編者按：本文來(lái)自微信公眾號(hào) 遠(yuǎn)川投資評(píng)論（ID：caituandzd），作者：李墨天，創(chuàng)業(yè)邦經(jīng)授權(quán)轉(zhuǎn)載。

人型機(jī)器人上一次這么火，還是2016年波士頓動(dòng)力的Atlas。

Atlas的名場(chǎng)面是被波士頓動(dòng)力員工一棍子撂倒，整個(gè)過程栩栩如生，引發(fā)了“停止霸凌機(jī)器人”的后現(xiàn)代哲學(xué)思考。

波士頓動(dòng)力員工霸凌機(jī)器人，2016年

后來(lái)，改進(jìn)版的Atlas完成了后空翻等一連串高難度動(dòng)作，在公司內(nèi)部的地位提升肉眼可見。但波士頓動(dòng)力的走向卻和輿論熱度成反比：

2013年被谷歌收購(gòu)，2017年被甩賣給軟銀，2020年又賣給了韓國(guó)現(xiàn)代，逐漸泯然眾人。

Atlas表演后空翻，2017年

帶起當(dāng)下人形機(jī)器人節(jié)奏的，是個(gè)既出乎意料又情理之中的名字：特斯拉。

從2021年到現(xiàn)在，特斯拉的人形機(jī)器人以每年一次的頻率，穩(wěn)定的刷著存在感：

·2021年AIDay，特斯拉PPT首發(fā)了人形機(jī)器人Optimus的概念機(jī)設(shè)計(jì)方案，由于缺少后空翻這種直觀沖擊，影響力只局限在A股相關(guān)概念股。

·2022年的AIDay，特斯拉把Optimus的原型機(jī)搬到了會(huì)場(chǎng)。身高還是一米七，體重從上一年的50kg暴增至73kg，可以完成招手、搬運(yùn)物體等簡(jiǎn)單工作，但走路需要特斯拉員工攙扶。

沒裝外殼，打赤膊的Optimus，2022年

·2023年股東大會(huì)，Optimus以視頻形式出場(chǎng)，不僅走路不用人扶了，還能完成物品分類、分揀等更高難度動(dòng)作。

Optimus體重暴增前后

雖然在輿論場(chǎng)的聲量遠(yuǎn)不及當(dāng)年的波士頓動(dòng)力，但特斯拉的Optimus引發(fā)了產(chǎn)業(yè)界的沸騰，原因有兩點(diǎn)：

一是相比Atlas百萬(wàn)美元的造價(jià)，馬斯克表示Optimus兩萬(wàn)美元就能買回家，說(shuō)明人形機(jī)器人有大規(guī)模量產(chǎn)的可能。

二是通用性，在特斯拉的演示視頻里，Optimus已經(jīng)可以完成很多簡(jiǎn)單的體力勞動(dòng)，潛在銷路大增。

問題隨之而來(lái)：為什么是現(xiàn)在？為什么是特斯拉？

一次技術(shù)浪潮

理解人形機(jī)器人的技術(shù)浪潮，首先要了解它和傳統(tǒng)的工業(yè)/服務(wù)機(jī)器人的區(qū)別。

簡(jiǎn)單來(lái)說(shuō)，傳統(tǒng)機(jī)器人大多基于特定的規(guī)劃執(zhí)行特定的操作，比如運(yùn)輸、分揀，不具備感知和決策能力。人形機(jī)器人不僅能與物理世界交互，還有感知和理解能力。

舉一個(gè)不太恰當(dāng)?shù)美斫獾睦樱核筒蜋C(jī)器人執(zhí)行“把外賣送到1203號(hào)房”這個(gè)任務(wù)時(shí)，并不理解什么是“外賣”和“1203號(hào)房”，只是根據(jù)軟件系統(tǒng)既定的指令和路線規(guī)劃完成任務(wù)。

但人形機(jī)器人可以借由智能化，理解物理世界各種物體、語(yǔ)言和文字的含義，并自主規(guī)劃和決策。

所以理想狀態(tài)下，機(jī)器人不僅可以送外賣，還能順便洗個(gè)碗，走之前再把垃圾帶下去。當(dāng)然馬斯克想的更遠(yuǎn)：讓Optimus軍團(tuán)搭乘SpaceX的龍飛船登陸火星。

