誰來啃下全球汽車制造業“最后15%難題”

出品|虎嗅科技組

作者|陳伊凡、李一飛

編輯|苗正卿

頭圖|視覺中國

“AI原生100”是虎嗅科技組推出針對AI原生創新欄目，這是本系列的第「42」篇文章。

在上海或深圳的任何一家現代化新能源汽車超級工廠里，都能看到這樣一種充滿諷刺意味的“技術斷層”景象。

在沖壓、焊接和涂裝車間，成百上千臺巨大的工業機械臂，以微米級的精度在火花飛濺中翩翩起舞，將自動化率推向了近乎完美的99%。然而，當你進入總裝車間，畫風突變——這里依然是人類的主戰場。數以百計的工人像工蜂一樣圍著流水線，在狹窄的車廂內彎腰、下蹲，進行著插接線束、擰緊螺絲、安裝內飾等繁瑣操作。

這就是困擾全球汽車制造業的“最后15%難題”。 在這里，自動化率斷崖式下跌，從99%驟降至不足15%。對于傳統的工業機器人來說，一根柔軟線束的隨機晃動、一個螺絲孔位的微小偏差，都是無法逾越的認知天塹。

這是一個被視為“燈下黑”的工業痛點，如今成為了光象科技戰略推演的起點，這正是光象科技要解決的問題。

2024年夏天，中國風投界正沉浸在人形機器人的巨大泡沫中，許多創業者都在向投資人兜售“通用大腦”的故事。

創始人兼CEO張濤和他的聯合創始人李升波坐在投資人的對面，在敘述和推演中，他們親手推翻了那套通用具身大腦或平臺的敘事初稿。“我們判斷，人形機器人的真正落地，可能還要十年。”

這種推演，是張濤從自動駕駛行業十年沉浮中提煉出的血淚教訓。過去十年自動駕駛的發展道路，不乏先驅折戟沉沙的故事，也誕生了特斯拉這樣的破局者。

當年，自動駕駛概念方興未艾，Waymo等公司一上來就瞄準了L4、L5級別的完全無人駕駛（Robotaxi），試圖一步到位地解決所有長尾問題。然而，為了追求極致的安全與泛化，這些公司陷入了無休止的模塊化堆疊與安全冗余設計的泥潭，導致成本高企、落地遙遙無期。

后來者的特斯拉，選擇了一條看似升維的路徑：從L2級別的輔助駕駛（NOA）切入。NOA距離無人駕駛更遠，但它是一個在當時技術能力與用戶體驗之間找到最佳平衡點的產品。正是通過在L2層面的大規模落地，特斯拉積累了寶貴的數據，反過來推動了技術向L4的演進。

張濤認為，當下的具身智能行業正處于自動駕駛十年前的那個十字路口，試圖一步到位，極有可能重蹈Robotaxi的覆轍。光象科技選擇了一條“特斯拉式”的漸進路線：避開雙足人形機器人的機械復雜性，避開家庭場景的非標混亂，轉而切入一個既有足夠復雜度、又能實現商業閉環的垂直場景——汽車制造。

張濤有一張具身場景落地的四象限分析框架。

張濤的四象限圖

傳統的工業機器人停留在“標準環境+簡單任務”的左下角，而光象科技的目標是從這里出發，向“標準環境+復雜操作”的右上角進軍。

張濤認為，在工廠場景中，真正的痛點在于那些需要手眼配合的柔性作業，比如在狹窄空間內精準地將異形接插件推入接口，這才是“智能化”區別于“自動化”的根本所在。

而承載這一智能化的核心，是一個叫做GOPS的平臺，是一個針對具身機器人的模型構建系統，也可以理解為一套機器人的“養成系統”，有了GOPS平臺之后，機器人可以快速學會一個新技能，也可以高效的把一個技能直接復制到下一家車廠。

場景選擇的方法論：一張四象限“戰略圖”

虎嗅：2024年你們開始籌備的時候中國的具身智能特別火，但那個時候你們選擇落地工業場景，尤其是先從汽車制造入手，有沒有經過一些討論？為什么沒有選擇一些更熱門的人形機器人賽道？

