物理AI不是人型机器人 !

本文章来自美刀哥会员直播精华

更多观点预约关注刀哥直播间

每周五准时直播

👇

物理AI一定不是人型机器人！我一直是这么认为的，市场现在过分乐观，觉得机器人明年就能进厂打工。

巴克莱重磅研报，他们说，再等十年都不够。不是悲观，而是给出了实打实依旧。

前阵子波士顿机器人峰会，展台上人形机器人在跳舞、翻跟头、抓杯子。但巴克莱认为：别激动，离真正赚钱还早。

物理AI的“GPT时刻”还没来。机器人能演示，不等于能商业化。人形机器人面对着4座大山，目前一座都没翻过去。

先说一个被忽略的事实：先落地的不是“通用人形”，是“窄任务机器人”。通用人形机器人还很远。但仓库、焊接、物流，这些受控场景的机器人，已经在赚钱了。这些场景目标清晰、路径固定、意外可控。机器人不需要“理解整个世界”，只需要完成有限任务。不是机器人不行，是“通用”这个词太贵了。

首先是安全。

传统工业机器人被关在笼子里。人形机器人要走进人类活动区域。问题从“能不能完成动作”变成了“出错了谁负责”。

AI有望把可靠性从85%提升到95%。但对很多工业场景来说，95%远不够。机器人在工厂里如果频繁停机，损失的不只是设备效率，还有产线稳定性和员工信任。

更麻烦的是网络安全。人形机器人是联网的软件定义系统。一旦被非法访问、模型被篡改，问题就不只是IT事故，而是物理世界的运营风险。

第二个是硬件。

软件可以快速迭代，硬件不行。电机、执行器、传感器、手部结构、电池系统，都要经过设计、制造、装配的漫长周期。

手部尤其难。单手22个自由度，成本2000美元。一台人形机器人需要60个执行器。感知堆栈成本2万美元。

没有足够安全可靠的产品，就难以大规模建产能；没有规模化制造，又难以降成本。这是典型的鸡生蛋问题。电池也是硬伤。电量不够支撑连续工作，企业就要增加备用机器人，成本继续往上堆。

第三则是机器人没有自己的“GPT时刻”。

大语言模型有GPT-3、有Transformer架构。机器人领域还没有一个能让机器在多环境、多任务中稳定感知、计划、行动的通用架构。

这就是莫拉维克悖论：逻辑推理、下棋这类人类觉得难的任务，算法可以做得很好；而人类儿童轻松完成的抓杯子、保持平衡，机器人却难如登天。

行业在尝试几条路：快慢系统、强化学习、VLA模型。但物理世界比文本世界麻烦得多。模型不仅要懂，还要在低延迟、低功耗、可控风险下动起来。

最后是算力。

算力需求分三层。仿真算力：训练人形机器人需要大规模物理仿真，消耗AI数据中心资源。模型训练：VLA模型参数规模可达100到200亿级别，GPU消耗极高。边缘算力：机器人不能把所有决策都丢给云端，保持平衡、避障需要几十毫秒内响应。

单台人形机器人的感知堆栈成本2万美元。算力不是软件公司的边际成本，它会落进每台机器的BOM表里。

还有一个被严重低估的问题：数据缺口。

文本和图像模型吃的是互联网数据。机器人没有这样的资源库。YouTube上有人类活动视频，但缺少关节运动、执行器命令、传感器反馈，不能直接教机器人。

自动驾驶有几百万辆汽车采集数据。人形机器人现在做不到。真实采数，慢、贵、风险高，一次严重摔倒就可能带来硬件损坏和停机。仿真可以辅助，但仿真到现实仍有缺口——虚拟学会的动作，到了真实世界还要重新校准。

很多人形机器人公司开始自己做零部件，不是因为喜欢垂直整合，而是现成供应链还没准备好。1X自研电机，已生产1.7万个。Apptronik开发自有执行器。特斯拉复用电动车电机和FSD芯片，目标年产5万台、成本降到2万美元。

机器人能跳舞、能翻跟头、能在展台上抓杯子，但这些都不是商业化。真正的问题是：它能不能在工厂里连续工作8小时不出故障？能不能在仓库里一天搬1000个箱子？出错了谁来修？

巴克莱的结论不是“机器人没戏”。是“通用人形机器人的时间表，比市场想象的长得多”。物理AI的“GPT时刻”还没来。在那之前，短期真正确定的机会，不在“通用”，在“窄任务”——那些已经在仓库、焊接、物流里赚钱的机器人。

扫码添加微信教你如何投资港美股

领取每日金融期刊

手把手教你如何在

亚洲 欧洲 北美六大品类投资

汇 股 债 房 大宗 比特币

轻松掌握全球实时机会与数据

由于微信推送规则，即使您关注我们，也可能收不到推送，点击“美刀哥”主页，设置为星标⭐️，文章就会每天推送哦！