因此，兩者的最大區(qū)別就在“通用性”，一個(gè)只能完成預(yù)先規(guī)劃的特點(diǎn)任務(wù)，一個(gè)理論上什么都能干。

技術(shù)躍遷的背后，是人工智能近20年來(lái)的兩次里程碑事件：

第一次是2012年，Geoffrey Hinton三人組攜AlexNet算法參加ImageNet圖像識(shí)別大賽，以84%的識(shí)別準(zhǔn)確率奪得冠軍。神經(jīng)網(wǎng)絡(luò)從多種技術(shù)路線中脫穎而出，成為人工智能的唯一解。

所謂神經(jīng)網(wǎng)絡(luò)，可以理解為用算法模擬人腦的運(yùn)行機(jī)制，配合足夠規(guī)模的數(shù)據(jù)和算力，理論上人腦能夠?qū)崿F(xiàn)的智能，計(jì)算機(jī)也能實(shí)現(xiàn)。李飛飛舉過一個(gè)形象的例子：

如果把眼睛當(dāng)作照相機(jī)，一個(gè)三歲的孩子就已經(jīng)拍攝了上億張照片，借此認(rèn)識(shí)世界。那么只要讓算法看足夠多的圖片，算法也能夠識(shí)別物體。

2012年，李飛飛創(chuàng)建的數(shù)據(jù)集，AlexNet在算法上的創(chuàng)新，加上Geoffrey Hinton三人組開創(chuàng)性的使用了英偉達(dá)顯卡訓(xùn)練算法，數(shù)據(jù)、算法、算力齊備，人工智能迎來(lái)爆發(fā)期，人臉識(shí)別、機(jī)器翻譯、自動(dòng)駕駛等場(chǎng)景迅速落地，GPU訂單雪花一般飄向圣克拉拉的英偉達(dá)總部。

順帶提一句，Geoffrey Hinton的新東家Vayu Robotics，就是一家做機(jī)器人的公司。

第二次是2017年，Google八位員工公開了Transformer架構(gòu)，開啟了大模型時(shí)代。

兩次的區(qū)別可以簡(jiǎn)單概括為，2012年的AlexNet讓AI有了“感知”的能力，而Transformer和之后的大模型讓AI有了“生成”的能力。

舉例來(lái)說(shuō)，2012年的AI可以識(shí)別出各種各樣的貓，2017年之后的AI已經(jīng)可以自己生成貓的圖片了。

“感知”讓AI能夠?qū)W習(xí)人類對(duì)世界的認(rèn)知，“生成”讓AI有自主決策的能力。至此，機(jī)器人的地基已經(jīng)打好了。實(shí)際上ChatGPT和各類AI Agent，已經(jīng)可以視為具備感知和決策能力的機(jī)器人。

只不過這類“機(jī)器人”局限在數(shù)字環(huán)境，有量大管飽的參數(shù)和算力就能搓出來(lái)。但人形機(jī)器人需要與真實(shí)的物理世界交互，就需要真實(shí)世界的參數(shù)訓(xùn)練。同時(shí)，由于硬件產(chǎn)品的存在，又會(huì)觸及制造業(yè)的核心命題：低成本大規(guī)模量產(chǎn)。

從早年的本田ASIMO，到幾年前的波士頓動(dòng)力Atlas，都是栽在了無(wú)法低成本量產(chǎn)，導(dǎo)致沒有商業(yè)化場(chǎng)景的問題上。

而特斯拉進(jìn)展神速的秘密在于，他們抓住了人形機(jī)器人的“前置產(chǎn)業(yè)”：自動(dòng)駕駛。

一個(gè)“前置產(chǎn)業(yè)”

