⑥ Optimus 与具身智能 · 马斯克 Insight

M 马斯克 · Musk Insight

◆ MODULE 06 · 通用具身劳动 · 2021–2026

Optimus

把「劳动」 写进资产负债表

2021 年 8 月，他让一个穿紧身衣的舞者上台跳了 40 秒，宣布特斯拉要造人形机器人；2024 年 10 月，几十台真机器人在片场调酒、猜拳，事后被证实大量交互由远端员工操控；2026 年 7 月，弗里蒙特的产线刚装完，官方股东信里删掉了「量产」两个字。本页只做一件事：把这条从叙事到金属的路径拆成可核验的部件——他到底断言了什么、人形形态的论证与反证、手为什么是最难的、数据究竟从哪来、以及一台机器人每小时到底值多少钱。

  **5** 年演进
  **22** DoF 每手
  **~104** 个独特零件

照片取自 Wikimedia Commons（Optimus Tesla，作者 Benjamin Ceci，Public domain）。本页全部照片为 PD 或 CC 授权，论文图注明 arXiv 编号与图号，其余图表为本报告原创 SVG。

  本页窗口：**2021-08-19 – 2026-07-25**
  主素材：**C 卷 §四 · G 卷 §2 · E2 与微信具身语料**
  端到端与数据引擎：**回链 ⑤，本页只写差异**



  **2021.8** 紧身衣舞者→
  **2022.9** Bumble C→
  **2023.12** Gen 2→
  **2024.10** We, Robot→
  **2025** 目标 5,000 实际 ~150→
  **2026.1** Gen 3 前期生产→
  **2026.7** 量产未开始





TL;DR · 本页十条

  

• 本页新增什么：这是全站唯一完整讲述通用具身劳动的一页——本体与执行器、手的自由度与触觉、数据采集的三条路径、模仿学习与 VLA 行业主线、单位劳动成本的可复算算术、以及「人形是否正确形态」之争。**与哪几页不重复：**端到端神经网络与数据引擎（影子模式、自动标注、闭环飞轮）已在 ⑤ 自动驾驶 完整解释，本页只写「与自动驾驶的差异」并回链 ⑤ 的数据引擎一节；每条预测的逐条裁决在 ⑫ 预测记分卡；作者的总体价值判断在 ⑭。本页另设五处「业界不同看法 · 反方证据」辩证块，把挑战本报告结论的具名反方与其证据单列出来，并逐条给出采纳与否的处置。

• 他的核心论断是一条经济学命题，不是一条工程命题。「Optimus 会是有史以来最大的产品」的底座是 2021 年 AI Day 上那句「资本设备只是被蒸馏过的劳动」——如果机器人可以被资本任意生产，那么增长会计里的 (L) 就不再是外生约束，产出没有上界。本页把这条论证形式化，并指出它悄悄消掉了三个真实约束：能源与材料、需求侧、分配；辩证块另补一条本报告原先漏掉的内生约束——Baumol 型结构瓶颈。

• 「为什么是人形」的正方论证只有一条真正成立，而且它是经济学论证不是工程论证。世界是按人体尺度建造的，人形可以在不改造环境的前提下使用现有的门、台面、工具与楼梯——这条的内核是避免环境改造成本，不是「人形本身最优」。反方（Rodney Brooks）给出了三条系统性反驳：采集的数据类型错了、学习目标错了、双足在人身边不安全。

• 手是全机最难的部分，而这不是修辞。Gen 3 每手 22 个自由度，由前臂 25 个线性执行器经腱驱动；执行器被整体移出手掌是一次可制造性优先的取舍。作为对照：一只人手有约 17,000 个低阈值机械感受器，指尖每根约 1,000 个——单个指尖的实验室原型已经超过这个密度（Meta 与 GelSight 的 Digit 360 约 830 万个触觉单元），真正没有解决的是整手集成、循环寿命与可制造性，见 §3 的辩证块。

• **2021 年是「人假装机器人」，2024 年是「人远程操控真机器人」。**三年间形态变了，演示与能力之间那道差距的性质没变。We, Robot 的遥操作争议不是一次公关事故，它是「演示 ≠ 产品」这一结构性问题在人形机器人上的标准形态，1X 的 Expert Mode 是同一问题的诚实版本。

• **数据是这条路线的胜负手，而特斯拉的车队优势不会自动迁移。**FSD 飞轮成立靠三个条件：采集设备与部署设备同构、动作标签由人类为自己的目的免费产生、动作空间只有二到三维。三个条件在具身操作上全部失效——人类视频里没有关节力矩，手的运动学也不同构。真正可迁移的是视觉表征先验与数据引擎的工程基础设施，不是数据本身。

• **「机器人数据比语言数据少几个数量级」这句话，数量级取决于计数口径。**本页给出一条可复算的估算：按 token 对 timestep 的口径，比值约 (10^4)；按前沿语料与高质量具身小时数的口径，可以推到 (10^5)–(10^6)。口径本身就能改变结论两到三个数量级，所以任何单一数字都只能当作量级陈述而不是测量值。

• **算法辩论在 2026 年已经结束，全行业都在训 VLA，而特斯拉的差异化不在算法。**它在三件事上：AI5 带来的边缘推理密度、车队规模数据引擎的工程迁移、垂直制造带来的 BOM 成本。这三条都是工程与规模优势，不是认知优势——这与自动驾驶时期特斯拉握有明确算法领先（BEV Transformer、占用网络）是结构性不同的局面。

• 单位劳动成本的算术里，BOM 不是主导项。本页给出一个可复算的每小时成本模型。基准情景下折旧加维护约占六成，能耗几乎可以忽略（约 0.03 美元/小时），而真正主导结果的是两个非硬件参数：相对吞吐率 (\rho)（弹性 −1）与远程监督占比 (\alpha)。把机器人做便宜远不如把它做快、做到不需要人盯着。

• **2026 年的事实必须分状态写。**Optimus 仍处于「内部研发 + 有限试点」，无第三方部署、无购买渠道；马斯克 2026-01 亲口承认「没有机器人在做有用的工作」。同期 Agility 有实质营收、1X 面向消费者可下单、宇树 2025 年出货 5,500 台以上——但宇树招股书披露其人形机器人收入 74% 来自科研教育，真正用于生产性场景的仅占出货量的 3–4%。整个行业都还没有走出「演示」这一步，差别只是诚实程度。

  ① 他的核心论断 ② 为什么是人形 ③ 本体与执行器 ④ 五年演进 ⑤ 数据从哪来 ⑥ VLA 与世界模型 ⑦ 劳动成本算术 ⑧ 现实检查 ⑨ 判定 → ④ xAI 与 Grok → ⑤ 自动驾驶 → ⑧ 能源算力 → ⑫ 记分卡

  01The Claim · 他到底断言了什么

「有史以来最大的产品」：一条经济学命题

关于 Optimus，中文互联网上流传最广的是市值数字（25 万亿、80% 的价值），但那些是推论。真正需要先摆出来的是它们的前提——一条被他从 2021 年重复到 2026 年、几乎一字未改的经济学命题。本节把这条命题的每一层都钉到原话、日期与出处上，然后指出它在哪里做了范畴跳跃。本节所列全部为预测，尚未发生；逐条裁决规则与结果在 ⑫ 预测记分卡，本页不重复判定。

1.1 命题本体：劳动不再稀缺，因此产出没有上界

2021 年 8 月 19 日的 AI Day，Tesla Bot 的发布只有一段 PPT 和一名穿紧身衣跳舞的舞者，没有任何硬件原型。但在随后的问答里，他讲出了这条路线真正的第一性原理内核。这段话比后来所有的市值数字都重要，因为后者全部由它推出：

What is the economy? It is, at the foundation, it is labor. So, what happens when there is no shortage of labor?

经济是什么？在最底层，它就是劳动。那么，当劳动不再短缺时，会发生什么？

    Elon Musk
    2021-08-19 · Tesla AI Day（Tesla Bot 首次公布）
    P4 整理稿 · 非逐字载体
    来源（含原始出处索引） [@src-501ac2b348]
  



  

capital equipment is just distilled labor, then, is there any actual limit to the economy? Maybe not.

资本设备只是被蒸馏过的劳动——那么，经济到底有没有真正的上限？也许没有。

    Elon Musk
    2021-08-19 · Tesla AI Day
    P4 整理稿 · 非逐字载体
    来源（含原始出处索引） [@src-501ac2b348]
  

「资本设备只是被蒸馏过的劳动」这半句，是整套论证的枢轴。它做的事情，是把人形机器人从增长会计里的资本项 (K) 挪到劳动项 (L)。这个挪动看起来只是记账约定的改变，实际后果是根本性的：在标准增长会计里，(L) 是由人口决定的外生约束，你没法用钱买出更多的劳动力；一旦 (L) 可以被资本任意生产，产出的上界就消失了。他此后的每一次重述，都是这条命题的不同措辞：

economy is productivity per capita times capita. But what if there’s no limit to capita? There’s no limit to the economy.

经济＝人均生产率 × 人口数。但如果人口数没有上限呢？那经济就没有上限。

    Elon Musk
    2024-01 · Tesla Q4 2023 财报电话会
    P4 整理稿 · 仅注到月
    来源（含原始出处索引） [@src-501ac2b348]
  



  

Optimus at scale is the infinite money glitch.

规模化之后的 Optimus，就是那个无限刷钱的漏洞。

    Elon Musk
    2025-10 · Tesla Q3 2025 财报电话会
    P4 整理稿 · 仅注到月
    来源（含原始出处索引） [@src-00d14a6b30]
  

把这条命题形式化，就得到本报告在 ⑪ 核心公式总集 里登记的「劳动无上限」式。这里只给结论式，完整推导与假设逐条清单在 ⑪：

  \[
  Y \;=\; \underbrace{\left(\frac{Y}{N}\right)}_{\text{人均生产率}} \times \underbrace{N}_{\text{人口}},
  \qquad
  N \;=\; L_{\text{human}} + L_{\text{robot}},
  \qquad
  L_{\text{robot}} \;=\; g(K)\ \text{（资本可任意生成）}
  \]
  

若 (L_{\text{robot}}) 只受资本约束而不受人口约束，则 (N \to \infty)，故 (Y \to \infty)。这就是「Optimus 会是有史以来最大的产品」的全部数学内容。

  ▲ 这个论证消掉了三个真实约束——还漏掉了第四条
  

**约束一 · 物质与能源（可量化，因此最要命）。**机器人本身需要能源、金属与稀土。以他自己给出的目标口径推算：若 100 亿台、每台 57 kg、每台 2.3 kWh 电池，则材料约 5.7 亿吨（约为 Master Plan 3 全部能源转型材料总量 128 亿吨的 4.5%，量级上可行），但电池需求达 23 TWh——约为 MP3 里全球固定式电化学储能 46.2 TWh 的一半。**这个测算本身说明的不是「不可能」，而是「他有能力做这类核算，而他在这个议题上没有做」。**Master Plan 3 是一份一丝不苟的物料平衡白皮书；Optimus 的论证里没有对应的东西。详见 ⑧ 能源 · 算力 · 文明尺度。

**约束二 · 需求侧。**产出无上界不等于需求无上界。「每个人都想要一台」是一个未经检验的 TAM 断言，不是推论。他自己在另一个场合其实承认了需求有极限——「人能吃的食物也就那么多」——但这条承认从未被写回增长论证里。

约束三 · 分配。即使总产出爆炸，「全民高收入」是一个政治结论，不是技术结论。把它当作技术的必然推论，是一次范畴跳跃。这一跳跃在他关于社会与货币的论述里反复出现，展开见 ⑩b 人口、模拟与货币。

约束四 · 结构瓶颈（本报告原先漏掉的一条，据本节末的辩证块补入）。即使前三条全部解除，产出仍可能有界。把 Baumol「成本病」放进任务型生产函数后可以证明：只要生产链上存在一项必需而难以提升的投入，总增长率就被这一项锁死——而且这个结论在接近完全自动化的情形下依然成立。这条与前三条性质不同：它不是外部约束，而是增长会计内部的约束，直接作用在「(N\to\infty) 故 (Y\to\infty)」这一步上。

1.2 从命题到数字：四条被反复引用的预测

命题一旦成立，剩下的就是乘法。下面四条是中文语境里流传最广的 Optimus 数字，全部是从上面那条命题推出的预测，全部尚未发生：

the ratio of humanoid to humans is going to be at least two to one, maybe three to one, because everybody will want one.

人形机器人与人的比例会达到至少二比一，也许三比一——因为每个人都会想要一台。

    Elon Musk
    2021-08-19 · Tesla AI Day
    P4 整理稿 · 非逐字载体
    来源（含原始出处索引） [@src-00d14a6b30]
  

关于「100 亿–200 亿台」：本报告未能定位到马斯克说出这个区间的逐字原话。可核验的是上面这条 2:1–3:1 的比例，以及经二手转述的「到 2040 年 100 亿台」。因此「百亿量级」在本报告中一律表述为由比例推算得出，而非逐字引用。他后来在 2026 年初的一次长访谈中把比例上调到「最少 5 倍，可能 10 倍」，这条同样只有中文整理稿（P4）。

~80% of Tesla’s value will be Optimus.

特斯拉大约 80% 的价值将来自 Optimus。

    Elon Musk
    2025-09-01 · X 帖
    P3 权威媒体转述
    CNBC 报道 [@src-7a99f85ce0]
  



  

People often talk about eliminating poverty, giving everyone amazing medical care. There’s actually only one way to do that, and that’s with the Optimus robot… Optimus will actually eliminate poverty.

人们常谈消除贫困、让所有人都得到极好的医疗。其实只有一条路能做到，那就是 Optimus 机器人……Optimus 将真正消除贫困。

    Elon Musk
    2025-11 · Tesla 年度股东大会
    P3 权威媒体转述
    Business Insider 报道 [@src-2e1a3dccc2]
  



  

In a benign scenario, probably none of us will have a job. There will be universal high income — and not universal basic income — universal high income. There’ll be no shortage of goods or services.

在一个良性的情景里，我们大概都不会有工作。会有全民高收入——不是全民基本收入，是全民高收入。商品与服务都不会短缺。

    Elon Musk
    2024-05 · VivaTech（巴黎）
    P4 整理稿 · 仅注到月
    来源（含原始出处索引） [@src-501ac2b348]
  

1.3 他自己给这套论证打的补丁：2026 年的措辞变化

值得注意的是，同一条断言在 2026 年被他自己加了一个很重的限定。Q2 2026 财报电话会上那句「有史以来最大的产品」，后面紧跟着一段在 2021 年完全不存在的话：

I think Optimus will be the biggest product ever, but it is a very complex problem to solve… it’s one of the hardest things to solve, to make an autonomous humanoid robot that can do tasks that you simply, if you simply ask it to do something or show it a video, it can do the task without any programming. No one’s ever achieved this.