張濤：我們判斷，完全通用的人形具身智能機器人，其真正落地的周期并非市場預期的三五年，而至少需要十年以上。

這一判斷源于我們在自動駕駛領域的過往經歷。回顧自動駕駛的發展歷程，從概念興起、資本涌入到創業潮爆發，初期焦點都集中在L4、L5級的Robotaxi上。但經過約十年的發展，行業對技術路徑產生了分歧：是漸進式地從L1、L2過渡，還是一步到位做L4？市場檢驗表明，直接從L4切入并非最優解。

那些一上來就主攻L4的公司，為滿足安全要求，在模塊化策略和兜底方案上投入了巨大資源，這反而阻礙了他們探索真正可泛化的技術路徑。而這條路徑，恰恰是被特斯拉探索出來的。特斯拉并未直接做L4，而是先推出了NOA（導航輔助駕駛）。

在我們看來，NOA是自動駕駛發展史上極具里程碑意義的產物。因為它在當時的技術能力與用戶體驗之間，找到了最佳的產品匹配點。自動駕駛所追求的全場景通用與泛化，其技術難度絕非兩三年能攻克，確實需要十年甚至十五年的長周期積累。

虎嗅：工廠場景中，上一波非大模型的人工智能已經落地了很多工業機器人，加入大模型之后，會有什么不同？有帶來什么根本性的變化嗎？

張濤：首先需要厘清一個概念：傳統工業機器人屬于“自動化”范疇，而我們現在做的具身智能屬于“智能化”，兩者存在本質區別。

自動化的核心在于“預編程”。 它要求將工藝流程拆解并預設動作，機器人僅需機械地重復指令。因此，其核心指標是“重復定位精度”。但這一模式存在兩大瓶頸：一是難以執行復雜的動作組合；二是缺乏抗干擾能力，一旦環境或操作對象發生細微變化，預設程序便無法應對。

智能化的核心在于“實時感知與反饋”。 它能基于實時觀測到的環境與對象狀態，動態調整操作。從技術原理上講，自動化屬于“開環控制”，而智能化則是“閉環控制”，這是兩者的根本差異。

未來的工廠形態不會是智能化完全取代自動化，而是自動化、智能化與人工長期并存。目前的工廠中，自動化與人工占據主導，智能化占比極低；未來的趨勢是自動化比例將維持穩定，智能化將大規模替代目前的人工崗位，僅保留少量必要的人工環節。

虎嗅：團隊的大部分成員都有自動駕駛經驗，但反而我們沒有選擇自動駕駛這個場景。

張濤：這個問題很簡單，核心在于時機。如果在2024年或2025年再成立一家新的自動駕駛公司，從現實角度看，幾乎無法生存。

這主要基于兩點原因：第一，自動駕駛的資源與人才聚集期早在十年前。那時入局，才能獲取足夠的資源支撐至今；而今天，無論是資本市場還是客戶，都不會再給新公司這樣的機會窗口。

第二，自動駕駛與具身智能存在本質差異。自動駕駛的目標場景非常集中（如道路交通），這種高度集中的屬性必然導致市場向頭部少數幾家公司集中。

相比之下，具身智能則是另一套邏輯：首先，處于早期階段，機會更多。當前具身智能在技術路線和商業模式上均未收斂，大家都在探索通向未來的通用方案，這意味著市場充滿了挖掘空間。

其次，場景多樣，難以壟斷。我們判斷，具身智能未來不會像自動駕駛那樣高度集中。因為其應用場景極其多樣，且單一場景的成功不只依賴某項單一技術。

具身智能的落地形態不局限于人形機器人，很多場景并不需要人形。更重要的是，要在垂直場景中通過具身智能產品創造價值，競爭要素是多維度的：不僅要有模型智能和本體硬件能力，還需要對場景特性的深度認知、軟硬件的精準匹配，乃至商務渠道等非技術能力。

這些綜合因素決定了，在眾多的垂直場景中，每個領域都有可能誕生一兩家站穩腳跟的公司，未來不可能有一家公司能夠壟斷所有的具身智能場景。

虎嗅：決定做具身之后，又是如何推演，決定從汽車制造的場景切入？

張濤：我當時自己畫了一張四象限圖，這個圖的核心是回歸具身智能的本質。具身智能本質上就是“智能體在某種環境下完成某項任務”，基于這個核心，我們把具身智能按兩個維度拆分。

我將分析維度拆解為“環境”與“任務”兩軸。

第一個維度是環境，我們把環境分為標準環境和非標環境。標準環境就像結構化道路、工廠這類場景；而形態各異的家庭、野外則屬于非標環境；第二個維度是任務，分為移動和操作兩類不同任務。