2021年的AI Day上，馬斯克曾說(shuō)：我們幾乎擁有人型機(jī)器人所需的所有部件，因?yàn)槲覀円呀?jīng)制造了帶輪子的機(jī)器人。

這句話其實(shí)很好概括了特斯拉在人形機(jī)器人上的發(fā)展策略：用汽車研發(fā)的經(jīng)驗(yàn)給機(jī)器人開路。

如上文所說(shuō)，本輪人形機(jī)器人浪潮的想象空間在于“通用性”，也就是把機(jī)器人從基于特定規(guī)劃執(zhí)行任務(wù)的功能性產(chǎn)品，變成具備感知和決策能力的智能設(shè)備。

此前的種種智能化路線，往往都難以脫離“窮舉法”的桎梏，導(dǎo)致始終會(huì)面臨像這個(gè)程序員段子一樣的尷尬問題：

但Transformer打開大模型時(shí)代后，帶來(lái)了兩個(gè)立竿見影的改變：

一是把無(wú)法實(shí)現(xiàn)的窮舉法變成了簡(jiǎn)單粗暴的大力出奇跡：只要讓機(jī)器學(xué)習(xí)足夠多的數(shù)據(jù)，就能擁有類人的智能，可以脫離預(yù)設(shè)的規(guī)劃進(jìn)行自主決策。

二是多模態(tài)能力的建立，讓機(jī)器人可以實(shí)現(xiàn)感知-決策-執(zhí)行的整個(gè)流程。

一個(gè)樣板工程是今年7月《紐約時(shí)報(bào)》探班谷歌實(shí)驗(yàn)室， 完整記錄了基于RT-2模型的機(jī)器人智能閃現(xiàn)的瞬間：

桌子上放著恐龍、鯨魚、獅子三個(gè)塑料玩具，工程師讓單臂機(jī)器人“撿起滅絕的動(dòng)物”，機(jī)器人拿起了恐龍。

這意味著機(jī)器人不僅能識(shí)別三種動(dòng)物，也能理解“滅絕的動(dòng)物”的含義，還可以完成具體的操作。

以此類推，只要數(shù)據(jù)、算法、算力三要素滿足，那么機(jī)器人不僅能抓取滅絕的動(dòng)物，還能自己切菜刷鍋洗碗，甚至先切十斤精肉不見半點(diǎn)肥的，再切十斤肥的不見半點(diǎn)精肉。

如果可以實(shí)現(xiàn)，那么機(jī)器人的應(yīng)用場(chǎng)景就大幅度增加，比如做飯、打掃衛(wèi)生、照顧老人。而且機(jī)器人還會(huì)依照算法不斷自我學(xué)習(xí)自我進(jìn)化，自驅(qū)力秒殺99%的打工人。

Google的RT-2模型論文

自動(dòng)駕駛的技術(shù)演進(jìn)一度萬(wàn)馬齊喑，就在于難以脫離“窮舉法”的陷阱，直到以神經(jīng)網(wǎng)絡(luò)為代表的人工智能興起。而人形機(jī)器人的既定發(fā)展路線，恰恰與自動(dòng)駕駛的技術(shù)演進(jìn)完全吻合：

兩者的核心都是基于人工智能，實(shí)現(xiàn)感知-決策-執(zhí)行的完整鏈條。

這就意味著無(wú)論是軟件層面的算法，還是硬件層面的視覺傳感器、FSD芯片等零部件，理論上都可以用于人形機(jī)器人。這也是為什么馬斯克會(huì)說(shuō)：當(dāng)你能解決自動(dòng)駕駛，你就能解決現(xiàn)實(shí)世界中的人工智能。

如果把新能源車?yán)斫鉃椤皫л喿拥臋C(jī)器人”，那么特斯拉的布局其實(shí)可以追溯到2014年9月第一版Autopilot發(fā)布。在這過程中，特斯拉一步步用自研軟硬件替換掉了第三方的方案，為Optimus機(jī)器人探路。

最核心的自動(dòng)駕駛芯片上，特斯拉最初采用Mobileye的方案，后來(lái)?yè)Q成了英偉達(dá)。2019年，特斯拉自研的FSD芯片正式上車，沿用至今。

軟件算法上，特斯拉在2020年對(duì)底層代碼進(jìn)行了網(wǎng)絡(luò)重構(gòu)，引入了Transformer架構(gòu)，實(shí)現(xiàn)將2D圖像拼接為3D視角，隨后又3D空間基礎(chǔ)上加入了時(shí)序信息，轉(zhuǎn)化為4D空間。2022年引入占用網(wǎng)絡(luò)（Occupancy Network），解決通用障礙物識(shí)別問題。