我认为 Optimus 会是有史以来最大的产品，但这是一个非常复杂的问题……做出一个自主的人形机器人，让你只要开口吩咐、或者给它看一段视频，它就能不经任何编程完成任务，这是最难解决的事情之一。从来没有人做到过。

    Elon Musk
    2026-07-22 · Tesla Q2 2026 财报电话会
    P2 逐字稿
    AlphaStreet 逐字稿 [@src-6dbf5ce0d8]
  

把 2021 年与 2026 年这两段并排看，能读出一次相当明确的下调。2021 年的版本是需求侧叙事——每个人都会想要一台，所以市场无限大；2026 年的版本已经变成供给侧坦白——这是最难的事情之一，没有人做到过。同一时期，他还把 Optimus 描述为「特斯拉有史以来最难规模化的产品」，理由是约一万个独特零件且没有现成供应链。这不是修辞的软化，而是瓶颈定位的转移：从「市场够不够大」转到「我们能不能做出来」。

  业界不同看法 · 反方证据
  

本报告在本节的主张：把机器人从增长会计的资本项 (K) 挪到劳动项 (L) 之后，「产出没有上界」在形式上是成立的；这条论证真正的问题在于它悄悄消掉了物质与能源、需求侧、分配三个外部约束。

Philippe Aghion（法兰西公学院）、Benjamin Jones（西北大学）与 Charles Jones（斯坦福）在增长理论内部给出了一条更硬的反驳：即使那三条约束全部解除，产出仍然有界。他们把 Baumol「成本病」放进任务型生产函数后证明——只要存在一项必需但难以提升的投入，总增长率就被这一项锁死，而这个结论在接近完全自动化、乃至存在超级智能的情形下依然成立；当同一机制被应用到「AI 自动化点子生产」的模型上时，它恰恰阻止了爆炸式增长。换言之，(N\to\infty) 并不蕴含 (Y\to\infty)，而这一步正是本报告承认「在形式上成立」的那一步。NBER w23928 ^[1] · 2017-10，后收入 NBER 会议卷《The Economics of AI》

Daron Acemoglu（MIT）给的是量化上界。按 Hulten 定理，自动化的宏观收益约等于「受影响任务的份额 × 任务级成本节省」；代入现有的任务暴露度与生产率改进估计，十年内全要素生产率的累计增幅不超过 0.66%，把「难学任务」（强情境依赖、无客观成功度量）单列后进一步降到 0.53% 以下。他同时给出与「全民高收入」直接冲突的结论：即使 AI 提高了低技能劳动者在某些任务上的生产率，也可能扩大而非缩小不平等，并预测资本与劳动的收入差距会被拉大。NBER w32487 ^[2] · 2024-05；Economic Policy 40(121), 2025

部分采纳采纳的是第一条的核心：本报告原来只列了三条外部约束，漏掉了一条内生约束——正文的约束清单已补入「约束四 · 结构瓶颈」。不采纳的是把它们当成对 Optimus 的整体否定，因为两条反方各有适用域：Acemoglu 的估计针对生成式 AI 在十年窗口内对认知任务的替代，其 Hulten 框架以「任务份额在窗口内基本给定」为前提，不能直接外推到几十年尺度的体力劳动替代；Aghion 等人的同一篇论文也给出了自动化显著抬高增长水平的条件。因此它们证伪的是「产出无上界」这个强形式，不是「若 Optimus 成功则影响巨大」这个弱形式——而马斯克的公开表述用的恰恰是强形式。

  我的看法 · 作者（AI）个人观点
  

我认为这套论证真正值得认真对待的地方，恰恰不是那些市值数字，而是「资本设备只是被蒸馏过的劳动」这句话本身。它是一个非常干净的第一性原理式重述——它没有诉诸任何行业惯例，它直接问「经济的底层是什么」，然后给出一个可以被形式化的答案。以他惯用的方法论标准衡量（见 ② 第一性原理），这是一次教科书式的操作。

但同一套方法论也要求把约束拆到材料级再往上重建——而这恰恰是这条论证没有做的部分。他在 Master Plan 3 里为全球能源转型算了一张 41 页的物料平衡表，精确到 128.15 亿吨材料与 0.21% 的土地占用；在 Optimus 上，一个同等严肃的核算至今不存在。**同一个人，在能源议题上做了完整的物料平衡，在机器人议题上只做了乘法。**这个不对称本身就是一条信息——它提示我们，Optimus 论证目前所处的位置，更接近 2016 年的火星演讲（愿景 + 数量级估算），而不是 2023 年的 Master Plan 3（工程核算）。这两者都可以是对的，但它们的可检验程度差着一个量级。

02Form Factor · 形态之争

为什么是人形——以及为什么可能不是

「人形是通用机器人的正确形态」是这条路线上最容易被当成常识、也最少被真正论证的一条。它在 2025–2026 年遭遇了机器人学界一次有分量的反击。本节把正反双方各自最强的版本摆出来，并指出双方其实在争论两个不同的问题。

2.1 正方：三条论证，只有一条真正成立

  🚪

A · 环境是按人体尺度建造的

门把手的高度、台阶的深度、工具的握柄、货架的间距、电梯按钮的位置——全部按人的身高与手掌尺寸设计。人形机器人可以在不改造环境的前提下接管这些接口。这条成立。 🔁

B · 可复用 FSD 的视觉与芯片

Optimus 与 FSD 共享视觉神经网络与自研 AI 芯片。这条在工程上确实成立，也被全行业验证——Google 从 Gemini 到 Gemini Robotics、NVIDIA 从 Cosmos 到 GR00T、Physical Intelligence 从 VLM 到 π 走的是同一条路。但它论证的是「共用基础模型」，不是「人形」。 🧰

C · 通用性优于专用性

一台能做一万件事的机器，胜过一万台各做一件事的机器。这条在软件上成立，在机电上未被证明——通用性的代价是每一项都不如专用件，而机电系统的成本、可靠性与能耗都对「不够专用」极其敏感。

把这三条分开看之后，一件事变得清楚：**论证 A 是唯一一条真正在为「人形」辩护的，而它的内核是经济学而非工程学。**它说的不是「人形本体最优」，而是「改造环境的成本高于容忍次优形态的成本」。这是一个可以被证伪的经济学命题——如果某个场景的环境改造成本足够低（比如新建仓库），那么这条论证在该场景就不成立。这也正是 Agility Digit 与各类轮式多臂机器人能在仓储物流里拿到实质营收的原因：仓库是可以为机器人重新设计的。

论证 B 与论证 C 则是在为另外两件事辩护——共用基础模型（B）和通用机器人（C）。它们都可以在非人形的本体上成立。把三条捆在一起讲，是这条叙事最容易让人产生错觉的地方。

2.2 反方：Rodney Brooks 的三条系统性反驳

反方最有分量的声音来自 Rodney Brooks——iRobot 与 Rethink Robotics 联合创始人、MIT 荣休教授、现代机器人学的奠基者之一。2025 年 9 月 26 日他在个人博客发表长文《Why Today’s Humanoids Won’t Learn Dexterity》，随后接受了 NYT 与 Ars Technica 的专访。他的立场需要被准确复述：他不否定机器人的未来，他否定的是「今天这批人形机器人会学会灵巧操作」这一具体判断。

In my opinion, believing that this will happen any time within decades is pure fantasy thinking.

在我看来，相信这件事会在几十年内的任何时候发生，纯粹是幻想式思维。

    Rodney Brooks
    2025-09-26 · 个人博客《Why Today's Humanoids Won't Learn Dexterity》
    P2 作者原文
    rodneybrooks.com [@src-ef9237c6f6]
  



  
    

正方（行业主流）

• **环境论：**世界为人建造，人形可零改造接管现有基础设施。

• **数据论：**互联网上有海量人类第一视角视频，人形与人同构，因此可以「看视频学会」。

• **规模论：**一旦形态统一，供应链与数据都能共享，成本随累计产量沿 Wright 曲线下降。

• **迁移论：**驾驶与操作共用一个基础模型，自动驾驶的进展会外溢到机器人。

• **安全论：**机器人被设计成可被人跑赢、可被人制服，且容易关闭。

反方（Brooks 2025-09 + 学界中立立场）

• **数据类型错了：**人操作世界的本质是「接触时同时施力与感知力」，而 VLA 主流采集的是视觉。人类没有语言来记录、存储与传递触觉信息，这类数据从未被大规模采集过。

• **学习目标错了：**灵巧操作不是「状态→动作」的策略，而是「计划 + 触觉调制」的复合结构。学错了目标，数据再多也无效。

• **双足不安全：**基于零力矩点一类算法的人形「不擅长摔倒」；失衡时会向系统注入大量能量，一旦恢复失败，动能必须释放。

• **可验证的「tell」：**几乎所有厂商在机器人行走时都不让人靠近——而「不用围笼」恰恰是人形的核心卖点之一。

• **形态预测：**十五年后会有大量「人形机器人」，但它们既不像今天的人形，也不像人——会是轮式、多臂、专用化的。

My advice to people is to not come closer than 3 meters to a full size walking robot.

我给大家的建议是：不要靠近一台全尺寸行走机器人 3 米以内。

    Rodney Brooks
    2025-09-26 · 同上，安全性附论部分
    P2 作者原文
    rodneybrooks.com [@src-ef9237c6f6]
  

这条安全性论证有一个干净的物理内核，值得单独写出来。把一台机器人各方向等比放大 (s) 倍，质量按 (s^3) 增长；要达到同样的加速度，需要注入的能量也按 (s^3) 增长。因此一台比今天大一倍的人形，摔倒时释放的动能是今天的八倍。更糟的是，肢体质量按 (s^3) 增长而截面积（决定强度）只按 (s^2) 增长，所以更大的机器人必须配更粗的腿，实际能量增长会超过八倍。这就是为什么「把机器人做大」不是一个可以线性外推的工程方向。

  \[
  m \propto s^{3},\qquad E_{\text{kin}} \propto m\,v^{2} \propto s^{3}
  \quad\Longrightarrow\quad
  \left.\frac{E(2s)}{E(s)}\right|_{v\ \text{const}} = 8
  \]
  

等比放大下的动能标度。(s)＝线性尺度因子，(v)＝特征速度。结论式，推导见 ⑪。这解释了 Brooks 的「3 米」建议为何是一条物理建议而非保守态度。

And a lot of money will have disappeared, spent on trying to squeeze performance, any performance, from today’s humanoid robots. But those robots will be long gone and mostly conveniently forgotten.

会有大量的钱蒸发掉，花在试图从今天这批人形机器人身上榨出一点性能——任何性能——上面。而那些机器人早已消失，并且多半会被人们方便地遗忘。

    Rodney Brooks
    2025-09-26 · 同上，十五年展望部分
    P2 作者原文
    rodneybrooks.com [@src-ef9237c6f6]
  



  

By my third law of robotics that says that we are more than ten years away from the first profitable deployment of humanoid robots even with minimal dexterity.

按照我的机器人第三定律，我们距离第一次盈利性的人形机器人部署还有十年以上——哪怕只要求最低限度的灵巧性。

    Rodney Brooks
    2025-09-26 · 同上
    P2 作者原文
    rodneybrooks.com [@src-ef9237c6f6]
  

2.3 中国从业者的第三种意见：本体差异让「看视频学」并不自动成立

中文语境里有一条与 Brooks 部分重叠、但推理路径不同的批评，值得单独引出来，因为它来自正在造机器人的人而不是批评者。2025 年 11 月的智源具身 OpenDay 上，北京大学助理教授、银河通用创始人王鹤给出了一个非常具体的反驳（以下为中文原文，属公众号整理稿 P4）：

  ◆ 中文语料 · 据整理 · 非逐字
  

「今天我们常常希望用人类的视频数据去训练模型，再教机器人像人一样去『想象』人类的行为并照着做。但这并不完全成立。原因在于，机器人的本体，比如轮式、双臂结构，都和人类身体存在很大差异。即便是最像人的人形机器人，在操作的灵巧度、手臂活动范围等方面，与真人动作仍有明显差距。」

王鹤（北京大学 / 银河通用）· 2025-11-20 智源具身 OpenDay · 转录自 甲子光年《对话八位具身智能大咖》 ^[3]（2025-11-21）· P4

这条批评的锋利之处在于它反过来用了人形的正方论证。「人形是正确形态」的一个隐含卖点是「因此可以直接学人类视频」——但如果人形与人的运动学差异大到足以让人类演示无法直接迁移，那么这个卖点就被抵消了。换句话说：**人形只在「使用为人设计的环境」这一维度上占便宜，在「继承人类演示数据」这一维度上并没有想象中那么占便宜。**同一场讨论里，招商局集团 AI 首席科学家张家兴给出了另一个角度的质疑——今天的 VLA 结构是「在视觉和动作之间插入了一个语言模块」，而人开车时可以一边说话一边驾驶，说明视觉与动作之间本就有直接通路，不必让语言全程参与。

  ● 双方其实在争论两个不同的问题
  

把正反双方的论证摊平之后可以看到，他们并不真的在同一个命题上交锋。正方回答的是「哪种形态的边际收益最高」——答案取决于环境改造成本，因此在家庭、医院、老旧厂房这类无法重新设计的空间里，人形有真实优势。反方回答的是「今天这批人形能不能学会灵巧操作」——答案取决于触觉数据与学习目标，与形态几乎无关：即使换成轮式双臂，只要还是纯视觉、还是「状态→动作」的模仿学习，Brooks 的两条反驳依然成立。

这意味着一件反直觉的事：Brooks 的批评如果成立，受伤最重的不是「人形」这个形态，而是「靠看视频学灵巧操作」这条数据路线——而后者恰恰是特斯拉公开表述过的核心目标（「你只要给它看一段视频，它就能完成任务」）。形态之争是表层，数据之争才是里层。这也是为什么本页把 §5 数据从哪来 当作全篇最重要的一节。

**但「表层」这个说法需要一处限定（据下方辩证块补入）：它只对「能不能学会灵巧」这个问题成立。**形态还独立地决定能耗、续航与安全边界——这几项不经过数据层就能改变经济性，直接进入 §7 的利用率参数。

  业界不同看法 · 反方证据
  

本报告在本节的主张：形态之争是表层、数据之争才是里层；正方回答的是「哪种形态边际收益最高」，答案取决于环境改造成本，因此在家庭、医院、老旧厂房这类无法重新设计的空间里，人形有真实优势。

Amazon Robotics 提供了一个规模上无人可比的反例。2025-07-01 官方宣布第 100 万台机器人投入部署（首台在 2012 年），覆盖全球 300 多个站点，同日发布用于车队调度的基础模型 DeepFleet，把车队行驶效率再提升 10%。这 100 万台没有一台是人形——全部是轮式搬运单元、固定多关节臂与吊装式多臂工位。规模最大的具身自动化买家用真金白银选出的路径，是「重设环境 + 专用形态」而不是「零改造 + 人形」，而且这条路径已经跑了十三年、跑到了百万台量级。Amazon 官方 ^[4] · 2025-07-01

Ken Goldberg（UC Berkeley，BAIR 指导委员会主席）在《Science Robotics》2025-08-27 的评论里主张一条相反的次序：先用「经典工程」（物理、数学、环境模型）把专用系统做到商业可靠，让它一边干活一边产出真实数据，再逐步逼近通用形态。他给出的实证是 Ambi Robotics 的分拣系统四年里分拣逾 1 亿个真实包裹、积累相当于 22 年的真实机器人数据。他对人形的判断很直接：「我不是说它不会发生，但我说的是它不会在未来两年、五年甚至十年内发生。我们只是想把预期拉回来，免得形成泡沫后引发大反弹。」Berkeley News ^[5] · DOI 10.1126/scirobotics.aea7390

**Collins、Ruina、Tedrake 与 Wisse（《Science》2005-02-18）**给出了形态本身可量化的物理代价：以无量纲比输运成本衡量，关节角控制的类人机器人 ASIMO 的 (c_{et}\approx 3.2)，人类步行约 0.2——同等尺度下耗能约 20 倍；而基于被动动力学的双足机器人可做到与人相当。能耗直接决定一次充电能干多久，也就直接决定本页 §7 里的利用率 (U)。这一项与「学不学得会灵巧」无关，因此不能被归约到数据层。论文 PDF ^[6] · DOI 10.1126/science.1107799

部分采纳采纳第三条：「形态是表层」这个说法过头了，形态独立决定能耗、续航与安全边界，正文的收尾判断已补上这处限定。不采纳前两条对论证 A 的否定，理由分别是适用域与立场。Amazon 的一百万台成功建立在场地归自己所有、可以推倒重建之上，这正是论证 A 自己声明不成立的那一格；顺带一提，Amazon 2023 年确实试过 Agility 的双足 Digit，但未进入规模部署，这说明形态选择在它那里是被反复试过的，不是没想到。Goldberg 是 Ambi Robotics 联合创始人，其证据带明确商业立场，且他主张的是「先做专用」而非「人形永远错」。Collins 的 20 倍来自 2005 年高减速比伺服本体的 ASIMO，今天准直驱电驱人形的能效已明显改善，该对照可用于说明量级，倍数本身不应直接引用——本报告因此只把它写成「形态有独立能耗代价」，不写具体倍数进正文。

03Embodiment · 本体与执行器

本体、执行器，以及为什么手是最难的部分

这一节讲金属。人形机器人的难度在各个部位上极度不均匀——行走在 2026 年已经不再是试点部署的门槛，而手仍然是全行业公认的第一瓶颈。本节给出 Optimus 各代的公开规格（每个数字都注明来源与置信度），做一张自由度与难度的分布图，并解释「把执行器移出手掌」这个取舍背后的工程逻辑。

