人形機器人2030年上崗擰螺絲

人形機器人已經開始量產，但目前“秀拳腳”的仍然多于“擰螺絲”的。它們更多提供的是情緒價值，這或許會成為未來五年的行業常態。要等到 2030 年，機器人才能真正從特定場景走向規模化落地，獨立進廠上崗。

提出這一預見的，是上周末發布的《科技預見與未來愿景2049》，由騰沖科學家論壇與華為戰略研究院等聯合編撰。報告將人形機器人演進劃分為四個階段，對應不同的技術成熟度與市場滲透程度：

（2025/12/7） 閱讀全文>

第一階段（2025 年起）：技術與商業化均處于初期探索，任務成功率約為 80%，應用主要集中在開發者市場和情感價值領域；

第二階段（2030 年起）：蘊含更多物理維度的模型范式涌現，靈巧手精細操作提升了對復雜場景的適配，機器人開始從特定場景向規模化落地邁進；

第三階段（2035 年起）：海量真實場景數據反哺模型優化，數據飛輪發揮作用，機器人不僅上得工廠，還下得廚房；

第四階段（2045 年起）：規模經濟推動成本持續下降，高規格機器人整機價格降至數千元，變得像手機一樣普及。

難怪市場對那些人形機器人浮夸的營銷持懷疑態度，普遍認為其中充滿“障礙法”。真正創造價值的工作意味著，機器人必須像人一樣可靠，至少能夠以相同速度運行，并且在整個生命周期內的總擁有成本要相同或更低。銀河通用創始人王鶴批評，美國人形機器人泡沫嚴重，遙操作常態化，它們過度依賴精美視頻營銷，帶壞了國內企業風氣。

美國的FigureAI聲稱已經為寶馬生產3萬輛汽車做出貢獻，但人們質疑不如把工作交給機械臂更高效；特斯拉的擎天柱在摔倒前做出摘下“不存在的VR頭顯”動作，疑似露出了遠程操作的馬腳。中國已經擁有超過150家人形機器人公司，智元的第5000臺機器人已經走下產線；它們除了參加各式運動會，更多則走進了科研實驗室與數據采集工廠，部分汽車巨頭則給它安插了內部崗位。國家發改委也提醒，要著力防范扎堆上市，擠壓研發空間。

前述報告指出，在接下去的五年里，人形機器人的核心技術挑戰，就在于靈巧手發展滯后、觸覺感知不成熟及訓練數據匱乏。這與華爾街投行近期觀點“轉向”相呼應。摩根士丹利建議押注組件而不是品牌，短期內仍然是“鎬和鏟”的邏輯；高盛則認為，行業正進入尋找“機器人向導”等利基市場的過渡階段。

靈巧手量產

靈巧手對生產力的重要性不言而喻。人類大多數的工作，都是由手來完成的。“人類”就是這樣的生物，大約四分之一的骨頭位于雙手，手指在一生中彎曲和伸展約25萬次，手掌共有17,000個觸覺感受器和游離神經末梢。在美國勞工部的描述中，大約20%需要兩條腿來完成，而高達98.7%的工作，需要靈巧雙手精細操作。

近年來，人形機器人技術專利的重心已經逐漸從下肢結構和步態控制，轉向上肢結構及精細操作。然而，MIT機器人專家Rodney Brooks指出，目前尚無任何靈巧手能在通用場景下展現接近人類的靈活性，也沒有設計能真正投入實際應用。前述報告也總結道，在這一階段，主流的二指夾爪或六自由度靈巧手難以完成精細操作，而高自由度靈巧手的企業仍處于起步階段。雖然接近量產形態的方案已開始出現，但它們仍需在實際應用中不斷驗證、優化和迭代。

馬斯克對此判斷應當深有同感。特斯拉原計劃今年就發布第三代擎天柱（Optimus），但在三季度財報電話會上確認，它將延期到明年一季度。在所有零部件供應商中，靈巧手是最后才確定下來的。為了增加自由度，特斯拉將靈巧手的執行器數量，從17個提升至22個，它的內部結構更為復雜，容易在高頻共振和轉動中磨損，逐步丟失應有的精度；電機散熱不足也導致使用壽命下降。第二代擎天柱的靈巧手，單只成本6000美元，用它完成分揀快遞工作，平均壽命只有六周。