云端算力上，特斯拉在2021年AI Day首次公開了Dojo超算和自研的D1芯片。至此，特斯拉完成了從云端到終端，核心軟硬件的自研。

因此，Optimus在2021年的公開亮相，并不是巧合。

一家偽裝成汽車制造商的AI公司

為什么波士頓動(dòng)力的Atlas成本高達(dá)百萬(wàn)美元，特斯拉Optimus的目標(biāo)價(jià)位只有兩萬(wàn)美元？

因?yàn)槟?8萬(wàn)已經(jīng)由廣大特斯拉車主先行分?jǐn)偭恕?/p>

雖然機(jī)器人所需的數(shù)據(jù)集與自動(dòng)駕駛有所不同，控制系統(tǒng)也有差別，但自動(dòng)駕駛還是完美的幫人形機(jī)器人解決了“VR式難題”。

VR經(jīng)歷了無(wú)數(shù)個(gè)“元年”依然死氣沉沉，核心在于如果要滿足VR頭顯對(duì)性能、體積和能耗的要求，手機(jī)的研發(fā)經(jīng)驗(yàn)幾乎無(wú)法復(fù)用，軟件系統(tǒng)和處理器、屏幕這些零部件，都要重新走一遍從0到1的過程。

在產(chǎn)品不成熟、應(yīng)用匱乏的情況下，消費(fèi)者興致寡然，導(dǎo)致企業(yè)無(wú)法大規(guī)模生產(chǎn)攤薄成本，而高昂的售價(jià)又進(jìn)一步加劇這個(gè)惡性循環(huán)。

人型機(jī)器人則相反，研發(fā)過程中耗資巨大的軟件算法、數(shù)據(jù)采集、芯片和傳感器等零部件、云端算力設(shè)施，都在自動(dòng)駕駛的開發(fā)過程中建設(shè)完成了。

幾乎所有人工智能的應(yīng)用都需要算法、算力、數(shù)據(jù)三駕馬車來(lái)拉動(dòng)，算法決定了AI識(shí)別和決策的方式；但強(qiáng)大的算法需要足夠的算力來(lái)驅(qū)動(dòng)；同時(shí)，算法的提升又需要大規(guī)模高質(zhì)量的數(shù)據(jù)；三者相輔相成，缺一不可。

具體到人形機(jī)器人，Optimus的每一個(gè)環(huán)節(jié)，都能照抄S3XY四大車型的作業(yè)。

算法層面，Optimus的軟硬件幾乎照搬了特斯拉電動(dòng)車的方案：

Optimus共配置有3顆攝像頭，左右眼各一個(gè)，外加一顆魚眼廣角。芯片是和電動(dòng)車一模一樣的FSD自動(dòng)駕駛芯片，參照當(dāng)前HW3.0系統(tǒng)的算力，Optimus的算力為72TOPS（車?yán)镉袃深w，機(jī)器人只有一顆）。

軟件上，Optimus承襲了特斯拉自動(dòng)駕駛的BEV+Transformer+占用網(wǎng)絡(luò)的方案。簡(jiǎn)單來(lái)說(shuō)，算法會(huì)將攝像頭拍攝的畫面“拼”成一張動(dòng)態(tài)的4D圖像，并規(guī)劃行車路徑。在Optimus的演示里，其識(shí)別和決策系統(tǒng)與自動(dòng)駕駛算法如出一轍。

Optimus的視覺傳感系統(tǒng)

2023年特斯拉股東大會(huì)，馬斯克就表示，特斯拉已經(jīng)打通了FSD和機(jī)器人的底層模塊，實(shí)現(xiàn)了一定程度的算法復(fù)用。