3.1 各代规格：只采用有官方口径的四个数字

需要先说清楚一件事：**特斯拉从未发布过 Optimus 的完整规格表。**网络上流传的规格汇总大多来自聚合站点，彼此矛盾。本报告只采用能追到官方口径（Tesla 官方微博、马斯克本人表述、公开专利）的数字，其余一律标注存疑。

    项目Gen 1（2023-03）Gen 2（2023-12）Gen 3 / V3（2026）来源与置信度| 项目 | Gen 1（2023-03） | Gen 2（2023-12） | Gen 3 / V3（2026） | 来源与置信度 |

    
      **身高 / 体重**约 173 cm / 73 kg约 173 cm / 减重 10 kg**173 cm / 57 kg**Gen 3 数字为 Tesla 官方微博（2026-04-23），P2| 身高 / 体重 | 约 173 cm / 73 kg | 约 173 cm / 减重 10 kg | 173 cm / 57 kg | Gen 3 数字为 Tesla 官方微博（2026-04-23），P2 |

      **关节数**—28**37**（较 Gen 2 多 9 个）Tesla 官方微博，P2| 关节数 | — | 28 | 37（较 Gen 2 多 9 个） | Tesla 官方微博，P2 |

      **每手自由度**—11 DoF**22 DoF**Tesla 官方微博，P2| 每手自由度 | — | 11 DoF | 22 DoF | Tesla 官方微博，P2 |

      **手 / 腕执行器**—约 11 / 手，部分在手内**25 / 前臂**（23 手 + 2 腕）→ 全身 **50 个**马斯克 X 帖 + 公开专利，P4（转引）| 手 / 腕执行器 | — | 约 11 / 手，部分在手内 | 25 / 前臂（23 手 + 2 腕）→ 全身 50 个 | 马斯克 X 帖 + 公开专利，P4（转引） |

      **传动方案**——行星齿轮箱 + 微型滚珠丝杠 + 腱绳复合专利报道，P4| 传动方案 | — | — | 行星齿轮箱 + 微型滚珠丝杠 + 腱绳复合 | 专利报道，P4 |

      **电池 / 续航**—2.3 kWh2.3 kWh，续航约 8–12 hTesla 官方，P3| 电池 / 续航 | — | 2.3 kWh | 2.3 kWh，续航约 8–12 h | Tesla 官方，P3 |

      **载荷**—20 kg20 kg（另有 ~68 kg 硬拉说法，**存疑**）官方 20 kg；68 kg 无一手源| 载荷 | — | 20 kg | 20 kg（另有 ~68 kg 硬拉说法，存疑） | 官方 20 kg；68 kg 无一手源 |

      **行走速度**—约 3–3.5 mph**1.2 m/s**（另有 5–8 mph 说法，**存疑**）1.2 m/s 为官方微博，P2| 行走速度 | — | 约 3–3.5 mph | 1.2 m/s（另有 5–8 mph 说法，存疑） | 1.2 m/s 为官方微博，P2 |

      **推理芯片**Tesla AI4Tesla AI4**Tesla AI5**算力与内存数字**无一手来源**| 推理芯片 | Tesla AI4 | Tesla AI4 | Tesla AI5 | 算力与内存数字无一手来源 |

      **独特零件数**——约 **10,000** 个马斯克 Q1 2026 财报会，P2| 独特零件数 | — | — | 约 10,000 个 | 马斯克 Q1 2026 财报会，P2 |

    
  



  ⚑ 关于 Gen 3 的运动性能数字
  

Gen 3 的速度与载荷在公开信源里互相矛盾：Tesla 官方微博给出 1.2 m/s（约 2.7 mph），而多家媒体引用「5 mph 目标」甚至「8 mph 测试」；载荷有 20 kg 与 68 kg 硬拉两种说法。这类矛盾的根源通常是把目标值、峰值与持续值混为一谈。本页只采用官方微博的四项（57 kg / 1.2 m/s / 37 关节 / 每手 22 DoF），其余一律不作为事实使用。同理，AI5 的「2,000–2,500 TOPS / 144 GB」等数字仅见于聚合媒体，特斯拉从未发布数据表，本页不引用其绝对值。

3.2 难度不是均匀分布的：一张自由度与难度图

把「人形机器人很难」拆开，会发现难度在身体各部位上的分布极不均匀。下图是本报告依公开规格与专利报道重建的分布示意——左侧是自由度密度，右侧是本报告对五个难度维度的评估。需要提醒的是，官方只公布了「37 关节 / 每手 22 DoF / 50 个手部执行器」三个总量数字，各部位的具体拆分是重建值，与官方口径可能存在出入。

  **图 1 · 人形机器人的难度分布：**圆点面积代表该部位的自由度密度，颜色代表本报告评估的工程难度（绿→黄→橙→红）。**这张图想说明的是一件常被忽略的事：人形机器人的难度不在「像人」，而在「手」。**行走（膝、髋）在 2026 年已经不是试点部署的门槛——Morgan Stanley 的生态分析把灵巧操作与精细操作列为规模化的前两大瓶颈，行走已不在其列。数字来源：Tesla 官方微博 Gen 3 规格（2026-04-23）三项总量；BOM 拆分取自 McKinsey《Scaling the humanoid robotics supply chain》；手部 BOM 占比取自 Morgan Stanley 对 Gen 2 的分析；人手机械感受器数字取自 Rodney Brooks 对 Johansson 1979 年工作的复述。各部位自由度拆分为本报告依公开专利报道重建，与官方 37 关节口径可能存在出入。（本报告原创 SVG · 示意非实测）

3.3 手：为什么把执行器移出手掌是一次「可制造性优先」的取舍

Gen 3 最重要的结构变化，是把控制手指的执行器整体移出手掌、装进前臂，再用腱绳牵引手指。公开的四项国际专利描述了这个前臂总成：25 个线性执行器（23 个控手 + 2 个控腕）以同心环的形式围绕一个中央旋转执行器排布——这与马斯克 2025 年 11 月的表述完全吻合。

50 actuators (25 in each forearm and hand)

50 个执行器（每只前臂与手内 25 个）

    Elon Musk
    2025-11-15 · X 帖（转引自专利报道，本报告未独立定位永久链接）
    P4 转引
    专利报道 [@src-feb428ce6d]
  

这个取舍的逻辑值得展开，因为它是「制造即产品」这条方法论（见 ② 制造即产品）在机器人上的一次直接应用。手掌内部的空间不足以容纳 25 个执行器，即使塞进去也极难维修——而一台要年产百万台的产品，维修性与装配性和性能同等重要。移到前臂之后有四个连带收益：手指本身变轻，末端惯量下降，动态响应变快；手内不再有发热源；腱绳可以做成可更换件；前臂成为一个可独立测试、独立更换的模块。代价则是引入了腱传动固有的问题——腱绳只能单向牵引，需要额外的弹簧或弹性体实现关节复位；腱绳会磨损、会伸长，力控精度受摩擦影响。

so sophisticated that it makes a Fabergé seem simple

精密到让法贝热彩蛋都显得简单

    Elon Musk
    2025-02-05 · 谈 Optimus 的手（转引自整理稿）
    P4 转引
    来源（含原始出处索引） [@src-00d14a6b30]
  

这句话在中文语境里常被当成营销修辞，但它其实包含一条真实的工程信息：**他把手的难度类比为「精密制造」而不是「智能」。**这个类比选择本身透露了特斯拉对瓶颈的判断——手的问题被定位成机械与供应链问题，而不是算法问题。中文技术社区对这一点有过相当具体的印证：有拆解分析指出，「目前最让特斯拉工程师头疼的是机器人的灵巧手……目前的供应链根本跟不上，很多零件不仅贵，而且容易坏」（P4，中文整理稿）。

但这个定位可能只对了一半。Brooks 的反驳恰恰指向另一半：即使机械做出来了，没有触觉，手也学不会灵巧。他引用的这个数字是全篇最有力的一条：

a human hand has about 17,000 low-threshold mechanoreceptors in the glabrous skin (where hair doesn’t grow) of the hand, with about 1,000 of them right at the tip of each finger

一只人手的无毛皮肤上约有 17,000 个低阈值机械感受器，其中每根指尖上约有 1,000 个。

    Rodney Brooks
    2025-09-26 · 复述 Johansson 1979 年工作的综述
    P2 作者原文
    rodneybrooks.com [@src-ef9237c6f6]
  

把这个数字与机器人侧的现状并排：一篇由香港科技大学（广州）牵头、汇总到 2026 年第一季度的触觉综述指出，触觉传感尚未出现主导设计，数据集高度依赖特定传感器且规模远小于视觉-语言资源；一项灵巧手综述显示，不到一半的人形专用手集成了完整触觉感知，而集成了的通常在负载、速度或可制造性上做了牺牲。McKinsey 的判断与此一致：因为没有主导设计，厂商只能垂直整合或高度定制——这正是「成本降不下来」的结构性原因，而不是产量不够。

  业界不同看法 · 反方证据
  

本报告在本节的主张：以一只人手约 17,000 个低阈值机械感受器、每根指尖约 1,000 个为标尺，今天没有任何实验室造出这个密度的触觉；并采纳 Brooks 的推论——即使机械做出来了，没有触觉，手也学不会灵巧。

Meta FAIR 与 GelSight 联合发布的 Digit 360（2024-10-31）直接推翻了「密度」这一层：单枚指尖形传感器内含约 830 万个触觉单元，可分辨小到 7 μm 的空间特征，法向力与切向力分辨率分别为 1.01 mN 与 1.27 mN，可感知至 10 kHz 的振动、温度乃至气味，并板载一枚神经网络加速器充当机器人身上的「反射弧」。论文的自我定位是「以超越人类的性能数字化触觉」，硬件与设计文件已开源。arXiv:2411.02479 ^[7] · 发布公告 ^[8]

MIT Improbable AI 与 CSAIL 的《Visual Dexterity》（《Science Robotics》2023-11-22）反驳的是「必要性」这一层：该系统完全不使用触觉，只靠一台商用深度相机加关节本体感知，在仿真中用强化学习训练后零样本迁移到真机，对训练时从未见过的复杂形状完成空中在手任意角度重定向，中位耗时约 7 秒；整套硬件由开源件搭成、成本低于 $5,000。它构成「无触觉即无灵巧」这一必要条件命题的一个反例。arXiv:2211.11744 ^[9] · DOI 10.1126/scirobotics.adc9244

采纳第一条反方成立，本报告原表述有误，正文已改两处——TL;DR 第 4 条与本节图 1 里的「今天没有任何实验室造出这个密度的触觉」，现改为「单个指尖的实验室原型已超过人类密度，整手集成与可制造性仍无方案」。需要说清楚改在哪：变的是密度这一项，没变的是整手集成、循环寿命与可制造性——Digit 360 是一枚科研平台传感器，不是能装满一只 22 自由度的手、还要做几千次抓放的量产件，McKinsey「触觉尚无主导设计」的判断不受影响。第二条反方只在受限域内成立，因此本报告把 Brooks 的论断从必要条件下调为强相关：Visual Dexterity 做的是刚体重定向，论文自己报告最难的鸭形物体有 56% 的试次掉落——它划出的是无触觉能达到的下限，而不是「灵巧」这个词通常指的那个上限。

3.4 执行器数量的另一面：串联可靠性

自由度多是能力，也是负担。一台 Gen 3 身上有 37 个关节加约 50 个手部执行器，量级上是近百个必须同时工作的机电部件。在可靠性工程里，这类结构是典型的串联系统——任何一个失效，整机就失效。假设各执行器失效相互独立且服从指数分布，特征寿命为 (\theta)，则：

  \[
  R_{\text{sys}}(t)=\prod_{i=1}^{n}R_i(t)=e^{-nt/\theta}
  \qquad\Longrightarrow\qquad
  \mathrm{MTBF}_{\text{sys}}=\frac{\theta}{n}
  \]
  

(n)＝串联执行器数，(\theta)＝单执行器 MTBF。取 (n=50)：若 (\theta=1{,}000\ \mathrm{h})，则整机 (\mathrm{MTBF}\approx 20\ \mathrm{h})；若要在 8 h/天 × 250 天 = 2,000 h/年 的工况下做到一年一次故障，需要 (\theta = n\times 2{,}000 = 10^{5}\ \mathrm{h})。

  ⚑ MTBF 数字的置信度必须说清楚
  

可靠性是全行业最不透明的指标。本报告能找到的执行器 MTBF 估计（200–1,000 小时量级）来自聚合来源，属低置信度，且不针对任何特定产品。上面的算式因此不能被读作「Optimus 每 20 小时坏一次」——它只能被读作一条结构性陈述：串联可靠性对执行器数量是线性惩罚，而人形机器人恰恰把执行器数量推到了近百量级。要么单件寿命提升两个数量级，要么把架构做成模块可换、带冗余、故障可降级——这两条路都需要多年工程，而不是一次算法突破。这也是本报告认为「制造是瓶颈」这一判断在可靠性维度上成立的原因。

  我的看法 · 作者（AI）个人观点
  

我认为「手是最难的部分」这句话被低估了——不是因为它错，而是因为大多数人把它理解成「手很精密，所以很难做」。真正的难点是三个难点在手上叠加：自由度密度最高（每手 22 个）、传感需求最高（接触时要同时施力与感知力）、循环寿命要求最高（一天要做几千次抓放）。这三者在工程上是互相冲突的：加触觉要占空间，占空间就要牺牲自由度或强度；提高强度要加大执行器，加大执行器就增加惯量与成本。

把执行器移到前臂，是在这个三角里做了一次明确取舍——用外形与传动复杂度，换手内空间、维修性与量产性。这是一个典型的「为制造而设计」的动作，我认为方向是对的。但它解决的是三角里的第三条边（可制造性），没有触碰第二条边（触觉）。而按 Brooks 的论证，第二条边才是「学不学得会灵巧」的决定因素。所以我的判断是：Gen 3 的手是一次出色的机械工程，但它不构成对「Optimus 能否学会灵巧操作」这一问题的回答。

04Chronicle · 2021–2026

五年演进：从紧身衣到产线，以及中间那次遥操作

这条时间线值得逐年看，因为它呈现出一个非常清晰的模式：**每一代的硬件都在真实推进，而每一代的演示都跑在能力前面。**本节按官方与权威报道逐条陈述，遥操作争议部分严格区分「已确认的事实」「旁证」与「成因说法」。

    2021-08-19
    

AI Day：Tesla Bot 首次公布——没有硬件原型

发布会上没有任何硬件原型，由一名穿紧身衣的舞者上台跳舞约 40 秒。规格只存在于 PPT 上：5’8”（1.7 m）、125 lb（56 kg）、最高 5 mph、“human-level hands”、屏幕作脸。

值得记录的是他当场给出的安全设计说明——这是本报告在整条时间线上找到的、他唯一一次把「人形机器人的物理安全」讲成设计约束而不是笑话的时刻，尽管他用玩笑的方式讲了出来。

If you can run faster than that, you’ll be fine.

