别高估车企“造人”

今年5月，最后一批Model S/X下线，宣告停产退役。46天后，旧生产线拆除干净，搭建Optimus人形机器人的首条量产线。

Optimus是特斯拉向AI公司转型的钥匙，诞生方式极具戏剧性，不仅要和Model 3/Y共享一座工厂，大脑更直接移植了FSD算法。

一直以来，特斯拉都在反复强调车上FSD算法可以复用给机器人，汽车行业的重资产包袱变成边际成本趋于零的软件优势，估值因此水涨船高。

木头姐最近就公开认错，表示2029年2600美元的目标价模型里压根没算进Optimus的价值[1]：“我们在自动驾驶领域过于激进，但在人形机器人领域，我们可能又过于保守了。

马斯克本人也时常抱怨华尔街低估特斯拉的价值，财报会上屡次为Optimus打抱不平，称第三代产品是“真正意义上的通用机器人”，是一款“日常生活中真正有用的产品”[2]。

然而，摇旗呐喊背后是略显尴尬的时间差，特斯拉最早提出这个概念是在遥远的五年前，至今没有走到量产这一步。

人形机器人是软件业与制造业的结晶，一边承袭自动驾驶，一边立足精密制造，按理说是汽车公司的舒适区。但眼看着机器人公司风头日胜，原本占尽优势的特斯拉反倒慢了下来。

问题出在了哪里？

算法移植

2024年，自立门户的Andrej Karpathy做客播客栏目，不经意透露了特斯研发Optimus过程中不为人知的细节。

Andrej Karpathy师从李飞飞，是OpenAI的创始成员，供职特斯拉后迅速组建起AI团队，是打造Autopilot和FSD的关键人物。2022年，Andrej Karpathy重返OpenAI，但小哥发自内心认可老东家，情到浓时说漏了嘴[3]：

“早期版本的Optimus一度以为自己是辆汽车，因为它使用了相同的计算机、摄像头，还有运行在汽车上的算法。”

FSD算法移植给Optimus使用，不是特斯拉的独门绝技，人形机器人和自动驾驶技术的确存在共通性。

首先，二者本质接近，都是让机器理解物理世界，与现实环境动态交互。

其次，二者都遵循“感知-决策-控制”链条，传感器负责感知环境信息，大脑根据“看到什么”思考指挥，四肢执行最终指令，这是算法移植的前提。

外界估算，Optimus大约复用了60%的FSD算法，何小鹏的答案更激进，人形机器人和汽车在软件上的共通性高达90%。

也就是说，资本市场按照科技公司给特斯拉估值的逻辑没有言过其实，其他车企见此迅速行动，纷纷将自家算法打包塞进机器人里面。

这也促成了一个有趣的现象，Optimus项目团队中有相当一部分工程师来自车辆部门，眼下汽车行业创业最拥挤的赛道，也非人形机器人莫属。

虽然“汽车人最懂机器人”这句口号喊得很响，但现实发展却有点不同。

不论是发布完人形机器人IRON的小鹏，还是摩拳擦掌准备亮出三代王牌产品的特斯拉，集中展示的都是硬件和行动能力。

车企的优势，很可能不是算法。

硬件优势

相比效果算不上太惊艳的脑部算法移植，车企的优势恐怕更多来自硬件，具体来说有两大项。

一是供应链管理能力。汽车和人形机器人的零部件虽然通用性不高，但技术原理八九不离十，供应链重叠度很高。

除了传感器、电池这种旧需求，以成本占整机比重最高的新需求关节为例，电机、减速器和丝杠是三大件，大量汽车供应商参与其中：

恒帅做电机，中鼎做减速器，丝杠有双林，模组有三花智控，还有什么都要做的舍弗勒。Optimus供应链里唯一的国产谐波减速器公司绿的谐波，也阴差阳错打入汽车供应链。

同时，协调成百上千家供应商，对生产和库存精细化的管理，也是车企的强项。

这意味着，车企可以将供应链管理经验系统性的迁移到机器人业务上，庞大的汽车订单不仅能让车企拿到极低的采购价，还能深度参与产品研发，确保成本优势。

二是生产制造能力。汽车算得上人类历史上最复杂的工业品之一，复杂的同时组织大规模标准化生产，本身就是一种能力。

机器人也一样，造一台原型机很容易，但能不能量产，良率有多高，决定了机器人成本能否降到合理范围。

相比手工作坊模式下的初创公司，车企拥有高自动化的生产线、成熟的四大工艺，以及严苛的质量管控体系，哪怕产线不能搬来用，生产经验也完全可以复用。

但在软件算法上，车企和原生机器人公司，恐怕很难拉开差距。

算法差异

人形机器人实现“通用”，硬件是门槛，关键在算法。

通用对应专用，传统机器人专机专用，原因是算法高度依赖函数模型，杯子换了形状，桌子高个5公分，系统都会崩溃。最近两年，VLA、世界模型加上强化学习快速发展，机器人才有了向通用过渡的底气。