算力層面，依靠2021年發(fā)布的D1芯片，特斯拉組建了自己的算力集群DojoExaPod。

一套Dojo ExaPod包含3000個(gè)D1芯片，總算力達(dá)到1.1EFLOP，相當(dāng)于14000塊A100的算力。Dojo主要服務(wù)于特斯拉的自動(dòng)駕駛?cè)蝿?wù)，但也可以無(wú)痛切換到機(jī)器人的訓(xùn)練。特斯拉為汽車設(shè)計(jì)的碰撞模擬軟件，也可以給Optimus編寫跌倒測(cè)試程序。

數(shù)據(jù)層面，特斯拉已經(jīng)擁有了規(guī)模最大的數(shù)據(jù)采集網(wǎng)絡(luò)。

和GPT等大模型不同，自動(dòng)駕駛與機(jī)器人需要物理世界的真實(shí)數(shù)據(jù)來(lái)訓(xùn)練算法。與自建工程車隊(duì)，專門采集數(shù)據(jù)的自動(dòng)駕駛公司不同，特斯拉車主組成了一個(gè)規(guī)模龐大的免費(fèi)外包車隊(duì)，加上近30萬(wàn)購(gòu)買了FSD功能的車主，源源不斷的將真實(shí)數(shù)據(jù)傳送給Dojo訓(xùn)練。

2022年的AI Day上，特斯拉宣稱已經(jīng)存儲(chǔ)的有價(jià)值訓(xùn)練數(shù)據(jù)集有23.2萬(wàn)幀，驗(yàn)證數(shù)據(jù)集0.38萬(wàn)幀。

Optimus中負(fù)責(zé)驅(qū)動(dòng)的電機(jī)也來(lái)自特斯拉電動(dòng)車現(xiàn)有的方案。不過考慮到機(jī)器人的靈活性更強(qiáng)，單獨(dú)的電機(jī)數(shù)量遠(yuǎn)遠(yuǎn)超過電動(dòng)車。

總結(jié)一下，新能源車和自動(dòng)駕駛可以靠自身的造血能力，替人形機(jī)器人趟過研發(fā)開支最密集的階段；同時(shí)，自動(dòng)駕駛的落地也為人形機(jī)器人積累了大量數(shù)據(jù)采集、算法迭代、模型訓(xùn)練的工程化經(jīng)驗(yàn)。

波士頓動(dòng)力的日益平庸，特斯拉的后來(lái)居上，背后的變量都是人工智能的技術(shù)革命，和自動(dòng)駕駛這個(gè)“前置產(chǎn)業(yè)”。

馬斯克在AI領(lǐng)域的涉足常被忽略，他其實(shí)是OpenAI的創(chuàng)始人之一，也是DeepMind的早期投資人。他參與的人工智能公司還有腦機(jī)芯片Neuralink、聊天機(jī)器人Grok。

特斯拉每天接受并處理的視頻畫面超過1600億幀，這是商業(yè)公司能擁有的最大的真實(shí)世界數(shù)據(jù)集，不僅能拿來(lái)精進(jìn)自動(dòng)駕駛系統(tǒng)，還能給Optimus做預(yù)訓(xùn)練。

人們覺得特斯拉屬于制造業(yè)，其實(shí)它更像一家軟件公司。特斯拉的自我介紹是“純電動(dòng)車、太陽(yáng)能和清潔能源”，但實(shí)際上，它是一家徹頭徹尾的人工智能公司。

參考資料

[1] 詳解特斯拉機(jī)器人 Tesla Bot：和汽車共享一些配件，網(wǎng)易科技

[2] 谷歌的 RT-2，是不是機(jī)器人的 GPT-3 時(shí)刻，極客公園

[3] 人形機(jī)器人的AI算法，如何借力于自動(dòng)駕駛FSD，安信證券

[4] 人形機(jī)器人深度報(bào)告：人工智能的終極載體，開啟十年產(chǎn)業(yè)大周期，東吳證券

[5] 谷歌DeepMind發(fā)布機(jī)器人大模型RT-2，提高泛化與涌現(xiàn)能力，甲子光年

本文（含圖片）為合作媒體授權(quán)創(chuàng)業(yè)邦轉(zhuǎn)載，不代表創(chuàng)業(yè)邦立場(chǎng)，轉(zhuǎn)載請(qǐng)聯(lián)系原作者。如有任何疑問，請(qǐng)聯(lián)系editor@cyzone.cn。