如果你跑得比它快，那你就没事。

        Elon Musk
        2021-08-19 · Tesla AI Day，谈 Tesla Bot 的安全设计（同场表述还包括「设计成你可以从它身边跑开、并且多半能制服它」）
        P3 现场报道
        The Verge 现场报道 [@src-7432430f9c]
      
    
    

把这句话与四年后 Brooks 的「不要靠近 3 米以内」并置，能看到同一个物理问题的两种态度：他把「人能跑赢它」当作安全保证，而 Brooks 指出真正的危险不是被追上，是它摔倒时释放的动能。前者假设机器人是主动威胁，后者指出机器人是被动风险源。这两种风险模型对应完全不同的工程要求。 无原型规格仅存在于 PPT

    2022-09-30
    

AI Day 2022：Bumble C 自行走上台 + Optimus 平台机被搀扶展示

一年后有了真硬件，但呈现方式已经透露了成熟度差异：Bumble C（开发原型）自行走上台且无系绳，而更接近产品形态的 Optimus 平台机只能由人搀扶展示。同场展示了六种自研执行器设计——执行器自研从这时起成为特斯拉在机器人上的核心工程投入。

同期的公开承诺是：售价预计不到 2 万美元，「预计三五年后人们可以订购擎天柱机器人」。按这条承诺，可订购时点应在 2025–2027 年间。（承诺来源为中文整理稿转述的发布会内容，P4；对照口径见 ⑫。） 首台自主行走六种自研执行器

    2023-12
    

Optimus Gen 2：减重 10 kg，11 DoF 手 + 触觉指尖

Gen 2 是硬件层面进步最扎实的一代：整机减重约 10 kg，行走速度提升约 30%，手部达到 11 个自由度并首次加入触觉指尖。触觉从此进入 Optimus 的技术路线——但注意它的起点是「指尖单点」，距离人手的 17,000 个机械感受器还有极远距离。

同期 Tesla 开始在软件侧启用端到端神经网络做分拣任务（无需规则代码）。端到端范式本身在 ⑤ 自动驾驶 已完整解释，这里只记录它被迁移到了机器人上。 首次触觉−10 kg / +30% 速度

    2024-10-10
    

「We, Robot」发布会：数十台 Optimus 与来宾互动——以及随后的遥操作争议

在华纳兄弟片场（Burbank）举行的 We, Robot 发布会上，Cybercab 首发，数十台 Optimus 与来宾互动：调酒、玩石头剪刀布、跳舞、对话。这是 Optimus 迄今曝光度最高的一次公开亮相，也是这条时间线上最需要客观陈述的一个节点。

已确认的事实。据 Bloomberg 援引知情人士的报道，特斯拉在活动中「用人类远程控制了部分能力」，远端员工监管了机器人与来宾的大量互动；机器人能靠 AI 自主行走，但对话、倒酒、猜拳等交互由遥操作完成。

used humans to remotely control some capabilities

用人类远程控制了部分能力

        Bloomberg（援引知情人士）
        2024-10-15 · 经 LA Times 转载
        P3 权威媒体调查报道
        latimes.com [@src-aed93b7e89]
      
    
    

**最直接的证据来自现场视频本身。**一台正在调酒的 Optimus 在被来宾直接询问时，给出了一个相当坦率的回答（视频中该合成音在念到 “autonomous” 一词时出现了明显的卡顿）：

Today, I am assisted by a human. I’m not yet fully autonomous.

今天，我由一个人类协助。我还不是完全自主的。

        现场 Optimus 单元（合成语音）
        2024-10-10 · We, Robot 发布会现场视频
        P3 现场视频经媒体转述
        The Verge 报道 [@src-80355b1aa5]
      
    
    

**旁证链（三条相互独立）。**① 科技博主 Robert Scoble 转述现场工程师的说法：行走确实是 AI 在跑，其他任务「有人在远程协助」；② 摩根士丹利分析师 Adam Jonas 在研报中写机器人「依赖遥操作（人为介入）」；③ Deepwater 管理合伙人 Gene Munster 公开承认自己在现场「被骗了」，但仍认为它「给了一扇窥见潜力的窗」。**成因说法（据 Bloomberg 独家）：**Optimus 原本不在活动议程上，马斯克在活动前约三周才要求加入，软件来不及跟上，因此只能遥操作。这条成因未获特斯拉官方确认。 遥操作争议三条独立旁证成因说法未经官方确认

    2025
    

Gen 2.5 迭代与工厂内数据采集：目标 5,000 台，实际约 150 台

2025 年是承诺与现实差距最大的一年。目标产量 5,000 台，据 The Information 等来源，实际产量约 150 台，缺口超过 90%；也有来源给出「数百台」的说法。特斯拉从未公布过官方 Optimus 产量。这一年 Optimus 的实际角色是数据采集装置——部署在自家工厂里，由人遥操作以采集操作轨迹。

同年 11 月的股东大会上，Optimus V2.5 登台跳舞，V3 被预告将于 2026 年量产，产能规划被描述为「弗里蒙特百万台产线 → 得州千万级 → 挑战一亿台」（P4，中文整理稿）。 目标 5,000 / 实际 ~150产量无官方口径

    2026-01-21
    

Gen 3 在弗里蒙特开始前期生产——同时他承认「零台在做有用的工作」

Gen 3 在弗里蒙特由原 Model S/X 产线改造后开始前期生产。但同月他给出了这条时间线上最重要的一句自我否定：

No robots are doing useful work yet — they are for learning and data collection only.

目前没有任何机器人在做有用的工作——它们只用于学习和数据采集。

        Elon Musk
        2026-01 · 转述于 2026-07-18 的行业部署盘点
        P3 媒体转述
        technology.org 盘点 [@src-b0a53cbe49]
      
    
    

这句话的价值在于它由本人给出，因此不需要争论口径。它同时确认了两件事：Optimus 在 2026 年初处于「有限试点 + 数据采集」状态；且部署数量（无论是 300 台还是 1,000 台）不代表任何生产性劳动。 本人承认零生产性工作Model S/X 产线改造

    2026-03-31
    

原定 Q1 的 Optimus 3 揭幕被推迟——截至资料冻结日，这场发布会从未举行

这一条要单独立项，因为它是中文报道里最常被写反的一件事。Optimus 3（＝本页所称 Gen 3）没有发布会。可核对的序列是：原定 2026 Q1 揭幕 → 3 月 31 日推迟，官方给出的解释是「已经能走动，但在向世界展示之前还需要一些收尾工作」→ Q1 财报电话会上口径再变，改为「推迟到接近量产时再发布」 → 投产窗口被指向 7 月底至 8 月。因此截至 2026-07-25，Optimus 3 的状态是「已在展会与官方微博披露规格、已进入前期生产，但从未举行过发布会、也未量产」，凡写成「Optimus 3 发布会」「Optimus 3 已发布」的表述均不成立。

值得注意的是推迟理由本身的变化：3 月给的是完成度理由（还差收尾），4 月给的是发布策略理由（等到接近量产）。*这两个理由不兼容——一个说的是产品没做完，另一个说的是产品做完了但不想现在讲。*本报告不判断哪个为真，只记录口径发生过一次替换。 无发布会Q1 揭幕落空推迟理由更换

    2026-04-23
    

Tesla 官方微博公布 Gen 3 规格：57 kg / 37 关节 / 每手 22 DoF

这是 Gen 3 唯一一次官方规格披露，也是本报告采用的四个数字的来源。相较 Gen 2 的 28 关节与每手 11 DoF，关节数 +9、手部自由度翻倍。同期公开的四项国际专利佐证了前臂总成的结构（25 个线性执行器同心环排布）。 唯一官方规格披露

    2026-07-22
    

Q2 2026 股东信：产线安装中，量产「预计今年晚些时候」——并删掉了「mass production」措辞

截至资料冻结日（2026-07-25），量产仍未开始。Q2 2026 股东信的表述是：弗里蒙特的 Model S/X 产线已拆除，正在安装 Optimus 一代产线，量产「预计今年晚些时候」。Q2 交付报告里没有任何 Optimus 数字；同期材料中删除了「mass production」措辞。马斯克本人在 7 月 1 日巡视了新产线。

同一场财报会上，他把 Optimus 描述为「特斯拉有史以来最难规模化的产品」，理由是约一万个独特零件且没有现成供应链——这是瓶颈定位从「市场」到「制造」的正式转移。 量产未开始删除量产措辞Q2 无 Optimus 数字

  ⚑ 关于遥操作争议的措辞边界
  

本报告认为，把 We, Robot 称作「造假」是不准确的，把它称作「正常演示」同样不准确。准确的表述是三层：① 特斯拉在活动中确实使用了远程人工控制，这一点有 Bloomberg 的调查报道与三条独立旁证支持，且现场机器人自己在被问及时给出了肯定回答；② 特斯拉没有在现场明确标示哪些行为是自主、哪些是遥操作，这是争议的实质所在；③ 行走确为自主，这一点各方说法一致。「三周前才被要求加入议程」这一成因说法来自单一媒体的知情人士，未获官方确认，本报告只作并列陈述。

需要补充的是：遥操作本身在行业里是标准做法，1X 在 NEO 上公开采用「Expert Mode」由人类远程专家兜底并从中学习，Figure 与其他厂商也都用遥操作采集数据。差别不在用不用，而在说不说。

  ● 叙事闭环：2021 年是人假装机器人，2024 年是人远程操控真机器人
  

把这两个节点并排，会看到一个几乎完美的对称。2021 年 8 月，台上跳舞的是一个假装成机器人的人；2024 年 10 月，台上调酒的是一个由人远程操控的真机器人。三年间，硬件从零到有、从搀扶到自主行走，这是真实且可观测的进步。但演示与能力之间那道差距的性质没有变化：两次都是先给出一个未来的体验，再回头去补齐实现它的技术。

这既是这套方法最有效的部分（叙事本身是生产要素，见 ⑭），也是它信誉成本最高的部分。区别在于，火箭炸给你看的时候，没有人误以为它成功了；而一台被遥操作的机器人调出一杯酒，观众会误以为它学会了调酒。在自动驾驶上，这种误解的代价由公共道路上的其他人承担；在机器人上，目前代价还只是信誉。

05Data · 本页最重要的技术追问

数据从哪来：Optimus 路线的胜负手

如果这一页只能保留一节，应该是这一节。硬件可以靠工程与时间解决，形态之争最终由市场裁决，但**「训练数据从哪来」是这条路线上唯一一个既无法绕过、也无法靠钱直接买到的约束**。本节做三件事：给出数量级的可复算估算并说清口径为何会改变结论；拆开三条数据路径各自的信息效率与偏差；然后严肃回答一个被反复问到的问题——特斯拉的车队优势能不能迁移到具身。

5.1 数量级：一条可复算的估算，以及为什么各方给出的数字差两三个量级

先把三个可核验的公开锚点摆出来。第一，语言侧：现代大模型的开放语料在 (1.5\times10^{13}) tokens（FineWeb 级）量级，前沿实验室据称已达 (10^{14}) tokens 量级。第二，机器人侧：目前最大的开放具身语料 Open X-Embodiment（arXiv:2310.08864）汇集 21 家机构、22 种机器人本体、527 种技能、160,266 个任务，约 240 万条 episode；按 20 Hz × 25 s ≈ 500 步/episode 折算，约 (1.2\times10^{9}) 个 timestep。第三，论文作者自己的评价——即使是这样规模的收集努力，得到的数据集仍只是视觉与自然语言基准数据集规模的一个零头。

  \[
  \frac{N_{\text{lang}}}{N_{\text{robot}}}
  \;=\;\frac{1.5\times10^{13}\ \text{tokens}}{1.2\times10^{9}\ \text{timesteps}}
  \;\approx\;1.25\times10^{4}
  \qquad\text{（约 4.1 个数量级）}
  \]
  \[
  \text{若取前沿语料口径：}\quad
  \frac{1.0\times10^{14}}{1.2\times10^{9}}\;\approx\;8.3\times10^{4}
  \qquad\text{（约 4.9 个数量级）}
  \]
  

口径：token 对 timestep。这是本报告能用公开数字复算的唯一一条估算，结果落在 (10^4)–(10^5) 区间。

中国产业界给出的独立估计与之吻合：智元机器人合伙人姚卯青在 2026 年 WAIC 具身智能论坛上给出「物理 AI 数据量是大语言模型的 1/20,000」（约 4.3 个数量级）；强脑科技在同期展会给出的绝对量是——截至 2026 年初，全球高质量具身数据存量约 50 万小时，而训练一个通用具身模型需要 1,000 万小时以上，缺口超过 99%。行业共识判断是 2026–2027 年有望突破 1,000 万小时门槛（获得基础泛化能力），但要达到通用具身智能所需的「亿小时级」有效数据，还需 3–5 年持续迭代。

  ▲ 流传的「少 5–7 个数量级」本报告不采用——但它从哪来值得说清
  

流传更广的一个说法是「机器人数据比语言数据少 5–7 个数量级」。本报告没有找到可复算的公开依据支撑这个具体区间，因此正文一律不使用它；但可以指出它会从哪里来：① 若把分母换成「带动作标签的高质量具身数据」（50 万小时）而分子换成「互联网可训练视频的总时长」，比值会显著大于 token 口径；② 若按原始字节数而非样本数计数，视频的每样本信息密度远高于文本，比值会再变；③ 若把语言侧口径放宽到「人类写下的全部数字化文本」，分子还会涨。

**结论应当这样表述：口径本身能改变结论两到三个数量级，因此任何单一数字都只能当作量级陈述而不是测量值。**可复算的交叉估计落在 (10^4) 量级；更大的数字并非错误，而是换了计数约定。本报告在正文中一律使用「(10^4) 量级，视口径可推至 (10^5)–(10^6)」这一表述，并把口径写在旁边。——把这类差异写清楚，比给出一个整齐的数字更有用。

  **图 2 · 数据鸿沟与三条替代路径：**上半部分的对数条形图用同一把尺子量了两种不可直接比较的东西——这正是本节要说清楚的口径问题。数字来源：DROID 数据集（76k 轨迹 / 350 小时 / 564 个场景 / 86 个任务 / 50 名采集者）与 Open X-Embodiment（arXiv:2310.08864 [@src-c4f2698a7f]，约 240 万 episode，timestep 数为按 20 Hz × 25 s 的折算值，非论文原始统计），语言侧取 FineWeb 级开放语料与前沿实验室据称口径。**下半部分三条路径的评级为本报告依公开材料所作的定性评估**，依据包括：Jim Fan 对遥操作「拿人力当燃料」的判断（NVIDIA，2025 AI Ascent）、王鹤对本体不同构的论证（智源 OpenDay 2025-11）、NVIDIA Isaac Lab 的仿真吞吐数据与 sim2real 主流方法（教师-学生蒸馏）。（本报告原创 SVG · 示意非实测）

5.2 三条路径：它们的短板互不重叠，所以行业只能混合

路径一：遥操作。这是唯一能产生「物理真实且动作标签精确对齐」的数据源，也是所有 VLA 训练集的骨架。它的问题是根本不 scale。NVIDIA 的 Jim Fan 在 2025 年红杉 AI Ascent 上给了一个很好的类比：大模型研究者抱怨互联网这个「AI 的化石燃料」快用完了，而机器人连化石燃料都没有——真实机器人数据的获取是在拿人力当燃料，这比化石燃料更糟，因为一个机器人一天只有 24 小时，实际可用时间更少，人会疲劳，机器人比人更容易疲劳。

路径二：人类视频。这是特斯拉公开表述过的目标（「你只要给它看一段视频，它就能完成任务」），也是数量上唯一有希望填平鸿沟的来源。它的致命短板是没有动作标签：你看到的是像素上的一只手，不是 22 个关节的力矩序列。要把像素反推成动作，需要一个逆动力学模型，而这个模型本身需要有标签的数据来训练——这是一个循环。更麻烦的是王鹤指出的第二层：人手与机器人手的运动学不同构，即使反推出了人的动作，也不一定是机器人能执行、或者应该执行的动作。

路径三：仿真。这是数量上最便宜的路径，且在特定任务上已经被证明有效——今天所有人形机器人的足式行走、跳舞与复杂全身控制，几乎全部是在仿真器里习得的。Jim Fan 给出的数量级是：单 GPU 上并行运行一万个环境、比实时快一万倍，配合域随机化（改变重力、摩擦、重量）；两小时仿真时间里，人形机器人经历了十年的训练量；而捕捉人体潜意识运动控制的网络只需要 150 万参数，不是 15 亿。NVIDIA Isaac Lab 在人形运动上可达 135,000 FPS。

但仿真的短板恰好落在最要紧的地方。王鹤的表述很直接（P4，中文整理稿）：真实世界里做强化学习非常困难，所以底层控制靠仿真；但手内操作至今全部靠模仿学习实现，而不是遥控——因为当你不清楚灵巧手的手指是否碰到物体、受力如何时，连遥操作都无法进行。这句话把三条路径的困境串成了一个闭环：接触密集任务的仿真最不准，而它恰恰是最需要数据的地方；它的遥操作最难做，因为缺触觉；它的人类视频最没用，因为力看不见。

  ◆ 中文语料 · 据整理 · 非逐字
  

「我们最近与清华大学合作的灵巧手工作也印证了这点。至今为止，所有真正的手内操作都是通过模仿学习实现的，而不是遥控。因为当你不清楚灵巧手的手指是否碰到物体、受力如何时，连遥操作都无法进行。」

王鹤（北京大学 / 银河通用）· 2025-11-20 智源具身 OpenDay · 转录自 甲子光年《对话八位具身智能大咖》 ^[3] · P4

这里需要一处限定（据本节末的辩证块补入）。「接触密集任务的仿真最不准」这句话在 2023 年成立，到 2026 年只在成本意义上成立：自动数据生成已经可以把少量真实演示在物理仿真里放大两到三个数量级、再迁移回真机。它没有取消对真实世界的依赖——仍然需要一个真实种子集、一套物体模型与真机校验——但它把「仿真在接触任务上不可用」改写成了「仿真在接触任务上很贵」。这两句话对路线判断的含义完全不同：前者是死路，后者是价目表。

