人形机器人，要出大结果了！

AI正在长出手脚，美国的优势在于更聪明的大脑，中国则拥有最强最完善的身体。 文 | 华商韬略 华新 10月21日，特斯拉在三季度财报里宣布：Optimus人形机器人已在加州弗里蒙特工厂的量产线上开工。这条产线原本属于Model S和Model X，今年7月，特斯拉只用46天就把旧线拆了个干净，然后换上了Optimus的生产线。 几乎同期，英伟达创始人黄仁勋在柏林GTC大会上高喊：物理AI，人形机器人，是下一个伟大的产业；王兴兴说自己犯的最大错误就是不够相信AI，并且提前了人形机器人的规模化应用时间表，市值被腰斩的宇树科技则开始了股价反攻。 【从知到行】 如果把过去三年的大模型比作一个人，它更像一位被困在电脑里的“无所不知”：能创作、能编程、能回答你各种问题，陪你聊人生，但却从没走出电脑，哪怕为你亲手拿起过一只杯子。物理AI要补的，就是这一课—— 让“无所不知”变成“无所不能”。 黄仁勋今年1月在CES上的表述是：AI正在越过理解数字信息的阶段，开始去理解重力、摩擦、惯性和因果。翻译成大白话，物理AI，就是让AI从“会说”变成“会做”。它要从屏幕里走出来，走进工厂、仓库、街道和家庭。 物理Al的核心是机器人。 会自己开的车，是带轮子的机器人；会自己飞的无人机，是带翅膀的机器人；产线上会自己找零件、拧螺丝的机械臂，是长在工位上的机器人…… 人形机器人只是其中最难、也最被寄予厚望的那一个。原因是：楼梯、门把手、工具、工位，人类的世界，全都是按人的身材设计的， 谁能长成人的样子，谁就能更无缝、直接地接手人的一切工作。 物理AI瞄准的，是人类劳动力本身这个最大的市场。 这是一笔大账。 全球制造业招工越来越难，人口老龄化让养老、护理、物流的人手缺口一年比一年大。花旗曾估算，到2050年全球人形机器人数量可达6.48亿台，相当于今天全球汽车保有量的四成多。 让一台人形机器人工作，就像让一个人工作，看似简单，背后却是一连串复杂的拆解。 假设你对它说：帮我从冰箱里拿一瓶可乐。 它先要用“眼睛”——摄像头和3D视觉传感器，看清冰箱在哪，门把手在哪，可乐在第几层。 然后是“大脑”。多模态大模型把这句话拆成一串动作：走过去、拉开门、找到可乐、拿起来、关上门、递过来。行业里管这类模型叫VLA，也就是“视觉-语言-动作”模型。 接着是“小脑”，也就是运动控制系统。两条腿走路，本质上是每一步都在摔倒的边缘，它要在毫秒之间调整重心，保证身体不倒。 最后是“肌肉和筋骨”。一台人形机器人通常有四十个左右的关节，每个关节里塞着电机、减速器、丝杠和传感器。手上还得有触觉和力觉：抓可乐瓶可以稍微用力，抓钢球得特别用力，拿鸡蛋就得收着劲。 听起来，每一步都不复杂，但对机器人来说，每一步都是一道坎。 人工智能界有个著名的“莫拉维克悖论”：让电脑下赢围棋世界冠军相对容易，让机器人像三岁孩子一样叠好一件衣服，却难上加难。 难，就难在数据。 语言大模型之所以突飞猛进，是因为人类在互联网上攒下了几十年的文字。但物理世界，没有现成的“互联网”。机器人的每一次抓取、每一次摔倒，都得在真实世界里一遍遍试出来，又慢又贵。 破局的办法有两条。一条是让真机大批量下场干活，边干边采数据；另一条，是在虚拟世界里“开驾校”。 后者就像飞行员先进模拟舱：先在虚拟世界里摔一百万次，再去真实世界迈第一步。英伟达去年3月公布过一组数据：用它的工具，11个小时就能生成78万条机器人合成动作轨迹，相当于人类示范6500个小时的数据量。 即便如此，今天的物理AI离“通用”仍有距离。 宇树科技创始人王兴兴8月在世界机器人大会上就讲过：在固定场景里，经过充分的数据采集和专项训练，机器人完成任务的成功率几乎能到100%；可只要换一件物品，或者把环境稍微挪一挪，成功率就会大幅下滑。 王兴兴给具身智能的“ChatGPT时刻”下的标准是：把一台机器人带到任意一个陌生环境，比如你家里，它基本能完成80%左右的任务。到那一天，产业才算真正走到爆发的临界点。当时，他对这个时间的预期是：快的话两三年，慢的话五年甚至十年。 但10月12日，在第二十六届中国国际工业博览会开幕式的圆桌对话上，王兴兴把这个预判往前提了。他认为突飞猛进的模型能力很快就会将壁垒击穿，这个临界点快的话一两年内就可能到来。他甚至放话：明年GPT-7一出来，可能直接把具身智能的问题打穿。 换句话说， 几个月前，物理AI还是比较遥远的未来，但现在它已跑进冲刺前的最后一段直道 ；而它要改造的制造、物流和服务业，恰恰是中国最熟悉的主场。 【群雄落子】 全球物理AI的牌桌上，玩家很多，打法截然不同。 马斯克是最高调的布道者，也是下注最狠的那一个。 早在2024年6月的特斯拉股东大会上，他就算过一笔大账：全世界未来每年可能要造10亿台人形机器人，特斯拉的份额可能远超10%；