畫完之后能看到，四象限左下角對應的是當前已經相對成熟的機器人應用，比如工業機器人、掃地機、AGV這些。這類應用的特點是，通常在簡單、標準化的環境下，完成移動類任務或非常簡單的操作類任務。而我們做具身智能，核心是希望從四象限的左下角往右上角推進，也就是逐步過渡到非標環境，同時攻克復雜的操作類任務，這是我們未來的核心方向。

但具體怎么選場景，我們主要從技術維度判斷，核心是兩個層面：一方面要尋求技術突破，比如過去做移動類任務，現在要向操作類任務突破；另一方面要考慮短期內落地的可能性，不能讓技術面臨的挑戰過于復雜。

舉個例子，環境是非標的，任務又非常復雜，最典型就是家務場景，家務場景的落地必然需要較長周期。

我們認為更好的選擇是一個維度是——要么在標準化場景下做復雜操作，要么在非標環境下做簡單移動。

前者最典型的就是在工廠里做柔性作業，比如裝配、上料這些；后者比如野外無人機救援、掃圖、搜索等。這兩個方向既能保證較好的落地可能性，又能推動技術進步，是比較務實的選擇。

當然，如果資金和信心足夠，一上來挑戰最難的也可以，但我們覺得這更適合大廠，對一家創業公司而言不夠務實。

選擇汽車場景首先是因為我們確實有深厚的汽車行業背景，但這只是其中一個方面。在深入布局汽車場景之前，我不僅調研了汽車制造，還花了大量精力考察了3C制造、芯片制造、零部件制造這些工業場景，最后判斷汽車制造是更好的選擇。

虎嗅：芯片制造和零部件制造的場景為什么不適合具身智能切入？

張濤：芯片與零部件制造的特點是對象復雜度相對較低，因此行業已大量采用專用自動化設備，覆蓋了80%甚至90%的制造流程。既然絕大部分工序已通過自動化解決，具身智能若重復介入則毫無意義；而剩余10%-20%的“邊角任務”雖然有價值，但技術實現難度極高。

以芯片廠為例，通常是一人看管多臺設備，工人的職責包括輔助上下料、質量抽檢及設備故障處理等。若此時投入機器人，或許能分擔一半以上的簡單工作，但對于設備故障排查這類需要靈活決策與精細操作的核心任務，機器人暫時無法勝任。

這就導致了一個商業悖論：生產商引入了機器人，卻無法真正替代人工，原有工人依然無法撤離產線。無論從成本控制還是生產協作角度考量，這種投入都不劃算。

汽車制造的優勢在于，首先，汽車是非常復雜的消費終端，會拆解成上百項甚至上千項工藝。

經過幾十年的發展，汽車制造工藝已經相對成熟，并且自然形成了合理的工藝劃分。它會把能靠自動化解決的問題集中放到一類工藝里，這類工藝全是機器人操作，不需要人工介入；而自動化做不到的部分，就全部留給人工，不會出現人和機器人頻繁穿插協作的問題。

另外，即便是留給人工的部分，也做了很好的工藝拆分，比如產線明確了每個工人在一個工位上的作業時間和任務，這些任務相對標準化，很適合用機器人替代。

這種清晰的工藝邊界與高度標準化的任務屬性，恰恰為具身智能機器人的前期落地提供了最理想的土壤。

虎嗅：決定從汽車場景切入做垂類具身這件事之后，團隊做的第一件事情是什么？是找融資、搭團隊還是研發？

張濤：不是，最早做的是把場景摸透。大概兩到三個月左右我們自己以及早期團隊成員會進駐車廠，扎根在車廠里面，跟車廠的工藝人員、質量人員、規劃人員做充分的溝通交流，把這個場景里所有工位的現狀、任務、性能、工藝參數、環境約束所有信息都收集起來，再做充分的梳理。然后基于梳理的結果，判斷我們到底要做一款什么樣的機器人，解決什么樣的問題。