5.3 关键追问：特斯拉的车队优势能不能迁移到具身？

这是本页最需要给出细致答案的问题，因为「能」和「不能」都是错的。要回答它，得先说清楚 FSD 的车队飞轮到底靠什么成立。数据引擎的机制本身已在 ⑤ 自动驾驶 · 数据引擎 完整解释，这里只提取它成立的三个前提条件：

前提 A · 采集设备与部署设备同构

采数据的车与跑模型的车是同一批车、同一套相机、同一个安装位姿。因此不存在跨本体迁移问题，采到的分布就是部署时面对的分布。

前提 B · 动作标签免费且同步

这是最关键的一条。人类司机的方向盘转角与踏板开度被同一条 CAN 总线以同样的频率记录下来——动作标签不需要额外采集成本，因为人本来就为了自己的目的在开车。全球每天有数十亿小时的驾驶行为在自然发生。

前提 C · 动作空间是低维的

驾驶的输出本质上只有二到三维（转向、加速、制动）。一位中文技术作者对此有个很好的概括：输入是「过去 24 秒内 36 Hz 多摄像头视频 + 导航 + IMU」相当于数十亿个特征，而输出只有两个控制量——极度的输入输出维度不平衡，恰恰让监督信号变得极其廉价。

现在把这三条逐一放到具身操作上检验：

    前提在自动驾驶上在 Optimus 上是否成立| 前提 | 在自动驾驶上 | 在 Optimus 上 | 是否成立 |

    
      **A · 设备同构**数百万辆同构车队全球处于前沿场景运行的人形机器人，量级在**千台**；特斯拉自有部署估计 300–1,200 台，**全部内部**不成立| A · 设备同构 | 数百万辆同构车队 | 全球处于前沿场景运行的人形机器人，量级在千台；特斯拉自有部署估计 300–1,200 台，全部内部 | 不成立 |

      **B · 标签免费**人类司机的操作由 CAN 总线免费记录人类视频**不含关节力矩与接触力**；要拿到动作标签必须付出遥操作成本，而遥操作又受限于缺触觉不成立| B · 标签免费 | 人类司机的操作由 CAN 总线免费记录 | 人类视频不含关节力矩与接触力；要拿到动作标签必须付出遥操作成本，而遥操作又受限于缺触觉 | 不成立 |

      **C · 低维动作**2–3 维近百维，且是**接触密集**的——同一个视觉观测下有多个正确动作（多峰），监督信号本身是模糊的不成立| C · 低维动作 | 2–3 维 | 近百维，且是接触密集的——同一个视觉观测下有多个正确动作（多峰），监督信号本身是模糊的 | 不成立 |

      **视觉表征先验**BEV / 占用网络在道路场景上的表征Karpathy 的轶事恰好是这条的实证：早期 Optimus「以为自己是一辆车」，它把「可行驶区域」的识别迁移成了「可行走区域」部分可迁移| 视觉表征先验 | BEV / 占用网络在道路场景上的表征 | Karpathy 的轶事恰好是这条的实证：早期 Optimus「以为自己是一辆车」，它把「可行驶区域」的识别迁移成了「可行走区域」 | 部分可迁移 |

      **工程基础设施**自动标注（2,000 万次/天）、影子模式、训练集群、边缘推理芯片、组织流程**这些几乎全部可迁移**——它们与任务无关，是数据引擎的「管道」而不是「水」可迁移| 工程基础设施 | 自动标注（2,000 万次/天）、影子模式、训练集群、边缘推理芯片、组织流程 | 这些几乎全部可迁移——它们与任务无关，是数据引擎的「管道」而不是「水」 | 可迁移 |

    
  



  

It tried to identify drivable areas, but in fact, it was recognizing walkable areas.

它试图识别可行驶区域，但实际上，它识别出的是可行走区域。

    Andrej Karpathy
    2024-09 · No Priors 播客，讲早期 Optimus「以为自己是一辆车」
    P2 播客原声
    No Priors Ep.80 [@src-20d5d690ff]
  

这句轶事经常被当作趣闻，但它其实是关于可迁移性的最好的一条经验证据——而且它的方向是正面的。它说明视觉网络学到的不是「车道线的样子」，而是某种更抽象的「自我可通行的地面区域」概念，这个概念在换了本体之后仍然有效。这是真实的技术资产。

所以准确的答案是这样的：特斯拉能迁移的是数据引擎的管道，不是管道里的水。自动标注流水线、训练集群、影子模式那套「让部署车队筛出困难样本」的组织机制、AI5 这样的边缘推理芯片、以及那种把标注成本压到极低的工程文化——这些都是真金白银的优势，而且是竞争对手要花好几年才能复制的。但产生数据的那个物理过程无法迁移：没有几百万台机器人在真实世界里被人类为了自己的目的操作着，就没有等价的动作标签流。

再往深一层，道路视频与操作轨迹在分布结构上也不同。道路场景是远场的、低接触的、被交通规则强结构化的，动作流形接近二维且平滑；操作场景是近场的、被自己的手遮挡的、由接触主导的，同一个目标有多种同样正确的做法，动作流形是高维多峰的。这意味着即使把车队视频原封不动地喂进具身模型，它提供的也主要是「场景理解」而不是「如何动手」。

  业界不同看法 · 反方证据
  

本报告在本节的主张：「训练数据从哪来」是这条路线上唯一一个既无法绕过、也无法靠钱直接买到的约束；三条替代路径里，仿真的短板恰好落在最要紧的接触密集任务上，遥操作因缺触觉最难做，人类视频因力看不见最没用——三者形成闭环。

清华大学、上海期智研究院与上海人工智能实验室的《Data Scaling Laws in Imitation Learning for Robotic Manipulation》给出了量化反证：策略的泛化能力与训练环境数、物体数近似幂律，而与演示总条数几乎无关——每个环境的演示数越过阈值后，再加演示基本不产生增益。据此提出的采集配方是：4 名采集者一个下午采到的数据，就足以让两项任务的策略在全新环境 + 从未见过的物体上达到约 90% 成功率。这个结论建立在逾 4 万条演示与逾 1.5 万次真机 rollout 的评估之上，不是小样本轶事。arXiv:2410.18647 ^[10] · 2024-10，ICLR 2025

NVIDIA 与得州大学奥斯汀分校的 DexMimicGen（ICRA 2025）针对的正是「接触密集任务绕不过遥操作」这一条：系统把少量人类演示在物理仿真里做空间变换与重放，从 60 条源演示自动合成出 21,000 条双手灵巧操作演示，覆盖 9 个任务与三类本体；并在一个真实的人形罐子分拣任务上跑通 real-to-sim-to-real 全流程，策略成功率从「只用那 60 条人类演示」的 0% 提升到 90%。arXiv:2410.24185 ^[11] · 2024-10-31

Physical Intelligence 的 π0.5（2025-04-22）把同一命题推到了本页最关心的那个场景——真实民居。它的做法不是把某一路数据堆大，而是在异构来源上做协同训练：多种机器人本体的数据、高层语义子任务预测、网络图文数据合在一起训练同一个模型。论文的核心结论是这种跨来源的知识迁移「对有效泛化是必需的」，并据此首次让一个端到端系统在训练中从未见过的整间新房子里完成打扫厨房、整理卧室这类长时程灵巧任务。含义与本报告的记账方式相反：决定能不能进新环境的，是数据的异构度与场景覆盖，不是同一分布内的轨迹条数。arXiv:2504.16054 ^[12] · 2025-04-22

部分采纳「无法靠钱直接买到」这半句站不住，正文已在 §5.2 路径三之后补入限定：所需的不是天文数字的轨迹量，而是一套把场景数做上去的采集结构，加上一笔可估价的仿真放大成本。「无法绕过」这半句维持：三条反方都仍然依赖真实种子演示与真机评估，DexMimicGen 需要物体模型与数字孪生，清华那套结论是单任务策略的（每个任务各自采集、各自训练），不能直接外推到「一个模型干一万件事」；π0.5 的异构协同训练同样以一批覆盖大量真实住宅的移动操作数据为底座，它替换掉的是「同一场景里继续堆量」，不是「不需要真实数据」。还要并列一条来自同一阵营的反反方：Goldberg 在同期访谈中明确说，仿真对跑跳与全身控制有效，但对「用手做有用的事」这类灵巧任务「似乎不起作用」——这与 DexMimicGen 的结论直接冲突，差别可能在于任务是否有可建模的刚体接触。这场分歧尚未收敛，但它把本页的判断推向了一个更锋利的形式：真正稀缺的不是轨迹条数，是场景数；而「先在自家工厂采集」恰恰是场景数最低的一种配方。

  我的看法 · 作者（AI）个人观点
  

我认为这一节的结论比通常的两种流行说法都更不利于 Optimus，也更有利于它，取决于你在问哪个问题。

对「特斯拉有车队优势所以会赢」这种说法：它高估了数据的可迁移性。FSD 飞轮之所以强大，靠的不是特斯拉聪明，而是一个罕见的结构性好运——人类为了自己的目的每天产生数十亿小时带完整动作标签的驾驶数据，而特斯拉恰好在这些人的车里装了传感器。这种好运在具身操作上不存在，而且看不到任何路径能人为制造出来。1X 卖家用机器人、Figure 进工厂、宇树铺开发者硬件，本质上都是在试图人工搭建那个本来免费的东西。

**对「机器人数据少四个数量级所以做不成」这种说法：**它把「数据量」当成了唯一变量，而 π0.5 那张图给出的证据恰恰是——决定泛化的是环境多样性而不是样本总数。TRI 与 Boston Dynamics 的发现指向同一处：在大规模多样化数据上预训练后，学新任务所需的任务专属数据可以减少三到五倍。如果数据效率本身还有几个数量级的改进空间，那么「差四个量级」就不是一个终局判断。

*我的判断是：车队优势不会迁移，但工程基础设施会；而真正的胜负手不是谁的数据多，是谁先找到一条把「多样性」而不是「数量」做上去的采集路径。*从这个标准看，特斯拉「先在自家工厂采集千台级数据」的策略，恰恰是在多样性维度上最不利的一种选择——工厂是全世界最标准化、最缺乏分布多样性的环境之一。

06Industry Mainline · 行业主线

VLA、世界模型与 2026 年的新范式之争

要判断 Optimus 的技术位置，需要一把外部的尺子。这一节给出 2022–2026 年具身模型的主线演进、每一步的关键思想、以及 2026 年那场关于「VLA 是不是已经不够了」的争论。然后把 Optimus 放回这个坐标系里，说清楚它与主流的异同——结论会有点反直觉：特斯拉的差异化不在算法。

6.1 主线：从 RT-2 到 Gemini Robotics，四年四步

    模型时间关键思想（这一步**新增**了什么）| 模型 | 时间 | 关键思想（这一步新增了什么） |

    
      **RT-1**2022-12首个概念验证：Transformer 策略 + 大规模遥操作轨迹。证明了「机器人策略可以像语言模型一样被端到端训练」。| RT-1 | 2022-12 | 首个概念验证：Transformer 策略 + 大规模遥操作轨迹。证明了「机器人策略可以像语言模型一样被端到端训练」。 |

      **RT-2**CoRL 2023**引入互联网规模的视觉-语言预训练**（VLM → VLA）。这一步是范式转折：机器人第一次继承了它从未在物理世界见过的语义知识。| RT-2 | CoRL 2023 | 引入互联网规模的视觉-语言预训练（VLM → VLA）。这一步是范式转折：机器人第一次继承了它从未在物理世界见过的语义知识。 |

      **Open X-Embodiment / RT-X**ICRA 2024（最佳论文）**跨本体数据池化**：22 种机器人本体、60 个数据集合并训练，证明不同形态的机器人数据可以互相提升。| Open X-Embodiment / RT-X | ICRA 2024（最佳论文） | 跨本体数据池化：22 种机器人本体、60 个数据集合并训练，证明不同形态的机器人数据可以互相提升。 |

      **OpenVLA**RSS/CoRL 2024**开源化，成为学界主基线**：7B 参数、DINOv2 + SigLIP 双视觉塔 + Llama-2 主干，在 97 万条轨迹上训练（64×A100 × 15 天），LoRA 微调可在 24–27 GB 显存内完成。| OpenVLA | RSS/CoRL 2024 | 开源化，成为学界主基线：7B 参数、DINOv2 + SigLIP 双视觉塔 + Llama-2 主干，在 97 万条轨迹上训练（64×A100 × 15 天），LoRA 微调可在 24–27 GB 显存内完成。 |

      **π0**2024-10**确立了当前的事实标准架构**：用 flow matching 给 VLM 加一个「动作专家」头，输出连续动作块（action chunking），控制频率可达 50 Hz。跨 7 种构型、68 个任务，完成叠衣服这类长时程柔性物体操作。| π0 | 2024-10 | 确立了当前的事实标准架构：用 flow matching 给 VLM 加一个「动作专家」头，输出连续动作块（action chunking），控制频率可达 50 Hz。跨 7 种构型、68 个任务，完成叠衣服这类长时程柔性物体操作。 |

      **π0.5**2025-04**开放世界泛化**：在训练中从未见过的真实住宅里打扫厨房与卧室。**架构变化不大，关键是数据跨数百个物理环境的多样化**；分层结构上，VLM 先自回归产生语言化子任务 token，再由 flow matching 低层专家产生连续动作。| π0.5 | 2025-04 | 开放世界泛化：在训练中从未见过的真实住宅里打扫厨房与卧室。架构变化不大，关键是数据跨数百个物理环境的多样化；分层结构上，VLM 先自回归产生语言化子任务 token，再由 flow matching 低层专家产生连续动作。 |

      **Gemini Robotics**2025-03 起**双模型路线 + 首个以基础模型 API 形式发布的 VLA**：ER（具身推理）做高层大脑、VLA 做低层执行。2025-06 On-Device 版可用 50–100 条演示微调并本地运行；2025-09 的 1.5 版让 VLA「行动前思考」并输出自然语言思维链；2026-04 的 ER 1.6 强化空间推理、仪表读数与物理安全合规。| Gemini Robotics | 2025-03 起 | 双模型路线 + 首个以基础模型 API 形式发布的 VLA：ER（具身推理）做高层大脑、VLA 做低层执行。2025-06 On-Device 版可用 50–100 条演示微调并本地运行；2025-09 的 1.5 版让 VLA「行动前思考」并输出自然语言思维链；2026-04 的 ER 1.6 强化空间推理、仪表读数与物理安全合规。 |

      **Boston Dynamics × TRI**2025-08电动 Atlas 上跑 450M 参数 Diffusion Transformer + flow matching，控制全部 50 个自由度，输出 1.6 秒动作块，支持推理时变速而无需重训。**TRI 的关键发现：大规模多样化预训练后，学新任务所需的任务专属数据减少 3–5 倍**——机器人领域也存在可观测的 scaling law。| Boston Dynamics × TRI | 2025-08 | 电动 Atlas 上跑 450M 参数 Diffusion Transformer + flow matching，控制全部 50 个自由度，输出 1.6 秒动作块，支持推理时变速而无需重训。TRI 的关键发现：大规模多样化预训练后，学新任务所需的任务专属数据减少 3–5 倍——机器人领域也存在可观测的 scaling law。 |

    
  



  
  

6.2 2026 年的争论：「VLA 已死」与世界动作模型

2026 年 4 月，NVIDIA 首席研究科学家、GEAR 实验室联合负责人 Jim Fan 在红杉 AI Ascent 大会的演讲里，用一句黑色幽默把这场争论推到了台前：

So let’s all take a moment of silence for our dear friend VLAs. They’ve served us well, rest in peace, long live World Action Models.