巧合的是，智驾算法主流架构也是VLA（视觉-语言-动作大模型）和世界模型，只是对机器人不能简单套壳。

汽车和机器人面对的物理世界截然不同，算法目标也有本质区别。

自动驾驶算法无论多么复杂，都服务于“从A点移动到B点”这个目标，传感器识别出红绿灯和障碍物，才能做出加速或刹停的判断，挑战不外乎是鬼探头、加塞如何应对以及策略是否舒适，会不会突然来个点头杀。

人形机器人不一样，识别到桌面上的水杯是为了拿起来，看到房间脏乱差要做的是整理衣物打扫卫生。从更长远的场景通用性看，人形机器人的挑战更多在于如何上得厅堂又下得厨房。

看懂物理世界对自动驾驶来说已经成功了一半，但对机器人只相当于迈出一小步。

智驾算法只要知道什么是好的驾驶技术，不与人车主动碰瓷摩擦就行；而人形机器人的价值恰恰体现在接触环节，懂得物理常识才能操作万物。

假设一个场景：拿起桌面上的鸡蛋，人形机器人要先识别出鸡蛋，确认位置，抓取的过程中还要控制手的力度，避免鸡蛋滑脱掉在地上或者用力过猛导致碎掉。

在这个场景下，大脑先判断鸡蛋光滑易碎的属性，下达抓取指令，小脑再根据触觉反馈实时调整握力，里面既涉及多体动力学又涉及摩擦学，这些通常不是智驾算法会优先考虑的事项。

特斯拉Optimus当过调酒师，也装过爆米花抓过鸡蛋

确切的说，智驾算法输出的加速刹车指令，压根无法转化成机器人需要的技能。

智驾算法做的再好，充其量是一个专用的机器人系统；人形机器人如果只是“从A点到B点”，也不过是车技很好的智驾系统。真正的通用，在于“全能”二字，即它能做什么以及做的怎么样。

单就这一点说，数据是车企面临的最大拦路虎。

数据难题

人形机器人需要大量数据训练算法，本质是为了打破莫拉维克悖论：即人做起来轻而易举的事，AI觉得困难，比如徒手抓鸡蛋捏豆腐。

三岁小孩抓鸡蛋不破不是因为学过力学，他也不懂摩擦力，但生物进化的本能让他知道该用多大力。

如果不考虑预先编程和远程操控，理解生活常识物理规则，后天学习人类本能，对机器人来说本身过于超纲。

因此相比单一的驾驶数据，人形机器人需要的数据既要覆盖方方面面，又要源源不断。大脑可以通过看视频了解怎么做菜，但握住锅铲该用多大的力，翻面速度是多少，终归得多学多练。

问题是，智驾数据可以坐在办公室里等量产车队回传，人形机器人获取数据明显困难。

过去，数据采集主要靠真机遥操，操作员佩戴VR头显手戴力反馈手套，同步机器人视角，1V1手把手教学。优点是操作数据精准，问题是没操作员不行，换个机器数据也容易失效，成本很高。

最近两年开始讲数据为王，流行起效率高的无本体数据，采集工具也越发轻便，主要以UMI和EGO为主。一个是手持特制夹爪，记录手部动作，一个通过可穿戴设备，记录第一人称视角操作，方便一份工资打两份工[4][5]。

这样一来，无本体数据可以用作算法模型的预训练，真机数据退居幕后用于模型微调，让整体效率提高。

印度工厂随处可见的景象：工人一边担心被监视，一边几乎零报酬采集数据

在数据这个环节，车企和原生机器人公司面临的挑战基本一致，只能捡脏活累活，国内外也没有差别。

回到车企身上，造车的经验也许能造出机器人，至于活干的好不好，最终还是要看数据和算法。在人形机器人这场全新竞赛里，恐怕没人掌握直接通关的密码。

[1]Cathie Wood: Tesla Stock Forecast, Bitcoin Bull Case, AI Outlook，Morningstar

[2]特斯拉2025年四季度、2026年二季度财报电话会议

[3]With Andrej Karpathy from OpenAI and Tesla，No Priors

[4]‘Who is going to pay us when we’re replaced by robots?’ The Indian factory workers told to film themselves for AI，The Guardian

[5]印度工人头戴摄像头，边打工边教机器人抢自己的饭碗，酷玩实验室coollabs