光象科技的團隊在現場進行實驗和調試 圖片由張濤提供

虎嗅：這兩到三個月里，大家從一線觀察回來后有哪些是你們之前沒想到的問題？

張濤：我們在深入一線調研后，發現了兩個意料之外的關鍵洞察，徹底改變了我們對汽車制造場景的刻板印象：

第一，自動化率存在巨大的“結構性斷層”。外界普遍認為汽車制造是自動化程度極高的紅海場景，整體自動化率確實達到了70%。但如果將四大工藝拆解來看，沖壓、焊接和涂裝的自動化率均已超過95%，唯獨總裝環節的自動化率呈現斷崖式下跌，不足15%，部分產線甚至僅有5%到10%。雖然我們直觀上知道總裝環節用人多，但未曾預料到這一落差會如此巨大。這更有力地證明了總裝環節是具身智能最大的增量市場。

第二，復雜的人工操作具有極強的“技能收斂性”。總裝車間工位密集（通常單條產線約300個工位），我們最初擔心每個工人的操作千差萬別，機器人難以全面替代。但在具體分析了上千項工藝后，我們發現這些繁雜的工作其實具有極強的共性。經過歸納，覆蓋這數百個工位所需的機器人核心技能，最終可提煉為不超過十項。

這意味著，我們不需要為300個工位開發300種機器人，只需掌握這十項通用技能即可。這種意料之外的任務聚焦特性，極大地降低了技術落地的復雜度，為智能化改造提供了切實可行的路徑。

虎嗅：這種判斷其實也需要你們對大模型的能力邊界有一套很明確的benchmark，你們內部的benchmark是什么？

張濤：我們會先明確場景里的核心挑戰是什么，汽車裝配中有兩類占用工時很高的典型操作，一類是“擰緊”，簡單說就是擰螺絲；另一類是“插接”或者“卡接”，包括線束、結構件、內飾、橡膠件等等的插接、卡接，這兩類就有明顯差異。

先看擰緊，這是個非常精細的動作。要完成汽車裝配中的擰緊，需要先有擰緊機構，再配合一套能精細調整機構姿態、方位、力度、力控的模型。

在評估這一場景時，我們首先判斷執行機構的成熟度。幸運的是，傳統自動化設備中通過伺服機構驅動的擰緊槍已經非常成熟。

因此，我們的落地策略不是重新發明輪子，而是選擇直接沿用成熟的伺服執行機構，將其控制權交給智能化模型。通過模型來精細調整機構的姿態、方位和力度，再配合機器人的通用運動能力，即可快速形成可行的落地方案。

換一個場景——插接或卡接操作，難度就大很多了。首先要明確末端執行機構的形態：用夾爪、吸盤，還是靈巧手；不同的操作對象需要不同的末端執行機構，比如單說插線束，汽車里的線束接插件型號很多，有長有圓，還要考慮力度、尺寸、形狀，目前甚至找不到一款通用的執行器能精準抓住這些接插件并且能清晰感知接插過程中的力反饋。這種情況下就不只是模型的問題，還需要設計適配的終端執行器，甚至不同的插接場景可能需要不同的執行器。如果用通用靈巧手來做這件事，當前靈巧手的力量和感知能力又不足以完成通用化任務。最終會受到多方面制約：感知受限、操作能力受限、模型能力也受限，這件事就會變得非常復雜。

因此，插接場景面臨的是感知受限、執行受限與模型受限的三重制約。解決這類問題，單靠大模型是不夠的，必須同步進行末端執行器的硬件創新，系統復雜度遠超擰緊操作。

拒絕“搬箱子”的虛假繁榮

虎嗅：在通用具身領域，數據是很大的瓶頸，尤其是和物理世界交互的過程中，這個方向面臨數據問題是怎么解決的？

張濤：工業場景里的數據問題尤其麻煩，因為這個場景下幾乎沒有現成數據。不像家務場景，還能從網上找些視頻或操作數據，這也是最大的挑戰。

目前解決數據問題有幾類方案：一是合成數據，通過仿真生成數據；二是遙操采集數據；三是用動捕捕捉人的操作數據，還有看視頻提取數據等等。

虎嗅：我們選擇了哪條技術路線？

張濤：我們目前采用的是融合方案，沒有單一依賴某一種數據來源，而是把仿真合成數據和遙操數據結合起來用。

但從長期來看，我們認為在汽車制造這類工業大制造場景下，仿真合成數據是更有價值的數據來源。原因有兩點：一是工業場景的操作對象本身就有非常精細的三維數模，精度很高，我們可以直接用這些數模構建仿真數據來源；二是工業場景里的對象形態一致性比較好，大部分是剛體，不像家庭場景有毛巾、衣服、流體等多種柔軟體、流體，對仿真引擎的精度要求更友好。所以我們更傾向于多使用仿真數據。

