训练的工程化经验。

波士顿动力的日益平庸，特斯拉的后来居上，背后的变量都是人工智能的技术革命，和自动驾驶这个“前置产业”。

马斯克在AI领域的涉足常被忽略，他其实是OpenAI的创始人之一，也是DeepMind的早期投资人。他参与的人工智能公司还有脑机芯片Neuralink、聊天机器人Grok。

特斯拉每天接受并处理的视频画面超过1600亿帧，这是商业公司能拥有的最大的真实世界数据集，不仅能拿来精进自动驾驶系统，还能给Optimus做预训练。

人们觉得特斯拉属于制造业，其实它更像一家软件公司。特斯拉的自我介绍是“纯电动车、太阳能和清洁能源”，但实际上，它是一家彻头彻尾的人工智能公司。

编辑：王一川

本文链接：https://kk3k.com/jiqiren/11.html

优必选人形机器人风口风口机器人学人形机器人应用人形机器人未来人形机器人的成本人形机器人行业研究报告人形机器人研究报告人形机器人研究