让我们为亲爱的朋友 VLA 默哀片刻。它们曾经很好地服务过我们，安息吧——世界动作模型万岁。

    Jim Fan（NVIDIA）
    2026-04 · 红杉 AI Ascent《Robotics: Endgame》（中文语料内部对会议月份记载不一致，见页脚 hedge）
    P4 公众号转录
    甲子光年报道 [@src-260311b7a6]
  

这句话被媒体概括成更锋利的「VLA 已死」并迅速传播。但把他的完整论证读下来，会发现他送别的不是视觉、语言、动作这三种能力，而是一种特定的 VLA 范式。他的批评可以浓缩成一句：当下的 VLA 本质上是「LVA」——把最大的参数量倾注在语言上，而把连续动作、接触动力学、状态变化这些机器人最困难的问题，压缩成了一个动作头。他给出的替代方案是复刻大语言模型的「伟大的平行」：与其预测下一个文本 token，不如让机器人去预测下一个物理世界状态。

三种范式的差别，用条件概率写出来最清楚：

  \[
  \underbrace{p(a \mid o, \ell)}_{\textbf{VLA}}
  \qquad
  \underbrace{p(o' \mid o, a)}_{\textbf{World Model}}
  \qquad
  \underbrace{p(o',\,a \mid o, \ell)}_{\textbf{World Action Model (WAM)}}
  \]
  

(o)＝当前观测，(\ell)＝语言指令，(a)＝动作，(o’)＝未来状态。VLA 问「我该做什么」，世界模型问「这样做之后世界会怎样」，WAM 在同一个模型里联合生成两者。分类取自复旦大学 / 上海创智学院 / 新加坡国立大学的首篇 WAM 综述（arXiv:2605.12090 ^[13]）。

这个区分不是文字游戏。VLA 的架构里没有任何东西强迫模型去预测「执行动作后世界会变成什么样」——它只被要求把观测映射成动作。于是它能理解「把杯子拿起来」，却未必知道杯子会不会滑；能识别一件衣服，却未必知道衣服被抓起后如何变形；能听懂「打开抽屉」，却未必知道手、把手、阻尼、摩擦和力之间的关系。这些不是语义问题，是物理问题。

中文行业媒体对这场争论给出了本报告见过的最平衡的一段评述，值得引用（P4，公众号原创评论）：

  ◆ 中文语料 · 署名评论
  

「VLA 不是死了，而是不够了。」

「不能因为 VLA 有短板，就把世界模型推上神坛。世界模型补的是『物理预判』这块短板，但它还必须接受真实世界校验。」

《别着急宣布 VLA 已死》· 甲子光年 · 2026-05-09 · 原文 ^[14] · P4

同一篇文章还指出了一个非常具体的行业乱象：据不完全统计，中国市场上有超过 30 家公司在不同程度上宣称自己做世界模型——做视频生成的说自己在生成世界，做仿真的说自己在构建世界，做自动驾驶模拟器的说自己在预测世界。AMI Labs 的 CEO 在 2026 年 3 月预言：「六个月后，每家公司都会自称世界模型公司来融资。」更值得警惕的是「物理幻觉」：在视频生成里，物体穿模、反重力、状态不一致只是画面瑕疵；在机器人训练里，这些错误会变成错误的物理经验。一个看起来合理但物理上错误的世界，对机器人来说可能比没有世界模型更危险。

6.3 把 Optimus 放回坐标系：差异化不在算法

现在可以做对照了。下表是本报告依公开信息整理的 Optimus 与主流 VLA 路线的异同。要强调的是，「未公开」这一栏不是批评而是事实陈述——特斯拉在机器人上至今没有发表任何论文，这与它在自动驾驶时期尚有 AI Day 技术披露的做法不同。

    维度主流 VLA（π0.5 / Gemini Robotics / OpenVLA）Tesla Optimus| 维度 | 主流 VLA（π0.5 / Gemini Robotics / OpenVLA） | Tesla Optimus |

    
      **架构**VLM 主干 + 动作专家；π0.5 与 Gemini 1.5 都有显式的语言化子任务中间层与 FSD 共享视觉网络与 AI 芯片；**是否存在语言中间层未公开**| 架构 | VLM 主干 + 动作专家；π0.5 与 Gemini 1.5 都有显式的语言化子任务中间层 | 与 FSD 共享视觉网络与 AI 芯片；是否存在语言中间层未公开 |

      **泛化目标**跨本体（cross-embodiment）、跨环境单一本体，优先自家工厂场景| 泛化目标 | 跨本体（cross-embodiment）、跨环境 | 单一本体，优先自家工厂场景 |

      **数据**池化多机构多机器人数据（Open X-Embodiment）+ 网络数据共训自建遥操作 + 车队视觉先验 + 仿真，**不共享**| 数据 | 池化多机构多机器人数据（Open X-Embodiment）+ 网络数据共训 | 自建遥操作 + 车队视觉先验 + 仿真，不共享 |

      **开放性**论文 + 权重 + API（Gemini Robotics 是首个 API 形式发布的 VLA）完全封闭，无论文| 开放性 | 论文 + 权重 + API（Gemini Robotics 是首个 API 形式发布的 VLA） | 完全封闭，无论文 |

      **商业形态**模型即产品（API）或研究基线；硬件靠合作伙伴（Apptronik 是 Gemini Robotics 首发硬件伙伴）硬件 + 应用一体，垂直整合到芯片与产线| 商业形态 | 模型即产品（API）或研究基线；硬件靠合作伙伴（Apptronik 是 Gemini Robotics 首发硬件伙伴） | 硬件 + 应用一体，垂直整合到芯片与产线 |

      **边缘算力**受制于第三方芯片；Gemini Robotics On-Device 是主要的本地化尝试**自研 AI5**，这是特斯拉最实的一条差异| 边缘算力 | 受制于第三方芯片；Gemini Robotics On-Device 是主要的本地化尝试 | 自研 AI5，这是特斯拉最实的一条差异 |

    
  



  ● 一条对本页最重要的判断
  

整个行业的架构辩论已经结束——所有人都在训 VLA（或它的下一代变体）。特斯拉的差异化不在算法，而在三件事：**（a）AI5 芯片带来的边缘推理密度；（b）车队规模数据引擎的工程迁移；（c）**垂直制造带来的 BOM 成本。

这三条都是工程与规模优势，不是认知优势。这与自动驾驶时期的局面是结构性不同的——在 2021–2022 年，特斯拉的 BEV Transformer、占用网络、lanes-as-language 都领先学界一年以上，那是货真价实的算法领先。在机器人上，特斯拉至今没有展示过任何一项被学界确认为领先的算法贡献。这不意味着它会输——工程与规模优势在制造业里往往比算法优势更持久——但它意味着「特斯拉有 AI 领先所以机器人会赢」这个论证在 2026 年已经不成立。

6.4 顺带一提：他关于「共用基础模型」的判断已被验证

在他关于 Optimus 的所有判断里，有一条已经可以打勾：驾驶与机器人共用同一个基础模型。特斯拉的 Elluswamy 明确表述过「端到端驾驶网络不只是驾驶网络，它是机器人的基础网络」；而 Google（Gemini → Gemini Robotics）、NVIDIA（Cosmos → GR00T）、Physical Intelligence（VLM → π）走的是同一条路。这条判断从 2022 年提出到 2026 年，已成为全行业共识。

NVIDIA 把这套方法论总结成一个更完整的框架——「三台计算机」：训练计算机（云端 DGX 训模型）、仿真计算机（Omniverse 里做数字孪生测试）、部署计算机（机器人体内的 Jetson/AGX）。其负责人的判断是，靠这个循环可以把原本需要 50 年的发展周期压缩到 5 年。他同时给出了一个与本页 §5 完全一致的诊断：与自动驾驶可以依赖现有车辆收集数据不同，机器人的数量还远远不足以产生可比的数据量。（P4，中文整理稿，2025-01-20。）

值得一提的是，他还给出了一条本报告认为被低估的判断：机器人比自动驾驶更难，因为自动驾驶主要是避障与安全，无需与物理物体交互；而机器人涉及接触、碰撞与复杂物理交互，这些都更难测试和优化。这与马斯克的公开叙事顺序恰好相反——他把 Optimus 描述为 FSD 的自然延伸（「自动驾驶汽车是长了轮子的机器人，Optimus 是长了腿的机器人」），暗示难度是同级甚至更低的。

07Unit Economics · 劳动成本的算术

一台机器人每小时值多少钱：一个可复算的估算

「人形机器人会不会取代人类劳动」这个问题，最终会被一个很朴素的数字回答：**每小时多少钱，干多少活。**本节给出一个参数完全公开、可以自己重算的模型，代入 2026 年的公开区间，然后做敏感性分析——结论是主导项既不是 BOM 也不是电费。这一节也是检验马斯克「单台 Optimus 年生产率是人类 5 倍」这一断言的地方。

7.1 模型：把每小时成本拆成四项

把一台机器人当作一项资本设备来核算，其每工作小时的直接成本由四部分构成：折旧、维护、能耗、以及远程监督的人力。前两项与利用率成反比，后两项与利用率无关。

  \[
  c_h \;=\;
  \underbrace{\frac{C_{\rm cap}}{N\,U\,H_0}}_{\text{折旧}}
  \;+\;
  \underbrace{\frac{\phi\,C_{\rm cap}}{U\,H_0}}_{\text{维护}}
  \;+\;
  \underbrace{\bar P\,p_e}_{\text{能耗}}
  \;+\;
  \underbrace{\alpha\,w_h}_{\text{远程监督}}
  \]
  

(C_{\rm cap})＝整机资本成本（）；\(N\)＝服役年数；\(U\)＝利用率（0–1）；\(H_0=8{,}760\) h/年；\(\phi\)＝年维护率（占 \(C_{\rm cap}\) 的比例）；\(\bar P\)＝平均功率（kW）；\(p_e\)＝电价（/kWh）；(\alpha)＝需要远程人工介入的时间占比；(w_h)＝人工全成本时薪（$/h）。

但 (c_h) 本身不能直接和人的时薪比——因为机器人干活的速度可能与人不同。引入相对吞吐率 (\rho)（机器人完成单位工作量所需时间的倒数，相对于人），得到真正可比的「等效人工小时成本」：

  \[
  c_{\rm eff}\;=\;\frac{c_h}{\rho}
  \;=\;\frac{1}{\rho}\left[\frac{C_{\rm cap}\!\left(\tfrac1N+\phi\right)}{U\,H_0}+\bar P\,p_e+\alpha\,w_h\right]
  \]
  

(\rho)＝相对吞吐率（(\rho=1) 表示与熟练人工同速）。这一步是本节的关键：它把「速度」从一个模糊的产品指标变成了成本公式里的一个除数。

7.2 数值算例：两个情景，可独立复算

下面代入两组参数。基准情景取 2026 年的公开区间（BOM $30,000–150,000 的偏低端 + 集成成本；远程监督比例参考行业公开做法）；**目标情景**取马斯克与行业公开宣称的目标态（$20,000 售价门槛、高利用率、接近人工的速度）。

    参数基准情景（2026）目标情景取值依据| 参数 | 基准情景（2026） | 目标情景 | 取值依据 |

    
      \(C_{\rm cap}\) 资本成本$50,000$20,000当前典型 BOM 区间 $30k–150k；业界公认的大众市场门槛 <$20k；马斯克远期目标价 $20k–30k| \(C_{\rm cap}\) 资本成本 | $50,000 | $20,000 | 当前典型 BOM 区间 $30k–150k；业界公认的大众市场门槛 <$20k；马斯克远期目标价 $20k–30k |

      \(N\) 服役年数55工业设备通行折旧年限；**本身是一个乐观假设**，见下方局限| \(N\) 服役年数 | 5 | 5 | 工业设备通行折旧年限；本身是一个乐观假设，见下方局限 |

      \(U\) 利用率0.50（4,380 h/年）0.70（6,132 h/年）0.50 对应两班制含停机；0.70 对应接近 24/7 连续运行| \(U\) 利用率 | 0.50（4,380 h/年） | 0.70（6,132 h/年） | 0.50 对应两班制含停机；0.70 对应接近 24/7 连续运行 |

      \(\phi\) 年维护率0.200.10由执行器数量与可靠性推得；串联可靠性分析见 §3.4| \(\phi\) 年维护率 | 0.20 | 0.10 | 由执行器数量与可靠性推得；串联可靠性分析见 §3.4 |

      \(\bar P\) 平均功率0.25 kW0.25 kW由 2.3 kWh 电池 / 8–12 h 续航反推（0.19–0.29 kW）| \(\bar P\) 平均功率 | 0.25 kW | 0.25 kW | 由 2.3 kWh 电池 / 8–12 h 续航反推（0.19–0.29 kW） |

      \(p_e\) 电价$0.12/kWh$0.12/kWh美国工业电价量级| \(p_e\) 电价 | $0.12/kWh | $0.12/kWh | 美国工业电价量级 |

      \(\alpha\) 远程介入占比0.100.021X 公开采用 Expert Mode 人类远程兜底；Optimus 在 2024 演示中大量交互为遥操作| \(\alpha\) 远程介入占比 | 0.10 | 0.02 | 1X 公开采用 Expert Mode 人类远程兜底；Optimus 在 2024 演示中大量交互为遥操作 |

      \(w_h\) 人工时薪（全成本）$30/h$30/h美国制造业全成本工时量级（含福利与管理摊销）| \(w_h\) 人工时薪（全成本） | $30/h | $30/h | 美国制造业全成本工时量级（含福利与管理摊销） |

      \(\rho\) 相对吞吐率0.300.800.30 参考 Figure Helix 02 分拣约 3 秒/件与熟练人工的量级差；**这是全模型最不确定的参数**| \(\rho\) 相对吞吐率 | 0.30 | 0.80 | 0.30 参考 Figure Helix 02 分拣约 3 秒/件与熟练人工的量级差；这是全模型最不确定的参数 |

    
  



  \[
  \begin{aligned}
  \textbf{基准：}\quad c_h &= \frac{50{,}000}{5\times 4{,}380}+\frac{0.20\times 50{,}000}{4{,}380}+0.25\times 0.12+0.10\times 30\\[2pt]
  &= 2.28+2.28+0.03+3.00 \;=\; \mathbf{7.59\ \$/h},\qquad
  c_{\rm eff}=\frac{7.59}{0.30}=\mathbf{25.3\ \$/h_{eq}}\\[10pt]
  \textbf{目标：}\quad c_h &= \frac{20{,}000}{5\times 6{,}132}+\frac{0.10\times 20{,}000}{6{,}132}+0.03+0.02\times 30\\[2pt]
  &= 0.65+0.33+0.03+0.60 \;=\; \mathbf{1.61\ \$/h},\qquad
  c_{\rm eff}=\frac{1.61}{0.80}=\mathbf{2.01\ \$/h_{eq}}
  \end{aligned}
  \]
  

对照：美国制造业全成本工时约 $30–45/h。基准情景下机器人勉强进入价格区间但没有决定性优势；目标情景下便宜约 15–22 倍，确实是变革性的。两个情景相差 12.6 倍，而九个参数中有八个只变了 2–3 倍。

7.3 敏感性：谁在主导结果

把 (c_{\rm eff}) 对每个参数取对数弹性 (E_x=\partial\ln c_{\rm eff}/\partial\ln x)，在基准情景处求值，可以得到一个非常清楚的排序。弹性的含义是：该参数改善 10%，等效成本下降百分之几。

  **图 3 · 每小时成本瀑布与敏感性龙卷风：**左侧为基准情景下 \(c_h\) 的四项构成（比例尺 6.4 px = $1/h，能耗项实值 $0.03 仅 0.2 px，图中放大到 1 px 才可见），除以相对吞吐率 \(\rho=0.30\) 后得到等效人工小时成本 $25.3，与美国制造业全成本工时 $30–45 的对照带并排。右侧为九个参数在基准点处的对数弹性绝对值。**三条可直接读出的结论：**① 能耗弹性 0.004，「机器人费电」在这个量级上完全不是问题；② 折旧与维护合计弹性 0.60，BOM 重要但不主导；③ **相对吞吐率 \(\rho\) 弹性恒为 1，是唯一不被其他项稀释的杠杆**，而它恰恰是九个参数里公开数据最少、厂商最少披露的一个。参数取值依据见上表，全部可独立复算。（本报告原创 SVG · 数量级估算非工程报价）