更多物理維度

缺乏更多物理維度的數據，同樣制約了精細操作技術的成熟。純視覺感知存在天然盲區，無法捕捉物體的硬度、彈性等關鍵力學特性。這也是為什么前述報告提出，VTLA（視覺-觸覺-語言-動作）模型有望取代現有的VLA（視覺-語言-動作）模型，成為未來主流方案。通過融入觸覺模態，VTLA能補充關鍵力學信息，大幅降低接觸密集型任務的失敗率；同時，憑借多模態整合能力，機器人可以通過少量交互提煉通用規律，實現跨場景的靈活遷移。

但這涉及到數據的采集與處理。Rodney Brooks就指出，目前主流數據采集手段都忽視了手腕力反饋與觸覺等信息。事實上，這更是技術局限。人類對觸覺的感知僅限于“即時直接體驗”，尚未開發出“捕捉、存儲、遠程傳輸”觸覺的技術，更無法將觸覺信息“重放”給自身或他人。

觸覺本質上是由多種傳感器和復雜處理機制構成的系統，其傳遞的信息隨時間和運動狀態不斷變化，遠比單純的局部壓力豐富。即便是打開冰箱門這樣的日常動作，人形機器人也難以做到順滑自然，因為它無法連續感知并動態調整施力，無法應對門在剛開啟瞬間，以及不同開啟角度下的力學變化。

學界與業界正在積極探索解決方案，但技術仍遠未收斂。亞馬遜擁有龐大的機器人隊伍，超過100萬，其中，它將旗下笨重的物流機器人Vulcan描述為“首個真正具有觸覺的機器人系統”，配置了多個傳感器，可以根據物品的大小和形狀，調整它們的抓握力，不至于破壞包裹。智元機器人的啟元大模型GO-1，可以接收來自視觸覺傳感器的力學信號，進行通用的場景感知和指令理解。所謂視觸覺傳感器，就是通過攝像頭捕捉柔性材料的形變等視覺特征，并將其映射為受力面和受力大小等觸覺信息。

數據飛輪

與大型語言模型疑似觸及預訓練擴展邊際不同，真正值得人形機器人擔心的問題是，行業離真正勾勒出那條擴展定律曲線都為時尚早。物理世界中蘊藏的數據量本應巨大，但當前可用數據遠不及自然語言，更不用說如何將這些數據的質量、分布、多樣性和覆蓋范圍轉化為可用于指導模型性能優化的工程指標。

訓練人形機器人，需要龐大數據量。在過去一年里，特斯拉一直都在擴容自己的AI算力基礎設施。按照馬斯克的預估，對人形機器人的訓練需求，可能至少是自動駕駛所需的10倍。前述報告稱，數據匱乏問題，會在靈巧手硬件穩定，以及觸覺等物理維度信息更為豐富后，逐步得以解決。海量真實場景數據將反哺模型優化。這免去了目前專門數據采集的高昂成本，類似特斯拉用戶“付費”向FSD提供真實駕駛數據。在數據真正得以“精煉”之前，中國同樣難言產業場景優勢。

但是，從VLA模型到VTLA模型，本質上仍然是對多模態模型的修修補補。在視覺語言先驅李飛飛看來，自然語言的上下文帶寬太窄，難以描述復雜動作與物理維度，裝不下三維世界。世界模型是被寄予眾望的下一個范式。它可以基于前一幀畫面與機器人動作，預測下一幀畫面。年內，李飛飛的世界實驗室（World Labs）拿出了Marble，楊立昆離職創辦了先進機器智能（AMI），華為哈勃基金投資了這一領域的極佳視界。

人形機器人批量上崗擰螺絲，會比2030年更早嗎？量產靈巧手、融合觸覺感知以及加速數據飛輪，中國能比美國更快嗎？也許在下一年《科技預見與未來愿景》報告中就能找到答案與線索。

報告下載方式：

點擊鏈接

科技預見與未來愿景2049

或公眾號后臺發送關鍵詞：2049