马斯克终于等到了

又是特斯拉。

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？

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。

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。

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。