  ▲ 假设清单与未计项（请务必读完再引用上面的数字）
  

**逐条假设：**① 五年服役且残值为零——这是一个乐观假设，按 §3.4 的串联可靠性分析，五年 30,660 小时的寿命需要单执行器 MTBF 达到 (10^5) 小时量级；本模型用 (\phi) 把这部分风险折进了维护率，但如果实际是「三年报废」，折旧项会上升 67%。② 远程监督按人工时薪线性计价，忽略了「一个监督员可同时看管多台机器人」带来的规模效应——若一人看 5 台，(\alpha) 的有效值会除以 5，基准 (c_{\rm eff}) 降到约 $17/h。**这是本模型最可能低估机器人经济性的一处。**③ (\rho=0.30) 是从单一公开演示（Figure Helix 02 约 3 秒/件的分拣）外推的量级值，不同任务差异可以很大。

**未计项：**集成与部署成本（现场改造、安全围栏、系统对接）、软件订阅或授权费、保险与合规、培训与运维人员的固定成本、故障停机造成的产线损失（而不只是维修费本身）、以及资金成本（本模型用直线折旧，未做贴现）。这些项在真实采购决策里可以轻易占到总拥有成本的三分之一。

这个模型能证明什么、不能证明什么：它能说明成本结构里哪些参数有杠杆、哪些没有——这个排序对参数取值不敏感，即使把 (C_{\rm cap}) 换成 $150,000，(\rho) 的弹性仍然是 1。它不能用来预测任何具体产品的实际成本，也不能用来判断 Optimus 会不会成功。它是一把尺子，不是一个结论。

7.4 用这把尺子检验「单台 Optimus 年生产率是人类 5 倍」

2025 年第三季度财报会上，他给出了一个具体数字：单台 Optimus 因可以 24/7 运转，年生产率是人类的 5 倍。这个数字的依据是纯粹的工时算术——24 小时除以 8 小时等于 3 倍，再扣掉人的休假与节假日，得到 4–5 倍。**它假设了 (\rho=1)（与人同速）、(U\approx 1)（几乎不停机）、(\alpha=0)（不需要人盯着）。**把这三个假设显式化，年产出比就变成：

  \[
  \frac{\text{Output}_{\rm robot}}{\text{Output}_{\rm human}}
  \;=\;\frac{U\cdot H_0\cdot \rho}{H_{\rm human}},
  \qquad H_{\rm human}\approx 2{,}000\ \mathrm{h/yr}
  \]
  \[
  \begin{aligned}
  \text{基准（}U{=}0.5,\ \rho{=}0.3\text{）：}&\quad \frac{0.5\times 8760\times 0.3}{2000}=\mathbf{0.66}\ \text{——不到一个人}\\
  \text{目标（}U{=}0.7,\ \rho{=}0.8\text{）：}&\quad \frac{0.7\times 8760\times 0.8}{2000}=\mathbf{2.45}\\
  \text{他的隐含假设（}U{=}0.9,\ \rho{=}1.0\text{）：}&\quad \frac{0.9\times 8760\times 1.0}{2000}=\mathbf{3.94}\approx 4\times
  \end{aligned}
  \]
  

「5 倍」需要 (U) 与 (\rho) 同时接近上限。它不是一个错误的算术，它是一个把两个未验证的假设写进结论的算术。

这个分解给出了一条清晰的可证伪路径：**「5 倍生产率」这个断言，等价于「Optimus 能以人类速度连续工作且几乎不需要人介入」这个断言。**后者是可以被独立观测的——只要有任何一家第三方能公布一台机器人在真实任务上的连续工作时长与单件耗时，这条预测就能被裁决。截至资料冻结日，这样的第三方数据不存在。裁决口径已登记在 ⑫ 预测记分卡。

  业界不同看法 · 反方证据
  

本报告在本节的主张：单位劳动成本里 BOM 不是主导项（资本成本的对数弹性只有 0.60），主导的是相对吞吐率 (\rho)（弹性恒为 1）与远程监督占比 (\alpha)；结论是「把机器人做便宜，远不如把它做快、做到不需要人盯着」。

高盛研究部（《Humanoid robot: The AI accelerant》，2024-01-08 出报告、2024-02-27 公开摘要，分析师 Jacqueline Du）把整机成本当作采用曲线的主控变量，并给出了可核验的斜率：高配整机制造成本在一年内从约 $25 万**降到约 **$15 万、低配从 $5 万降到$3 万，降幅 40%，而他们此前的预期只有每年 15–20%。仅凭这一条，他们把 2035 年 TAM 从 $60 亿上调六倍到 **$380 亿**、出货量上调四倍到 140 万台，并把工厂应用时点提前一年、消费应用提前二到四年。高盛研究 ^[15]

美国银行全球研究部（2025-03 估算，收录于 BofA Institute《Physical AI, part 2: Humanoid robots》）给出同一逻辑的另一组数字：以中国供应链为主的整机 BOM 在 2025 年底约 $3.5 万**，到 2030 年降至 **$1.7 万以下（约合每年 14% 的降幅），并把 2030 年的年出货量放在 100–120 万台、2035 年放在 1,000 万台。它们同样把「价格跨过门槛」作为采用的触发条件，而不是把吞吐率作为触发条件。BofA 报告 ^[16]

悬而未决双方衡量的不是同一件事，而两边都缺决定性证据。本报告的弹性是某一时点上的杠杆（该参数改善 10% 换来多少），投行给的是随时间的变化率（这个参数每年自己就降 14–40%）——一个年降 40% 的参数，即使弹性只有 0.60，在时间维度上的累计贡献也可能盖过一个几乎不动的 (\rho)。两种口径都自洽，靠推理分不出胜负。能判定的证据是明确的：任何厂商或第三方公布一台机器人在同一真实任务上的单件耗时（对应 (\rho)）与人工接管率（对应 (\alpha)）的时间序列，哪怕只有两个季度——若 (\rho) 与 (\alpha) 的年改善率明显低于 BOM 的年降幅，则投行口径胜出；反之则本报告的排序胜出。截至资料冻结日不存在这样的数据。另需记下反方自身的一处弱点：高盛 2030 年基准是 25 万台以上，美银是 100–120 万台，同一年份差了四到五倍，这说明这一侧的预测本身也不具备判别力。

  我的看法 · 作者（AI）个人观点
  

做完这个算术之后，我认为整个「人形机器人经济性」的公共讨论都聚焦错了地方。绝大多数报道盯着的是售价——两万美元、三万美元、什么时候降到一万。但售价在弹性排序里只排第二，而且它的弹性只有 0.60，意味着把 BOM 砍掉一半，等效成本只降 30%。

真正决定成败的是 (\rho) 和 (\alpha)：机器人干活有多快，以及需要多少人盯着。这两个参数有一个共同点——它们都是软件问题，不是硬件问题。而这恰好把结论绕回到本页 §5：(\rho) 和 (\alpha) 的改善需要更好的策略模型，更好的策略模型需要数据，而数据正是这条路线上最缺的东西。所以「单位劳动成本」这条经济学问题，最终会归约成一个数据问题。

还有一件事值得说：能耗项的弹性是 0.004。这意味着在关于人形机器人的讨论里，「机器人会不会耗掉大量电力」这个常见担忧，在单位劳动成本这个尺度上完全不成立——一台机器人平均 0.25 kW，还不如一台台式机。真正的能源问题在制造侧（几十亿台机器人的电池与材料），不在使用侧。这与 ⑧ 能源 讨论的数据中心电力是完全不同性质的问题，不应混为一谈。

08Reality Check · 2026 年的真实状态

现实检查：谁在演示，谁在试点，谁在赚钱

这一节严格按 计划 / 传闻 / 预告 / 演示 / 有限试点 / 规模化部署 六种状态分开写。所有数字标注信源级别；凡特斯拉未公布官方口径的，一律写作区间并注明这是第三方估计。

8.1 Optimus 的六状态定位

    状态Optimus 在这一栏里有什么（截至 2026-07-25）证据级别| 状态 | Optimus 在这一栏里有什么（截至 2026-07-25） | 证据级别 |

    
      **计划**弗里蒙特百万台/年产线；得州千万级；「Optimus 4 千万级、Optimus 5 目标 5,000 万–1 亿台」；此后「每年发布一款新的机器人设计」P4 整理稿| 计划 | 弗里蒙特百万台/年产线；得州千万级；「Optimus 4 千万级、Optimus 5 目标 5,000 万–1 亿台」；此后「每年发布一款新的机器人设计」 | P4 整理稿 |

      **传闻**部署量「300 台」「1,000+ 台」等互相矛盾的第三方估计；2025 年产量「约 150 台」与「数百台」两种说法P4 无官方口径| 传闻 | 部署量「300 台」「1,000+ 台」等互相矛盾的第三方估计；2025 年产量「约 150 台」与「数百台」两种说法 | P4 无官方口径 |

      **预告**Q2 2026 股东信：量产「预计今年晚些时候」；2026-03 表述「V3 今年夏天开始生产，2027 年某个时候大规模量产」。**同期材料中删除了「mass production」措辞**P2 官方文件| 预告 | Q2 2026 股东信：量产「预计今年晚些时候」；2026-03 表述「V3 今年夏天开始生产，2027 年某个时候大规模量产」。同期材料中删除了「mass production」措辞 | P2 官方文件 |

      **演示**2024-10 We, Robot 的数十台互动（**大量交互经确认为遥操作**）；2025-11 股东大会 V2.5 登台跳舞P3 调查报道| 演示 | 2024-10 We, Robot 的数十台互动（大量交互经确认为遥操作）；2025-11 股东大会 V2.5 登台跳舞 | P3 调查报道 |

      **有限试点**自家工厂内部署，用于**学习与数据采集**。马斯克 2026-01 亲口承认「没有机器人在做有用的工作」P3 本人表述| 有限试点 | 自家工厂内部署，用于学习与数据采集。马斯克 2026-01 亲口承认「没有机器人在做有用的工作」 | P3 本人表述 |

      **规模化部署****无。**无第三方部署，无购买渠道，无对外销售，Q2 2026 交付报告中无 Optimus 数字P2 官方财报| 规模化部署 | 无。无第三方部署，无购买渠道，无对外销售，Q2 2026 交付报告中无 Optimus 数字 | P2 官方财报 |

    
  



  **图 4 · 承诺与实际的产量滑坡（对数坐标）：**红线为公开承诺（2025 年目标在不同表述里为 5,000 或 10,000 台，图中取 10,000；2026 年目标 5–10 万台取中值；2027 年「再翻十倍」）；绿线为可核验的第三方估计（2025 年约 150 台；2026 年 7 月累计部署 300–1,200 台，误差棒表示这一区间）。**纵向差距约两个数量级，这与自动驾驶上「2020 年 100 万辆 Robotaxi vs 2026 年约 21 辆无监督车」的滑坡形状高度相似**（见 ⑤）。数字来源：C 卷 §四演进时间线与「存疑与冲突」第 4 条、G 卷 §8 第 11 行、Tesla Q2 2026 股东信。**特斯拉从未公布过官方 Optimus 产量或部署数，图中绿线全部为第三方估计。**（本报告原创 SVG · 示意非实测）

8.2 同行对照：2026 年真正在发生什么

把 Optimus 放进行业里看，会得到一个比「特斯拉落后了」更有意思的结论。**全行业都还没有走出「演示」这一步，差别只在诚实程度与商业化姿态。**2025 年全球人形机器人总出货 14,668 台，中国厂商占 80% 以上。

    平台商业化层级（2026-07）关键数字与事实| 平台 | 商业化层级（2026-07） | 关键数字与事实 |

    
      **Tesla Optimus****仅内部研发** + 有限试点估计 300–1,200 台全部内部；马斯克 2026-01 承认零台在做有用工作；约 10,000 个独特零件、无现成供应链；远期目标价 $20k–30k| Tesla Optimus | 仅内部研发 + 有限试点 | 估计 300–1,200 台全部内部；马斯克 2026-01 承认零台在做有用工作；约 10,000 个独特零件、无现成供应链；远期目标价 $20k–30k |

      **Figure 03**企业级付费部署截至 2026-04 已产 **350+ 台**；BotQ 产线从「每天 1 台」爬坡到「每小时 1 台」；电池良率 99.3%；Helix 02 用神经网络替换约 **109,000 行手写 C++** 运动控制代码，完成 8 小时自主分拣班次（约 3 秒/件）；估值 $390 亿| Figure 03 | 企业级付费部署 | 截至 2026-04 已产 350+ 台；BotQ 产线从「每天 1 台」爬坡到「每小时 1 台」；电池良率 99.3%；Helix 02 用神经网络替换约 109,000 行手写 C++ 运动控制代码，完成 8 小时自主分拣班次（约 3 秒/件）；估值 $390 亿 |

      **1X NEO****唯一面向消费者可下单**$20,000 买断或 $499/月订阅；168 cm / 30 kg；2026 年底美国交付；**明确披露复杂任务可能涉及远程专家监督（Expert Mode）**| 1X NEO | 唯一面向消费者可下单 | $20,000 买断或 $499/月订阅；168 cm / 30 kg；2026 年底美国交付；明确披露复杂任务可能涉及远程专家监督（Expert Mode） |

      **Agility Digit****唯一有实质营收**约 $250k/台；以 RaaS 形式部署于 Amazon、GXO、丰田工厂；**任务面窄但真实创造价值**| Agility Digit | 唯一有实质营收 | 约 $250k/台；以 RaaS 形式部署于 Amazon、GXO、丰田工厂；任务面窄但真实创造价值 |

      **宇树 Unitree**研究 / 开发者硬件2025 年交付 **5,500+ 台**（下线 6,000+），全球第一、市占 32.4%；G1 约 **$16,000**（价格地板），累计下线 11,000 台；2025 毛利率近 60%，首家全年盈利的整机企业；2026-03 科创板 IPO 受理| 宇树 Unitree | 研究 / 开发者硬件 | 2025 年交付 5,500+ 台（下线 6,000+），全球第一、市占 32.4%；G1 约 $16,000（价格地板），累计下线 11,000 台；2025 毛利率近 60%，首家全年盈利的整机企业；2026-03 科创板 IPO 受理 |

      **智元 AgiBot**工厂批量进驻2025 年 **5,168 台**；2026-03 底第 10,000 台下线；远征 A2-W 进驻富临精工、龙旗、均胜工厂| 智元 AgiBot | 工厂批量进驻 | 2025 年 5,168 台；2026-03 底第 10,000 台下线；远征 A2-W 进驻富临精工、龙旗、均胜工厂 |

      **优必选 UBTech**企业级试点交付 500+ 台；Walker S2 具 52 自由度、单手 15 自由度、可自主换电 24/7；部署仍限于物流搬运与巡检| 优必选 UBTech | 企业级试点 | 交付 500+ 台；Walker S2 具 52 自由度、单手 15 自由度、可自主换电 24/7；部署仍限于物流搬运与巡检 |

      **Boston Dynamics Atlas**研究阶段电动 Atlas + TRI 的 450M 参数 Diffusion Transformer，控制 50 个自由度；**工程可信度最高，商业化待定**| Boston Dynamics Atlas | 研究阶段 | 电动 Atlas + TRI 的 450M 参数 Diffusion Transformer，控制 50 个自由度；工程可信度最高，商业化待定 |

    
  



  ⚑ 最值得记住的一条祛魅数据
  

宇树 IPO 招股书披露的人形机器人收入结构：科研教育 74%、商业消费（零售与景点展示招揽）17%、工业应用仅 9%——而这 9% 中过半又是企业接待导览，真正用于巡检等生产性场景的仅占出货量的 3–4%。

换言之：**2026 年中期，全球出货量最大的人形机器人厂商，其产品 96% 以上不在做生产性劳动。**这条数字比任何一家公司的演示视频都更能说明这个行业所处的真实阶段。它同时也给上一节的成本模型提供了一个现实注脚——如果 96% 的机器人在做展示而不是干活，那么讨论「每小时成本」本身还为时尚早，因为分母（产出）还不存在。

再补一条时间维度的标尺：**2026 年年中长时程自主的公开上限，是 4 分钟。**Figure Helix 02 在全尺寸厨房里完成的 4 分钟连续装卸洗碗机（全自主、非遥操），被 Figure 自己称为「迄今演示过的最复杂自主操作序列」。把这个数字与「机器人将替代人类劳动」的叙事并排，能非常直观地看到当前所处的位置——一个班次是 8 小时，一次自主操作序列是 4 分钟，中间差着 120 倍。

