機器人“最強大腦”競賽白熱化：特斯拉、Figure押注空間智能

21世紀經濟報道記者鄧浩 上海報道近日，頭部機器人相繼發佈新進展。

特斯拉在社交媒體發佈一段做家務視頻。展示了倒垃圾、用鏟子攪拌鍋、操作吸塵器、把物品放在置物架上、打開櫃門、拉窗簾等一系列簡單家務能力。

Figure機器人則展示了一段工廠視頻，稱在寶馬X3生產線完成連續20小時輪班作業。並表示已經持續數週進行10小時輪班作業。

值得一提的是，特斯拉在視頻中稱，其所有機器人使用同一個神經網絡模型訓練。而且，這些家務技能皆由真人視頻學習而來，而非現在常用的VR動作捕捉學習。

“特斯拉應該不是隻看視頻就學會，因爲產業中通常採用真機數據採集、仿真環境合成數據，進行具身智能模型訓練。因爲視頻是二維的，需要算法精準還原成三維、高精度比較難，而且視頻缺乏物理屬性，比如機器人真正操作物體的時候，零件的重量、材質、內部結構等都是需要判斷的。”快思慢想研究院院長田豐對21世紀經濟報道記者表示。

頭部機器人進展迅速

機器人正在成爲一、二級市場的投資主線，相關商業動作不斷，持續催化。

據記者不完全統計，僅5月以來，就有具身智能公司自變量機器人完成數億元A輪融資，由美團戰投領投、美團龍珠跟投；華爲與優必選正式簽署全面合作協議，圍繞具身智能和人形機器人領域合作；騰訊雲和越疆科技開啓深化戰略合作，加速具身智能機器人規模化落地。

而前述海外頭部公司進展更快，也成爲國內機構極爲關注的率先量產標的。

“這兩家公司（特斯拉、Figure）非常關注機器人大腦，重視空間智能的研發。”田豐表示。

在田豐看來，特斯拉有自動駕駛的積累，可以往機器人模型做遷移。自動駕駛方面，很多廠商還是用分段式的架構去處理，比如車輛的感知、規控、執行等模型。機器人比FSD（完全自動駕駛）還要複雜一些，“按馬斯克的說法，自動駕駛是在二維空間的自主移動，機器人是三維空間的自主行動，決策判斷要更復雜。”

機器人如何實現三維空間中的複雜操作？特斯拉、Figure等頭部廠商現在是採用端到端的方案，不過因爲採用一個模型，涉及全身關節的數據，在實踐中非常難於獲得大規模、高質量訓練數據集。

田豐坦言，“我們還不知道控制擎天柱的電腦實際操作情況，特斯拉並沒有透露控制程度可以做到多少無人化或少人化，但至少從視頻上看，端到端的模型還是做得很好。”

實際上，對大模型來說，一直存在ScalingLaw（縮放定律）的實踐真理，通過指數級放大數據量、模型參數量和算力，可以快速逼近AGI，但就具身智能來說，阻礙機器人產業ScalingLaw的關鍵瓶頸，在於數據規模。

田豐表示，“因此大家有一個普遍看法，認爲物理世界的真機數據是非常寶貴的，採集成本非常高，而且需要很多時間才能起量規模化。特斯拉透露過，合成數據在其訓練裡佔了不小的比例。現在產業裡通常都是往仿真環境去迭代。因爲仿真環境可以帶入更多物理屬性的數據，大部分玩家還是在英偉達的Omniverse Isaac平臺做仿真學習，中國也有一些平臺，比如鬆應科技、羣核智能等。”

速度、精度難題尚需克服

人形機器人進工廠“打工”，成爲產業較爲一致的從實驗室走向商業化的關鍵場景。

公開資料顯示，美的自研的“美羅1號”人形機器人已正式前往美的洗衣機荊州工廠“打工”；樂聚機器人公司於今年1月完成了100臺人形機器人的產業化交付；小鵬官宣其AI機器人Iron將於2026年規模化進入工業化量產，目前已在廣州工廠實現Iron實訓落地。

不過，田豐認爲，目前人形機器人還沒有辦法替代人，還存在速度和精度的問題。其中速度跟電機、減速器等有關，比如能不能支持身體手臂的快速移動；精度則和傳感器有關，需要力反饋，也跟工廠環境有關，比如可能有磁性。而且工廠要求非常快的生產節拍，現在機器人幹活比較慢，還不能完全跟上自動化生產線節拍。

“我認爲對工廠環境來說，人形機器人的交付量是一個關鍵的里程碑。一旦有單個工廠或企業用了1000臺，說明這件事已經做到了。現在中國工廠裡打工的機器人成本還很貴，單臺價格可能就要50-80萬元，甚至100萬元。”田豐判斷。

找到高價值產業場景、快速適配迭代、解決生產力瓶頸、起量規模化，是加速人形機器人落地的必經之路，而擁有製造環境的廠商有先發優勢。

這或許也是賽力斯、長安汽車、奇瑞汽車等一衆整車廠，美的、海爾、追覓等消費製造企業紛紛入局機器人的動因。

田豐表示，“其實機器人自身的裝配也可能會成爲機器人訓練的天然場景，就是機器人自己來組裝自己，一旦可以滿足自己的需求，也是非常大的工業級市場。”

比如，Figure此前就發佈人形機器人制造工廠BotQ，年產能可達12000臺人形機器人，並計劃在四年內將產能提升到年產10萬臺機器人。

國泰君安證券也認爲，將自研人形機器人投入到自身的生產流程中，既大幅提升自動化水平，降低人力成本，又通過真實場景積累訓練數據，測試產品性能，形成“研發-製造-反饋”的閉環迭代。相比於傳統的汽車生產線，有望逐步實現“人機混合生產—全機器人生產”的漸進路徑。