8.3 中国侧的独立视角：三条与美国叙事不同的判断

中文行业语料提供了一些在英文报道里较少出现的角度，值得单列。以下均为公众号整理稿或署名评论，属 P4，仅作对照线索。

  🔌

芯片被整个行业低估了

宇树王兴兴：「包括很多机器人厂商或者芯片厂商，都有点点忽视芯片对于机器人的重要程度。」他给出的具体约束是：机器人本体空间有限、电池与散热受限，未来端侧算力峰值功耗最好控制在 100 W 以内，平均 20–30 W，相当于几部手机。这恰好从反面印证了特斯拉自研 AI5 的战略价值。 🔗

线缆是最常见的故障源

同一场对话里他给了一个很少被提及的可靠性数字：**工业机器人最常见的故障是线缆问题，可能占到 60–70%。**他理想中的终极形态是「每个手臂上只有一根线缆」。这条与本页 §3.4 的串联可靠性分析指向同一处——人形机器人的可靠性瓶颈可能不在算法也不在执行器本体，而在连接。 🤝

模型还不能用，不如开源

「反正大家做出来的模型都没法部署用，不如开放一点。」宇树把基于视频生成的世界模型连同数据集、训练与部署源码一并开源，类比 OpenAI 早期开源 GPT-1/2 的逻辑。这与特斯拉「完全封闭、无论文」形成了最直接的路线对照——在数据稀缺的阶段，开放生态的池化收益（见 §5 的 RT-1-X 证据）可能大于封闭的先发收益。

  ◆ 中文语料 · 据整理 · 非逐字
  

「当机器人能在未见过的环境中，凭自然语言指令完成任务时，就是机器人的 ChatGPT 时刻。」他把路径拆成四阶段：固定动作演示（已实现）→ 实时生成任意动作 → 在陌生场景执行任务 → 高成功率与精细操作（目标接近 99.9%，能完成拆装手机等细致任务，「需要再数年」）。

王兴兴（宇树科技）· 2025 骁龙峰会·中国 · 转录自 量子位报道 ^[17]（2025-09-26）· P4

这个四阶段划分值得与马斯克的时间表并置。王兴兴给「陌生场景执行任务」的时点是「明年底左右」（即 2026 年底），给「高成功率与精细操作」的时点是「再数年」；而马斯克在 2026 年初给出的对应判断是——三年内 Optimus 的手术水平将超过最好的外科医生，且届时能做顶级手术的 Optimus 数量将超过地球上所有外科医生的总和（P4，中文整理稿）。**两位都在造机器人，对同一条技术曲线的时点判断相差一个量级。**这个差距本身就是本报告认为最值得记录的一条信息。

09Verdict · 这条线上的预测记录

判定：四条判断，一条已证实，两条未决，一组已证伪

本节只做汇总与形状呈现。每一条的判定规则、期限定义、证据链与逐条裁决理由都在 ⑫ 预测记分卡，本页不重复判定，也不在这里做人格解释——那属于 ⑭。

    判断提出2026 年的证据判定| 判断 | 提出 | 2026 年的证据 | 判定 |

    
      **驾驶与机器人共用同一个基础模型**2022Google（Gemini → Gemini Robotics）、NVIDIA（Cosmos → GR00T）、Physical Intelligence（VLM → π）走同一路线；特斯拉的 Elluswamy 明确表述端到端驾驶网络就是机器人的基础网络已证实| 驾驶与机器人共用同一个基础模型 | 2022 | Google（Gemini → Gemini Robotics）、NVIDIA（Cosmos → GR00T）、Physical Intelligence（VLM → π）走同一路线；特斯拉的 Elluswamy 明确表述端到端驾驶网络就是机器人的基础网络 | 已证实 |

      **通用机器人是比汽车更大的市场**2021市场尚未形成；2025 年全球人形出货 14,668 台，其中生产性用途占比极低未决| 通用机器人是比汽车更大的市场 | 2021 | 市场尚未形成；2025 年全球人形出货 14,668 台，其中生产性用途占比极低 | 未决 |

      **人形是通用机器人的正确形态**2021行业主流认同「世界为人类建造」；但 Brooks 给出三条系统性反驳，学界中立立场认为最终形态取决于任务、成功的设计会越来越不像人未决（存在严肃学界反对）| 人形是通用机器人的正确形态 | 2021 | 行业主流认同「世界为人类建造」；但 Brooks 给出三条系统性反驳，学界中立立场认为最终形态取决于任务、成功的设计会越来越不像人 | 未决（存在严肃学界反对） |

      **Optimus 的瓶颈是制造，不是 AI**2023–2025他 2026-07 自己改口称 Optimus 是「特斯拉有史以来最难规模化的产品」；但 2026-01 同时承认零台在做有用工作——**后者是 AI 侧问题**部分证实，且已被本人下调| Optimus 的瓶颈是制造，不是 AI | 2023–2025 | 他 2026-07 自己改口称 Optimus 是「特斯拉有史以来最难规模化的产品」；但 2026-01 同时承认零台在做有用工作——后者是 AI 侧问题 | 部分证实，且已被本人下调 |

      **特斯拉的车队数据优势可复制到机器人**2022 起三个前提条件（设备同构 / 标签免费 / 低维动作）全部失效；无等价的百万级采集车队；可迁移的是工程基础设施而非数据倾向已证伪（结构性缺失）| 特斯拉的车队数据优势可复制到机器人 | 2022 起 | 三个前提条件（设备同构 / 标签免费 / 低维动作）全部失效；无等价的百万级采集车队；可迁移的是工程基础设施而非数据 | 倾向已证伪（结构性缺失） |

      **2025 年造 1 万台，2026 年 5–10 万台**2025-012025 实际约 150 台；2026-07-22 产线刚安装完，量产「预计今年晚些时候」，无产量承诺，Q2 交付报告无 Optimus 数字已证伪| 2025 年造 1 万台，2026 年 5–10 万台 | 2025-01 | 2025 实际约 150 台；2026-07-22 产线刚安装完，量产「预计今年晚些时候」，无产量承诺，Q2 交付报告无 Optimus 数字 | 已证伪 |

      **「三五年后人们可以订购擎天柱」**2022-10到 2026-07 仍无购买渠道、无对外销售；按此承诺的时间窗上限为 2027 年已严重滞后| 「三五年后人们可以订购擎天柱」 | 2022-10 | 到 2026-07 仍无购买渠道、无对外销售；按此承诺的时间窗上限为 2027 年 | 已严重滞后 |

    
  



  ● 这张表的形状与自动驾驶那张几乎一样
  

把这七行与 ⑤ 自动驾驶 的记分卡并排，会看到一个高度重复的形状：**方向性判断（端到端、共用基础模型、纯视觉的算法可行性）大多命中；具体时间表与产量承诺大多落空；而落空的幅度稳定在一到两个数量级。**2019 年说 2020 年有 100 万辆 Robotaxi，2026 年实际约 21 辆无监督车；2025 年说当年造 1 万台 Optimus，实际约 150 台。

这个重复出现的形状提示：时间表的偏差不是随机误差，而是这套方法的一个系统性特征。他把公开承诺一个几乎不可能的期限当作管理工具使用（见 ② 紧迫感是可制造的资源），这在组织内部有效，代价是信誉债务在外部累积。对读者而言，可操作的推论是：把他的方向性判断当作值得认真对待的信号，把他的时间表默认乘以 3 到 10。

  我的看法 · 作者（AI）个人观点
  

把这一整页写完之后，我的判断是：Optimus 这条线上真正的风险，不是他会失败，而是这场讨论的坐标系被设错了。

公共讨论的焦点几乎全在两件事上——什么时候能买到、要卖多少钱。而这一页的三条分析都指向同一个更靠里的东西：§5 说数据的多样性比数量更决定泛化；§6 说算法辩论已经结束、剩下的是工程与规模；§7 说成本结构里主导的是吞吐率与人工介入比例，而这两者又都归约成数据问题。**把这三条串起来，「Optimus 会不会成功」这个问题的真正形式是：特斯拉能不能找到一条把「环境多样性」而不是「轨迹数量」做上去的采集路径。**从这个标准看，「先在自家工厂部署千台采集数据」恰恰是多样性维度上最不利的选择——工厂是全世界最标准化的环境之一。

我也想公平地说另一面。这个行业里没有一家公司找到了那条路径，包括那些论文写得最好的。Agility 有营收但任务面极窄；Figure 的产线爬坡很快但长时程自主上限是 4 分钟；1X 敢卖给消费者但公开承认要人远程兜底；宇树出货全球第一但 96% 的机器人不在干活。在这样一个所有人都还没走出演示阶段的行业里，「特斯拉落后了」和「特斯拉领先了」都不是有信息量的判断。

如果一定要给一个可以被后来的事实检验的判断，我会给这一条：*决定 Optimus 命运的不会是 Gen 4 的手有多少自由度，而是特斯拉会不会在某个时点放弃「封闭且只在自家场景采集」的姿态——去卖机器人、去进别人的场景、去和别人换数据。*因为按本页 §5 的分析，那是唯一能把环境多样性做上去的办法，而它与垂直整合的本能是冲突的。这个冲突怎么解决，比任何一次发布会都更值得关注。

  资本设备只是被蒸馏过的劳动——那么，经济到底有没有真正的上限？也许没有。
  — Elon Musk，2021-08-19 Tesla AI Day（本报告译文，P4 整理稿）
  这是 Optimus 全部论证的第一块砖。它是一次干净的第一性原理式重述，也是一次**没有做物料平衡表**的重述。五年之后，被蒸馏的还是人力——只不过换成了遥操作员。

**本页信源：**主素材为本报告调研档案 research/C-特斯拉技术路线.md §四（Optimus 演进时间线、We Robot 遥操作争议、Gen 3 规格、马斯克关键论断逐字、与 FSD 共享栈、2026 年人形与 VLA 版图）、「关键技术数字速查」与「存疑与冲突」，以及 research/G-行业前沿对照.md §2（VLA 主线、数据鸿沟定量、竞品出货、技术瓶颈、人形形态之争）与 §9（arXiv 图直链清单）。中文行业语料取自 research/E2-私域语料精读.md 与 research/wechat/：甲子光年《对话八位具身智能大咖》（2025-11-21，链接 ^[3]）、甲子光年《别着急宣布 VLA 已死》（2026-05-09，链接 ^[14]）、机器之心《世界动作模型 WAM 综述》（2026-05-22，链接 ^[18]）、机器之心《Jim Fan 具身 Scaling Law》（2025-05-10，链接 ^[19]）、量子位《宇树王兴兴》（2025-09-26，链接 ^[17]）、极市平台《具身触觉综述》（2026-04-08，链接 ^[20]）、量子位《英伟达三台计算机》（2025-01-20，链接 ^[21]）。关键一手与权威线索：Rodney Brooks《Why Today’s Humanoids Won’t Learn Dexterity》（rodneybrooks.com ^[22]）、Tesla Q2 2026 财报电话会逐字稿（AlphaStreet ^[23]）、Bloomberg 经 LA Times 转载的遥操作报道（latimes.com ^[24]）、The Verge 2021 首发与 2024 遥操作报道、CNBC「80% 价值」报道、Business Insider「消除贫困」报道、Open X-Embodiment（arXiv:2310.08864 ^[25]）、OpenVLA（arXiv:2406.09246 ^[26]）、π0（arXiv:2410.24164 ^[27]）、π0.5（arXiv:2504.16054 ^[12]）、WAM 综述（arXiv:2605.12090 ^[13]）、McKinsey 人形机器人供应链拆解、Morgan Stanley 生态分析、technology.org 2026-07-18 部署盘点。

存疑与 hedge：① 2026 年 Optimus 产量与部署数无官方口径——公开估计从「约 300 台」到「1,000+ 台」不等，2025 年产量从「约 150 台」到「数百台」不等，特斯拉从未发布官方数字；本页一律标注区间与信源级别，并按「计划 / 传闻 / 预告 / 演示 / 有限试点 / 规模化部署」六种状态分开表述。特别提醒：Optimus 3（Gen 3）截至 2026-07-25 没有举行过发布会——原定 Q1 揭幕、3 月 31 日推迟、Q1 财报会改口「推迟到接近量产」，任何「Optimus 3 发布会」的说法都不成立。② Gen 3 运动性能数字互相矛盾——官方微博给 1.2 m/s，多家媒体引「5 mph 目标」甚至「8 mph 测试」；载荷有 20 kg 与 68 kg 硬拉两说。本页只采用官方微博的 57 kg / 1.2 m/s / 37 关节 / 每手 22 DoF 四项，其余标注存疑。③ 执行器 MTBF 数字为聚合来源、低置信度，本页只用于说明串联可靠性的结构性问题，不作为对任何具体产品的评价。④ 「50 个执行器」「Fabergé」「This bot got hands」等表述原载体为 X 帖，本报告未独立定位永久链接，转引自专利报道与整理稿，一律标 P4。⑤ 财报电话会引语：能定位到逐字稿的标 P2 并给链接，只能定位到季度的仅注到月并标 P4。⑥ Jim Fan「为 VLA 默哀」的会议日期在中文语料内部不一致（一处记 2026-04-20，另一处记「2026 年 5 月」），本页采用前者并在此标明冲突。⑦ 流传的「机器人数据比语言数据少 5–7 个数量级」无可复算依据，本报告不采用该区间：可复算的交叉估计落在 (10^4) 量级（约 1.25×10⁴ 倍，token 对 timestep），全站统一表述为「(10^4) 量级，视计数口径可推至 (10^5)–(10^6)」；且计数约定本身就能改变结论两到三个数量级（token 对 timestep vs 轨迹对文档），因此任何单一数字只能当量级陈述，见 §5.1。⑧ AI5 的算力与内存数字无一手来源，属厂商宣称与媒体汇总，未经独立验证。⑨ BOM 拆分与单位成本模型是本报告的数量级估算，参数取自公开区间，非任何厂商的实际成本，假设清单与失效条件已逐条列出。⑩ 中文公众号整理稿一律标 P4「据整理 · 非逐字」；其中英文原话为公众号转录，措辞可能有微小出入。⑪ 本页设五处辩证块（§1 增长命题、§2 形态之争、§3 触觉、§5 数据、§7 单位成本），逐节列出具名可追溯的反方证据与本报告的处置，处置分布为「采纳 1 / 部分采纳 3 / 悬而未决 1」。其中一处导致正文事实修订：原表述「今天没有任何实验室造出这个密度的触觉」不成立——Meta FAIR 与 GelSight 的 Digit 360（2024-10-31 发布，arXiv:2411.02479 ^[7]）单枚指尖含约 830 万个触觉单元、可分辨 7 μm 特征，已在 TL;DR 第 4 条与图 1 中改为「单指尖原型已超过人类密度，整手集成与可制造性仍无方案」。另有三处补入限定而非改数字：§1 约束清单增列「约束四 · 结构瓶颈」、§2.3 收尾补「形态独立决定能耗与安全边界」、§5.2 补「仿真在接触任务上是价目表而非死路」。

图片来源：照片三张取自 Wikimedia Commons——Optimus Tesla（作者 Benjamin Ceci，Public domain）、Optimus bot at Tesla showroom - 20251118 - 01/02（作者 Sikander，CC BY-SA 4.0，需以相同方式共享）。论文图四张取自 arXiv 官方渲染版：OpenVLA 架构图（arXiv:2406.09246，Fig. 1）、π0 框架总览（arXiv:2410.24164，Fig. 3）、π0.5 环境数量 scaling 曲线（arXiv:2504.16054，Fig. 8）、RT-1-X 跨本体迁移收益（arXiv:2310.08864，Fig. 2），均已下载至本地 assets/img/papers/，未热链第三方资源。本页五张图表（人形自由度与难度热度图、数据数量级阶梯与三路径三角、承诺与实际产量滑坡图、每小时成本瀑布与敏感性龙卷风图、Optimus 与主流 VLA 路线坐标）均为本报告原创 SVG · 示意非实测，所依据的数字逐张写在 figcaption 中。

**引用规范：**正文引语只取一到两句短片段并标注日期、场合、可信度与可点击出处，主体为本报告的转述与分析；不整段转载受版权保护的文章正文。中文行业语料用于建立对照与提供非英语世界的独立视角，其中译与整理稿属 P4，已逐处标注，不为原文添加原本没有的确定性。

← 返回总览 · 上一页：⑤ 自动驾驶 · 下一页：⑦ SpaceX 与火星

生成模型：Opus 5 · 独立评审：gpt-5.6-sol-max · 资料冻结：2026-07-25