但就目前而言，單獨用仿真數據還是有較大問題，因此會把仿真數據和真實場景的真機遙操數據配合使用。目前是按一定比例搭配，未來希望讓仿真數據發揮的作用越來越大，真機數據的占比越來越小。

虎嗅：為什么是仿真數據要占比更高？

張濤：其實核心是仿真數據和真機數據在數據分布上的差異。這一點大家也經常提到，工業仿真和真實場景的差異性小一些，但差異依然存在。差異可能來自幾個方面：一是模型建得不準；二是仿真引擎本身能力受限，當然還有其他各類原因。

我們的天然優勢能讓這兩方面的差異變小，但變小不代表沒有，所以差異是客觀存在的。不過我們也在積極探索解決辦法，比如如何在這個場景下建立更準確的仿真模型，如何與仿真引擎做好配合，以及在模型訓練時如何通過最優的隨機化去覆蓋這些差異的影響。通過這些手段盡可能減小仿真與真實場景的差異，但這需要一個過程。

虎嗅：工業場景包括汽車領域的具身或機器人應用，不少廠家其實都在嘗試。我們在收集這個行業的數據，他們也可以收集這個行業的數據，大家都說自己有行業數據，那我們的競爭壁壘是在哪里？

張濤：我覺得還是有一些差異的。首先是他們是否按照真實落地的思路在做這件事，還是僅僅作為宣傳pr的手段，這兩者在方法和結果上有本質區別。如果是面向落地，那么汽車的背景就非常重要，只有真正懂汽車，理解汽車制造，才能做出有價值的技術和產品。

另一方面，車廠本身是否愿意跟我們做充分的配合，這其實也是一個比較大的挑戰。因為這是一個非常前沿的事情，意味著在前期對車廠而言，它并不會從中獲得什么真正的受益，反而會占用它的資源。這可能就需要利用我們在行業里的一些資源或渠道，才能跟他們達成緊密的配合。

其次，要做成這件事還是需要依賴較強的技術能力，尤其是端到端模型的能力。今天真正把端到端模型在自動駕駛等領域做成、做好的，其實并沒有多少。

虎嗅：現在看到有很多公司也在做汽車制造場景的具身機器人，他們做的怎么樣？怎么看這樣的競爭？

張濤：實話說，目前行業的現狀是“演示（Demo）熱鬧，落地（Deployment）為零”。我們走訪了國內絕大多數車廠，反饋非常一致：至今沒有看到任何一家具身智能或人形機器人公司，能真正進入產線、跟上嚴苛的生產節拍。

過去汽車制造場景相關的PR內容里能看到一些特點，那些視頻里，機器人幾乎都在做搬箱子的動作。

但這恰恰暴露了當前通用人形機器人的窘境。首先，搬箱子屬于物流環節，規模化的物流早已被AGV、AMR或無人叉車解決，遺留的線邊搬運等任務又不需要專人完成，所以做這個對核心制造（如質量提升、效率優化）的價值貢獻較低；其次，大家扎堆展示搬箱子，是因為更有價值的精密裝配工作，他們目前的機器人根本做不了。

根本原因在于“通用人形機器人”與“汽車制造場景”存在嚴重的不適配， 這主要體現在兩個方面，首先是構型鴻溝（硬件層面），雙足人形并不適合工廠。汽車制造要求連續工作4-8小時，雙足機器人僅維持站立就高耗能，續航是硬傷；再加上雙足行走的穩定性與定位精度遠不如輪式底盤，導致其在工業現場“既不耐用也不好用”。

其次是模型鴻溝（軟件層面），汽車制造對可靠性、節拍和效率的要求極高。而目前的具身大模型更多強調自主決策與泛化能力，卻缺乏工業級的精度與響應速度。這種“聰明但手慢”的模型，無法通過產線的驗收。

綜合這些原因，目前具身智能在汽車制造場景的落地情況并不理想。而我們的差異化優勢就在于，我們是一家兼具前沿模型能力和汽車工業背景的具身智能公司，無論是本體設計、模型設計，還是訓練方案，都會和場景做深度匹配，確保所有技術能力都具備場景know-how，最終做出真正能落地的產品，而不是把一款所謂的通用機器人直接放到場景里，看它能做什么。

極致效率背后的“平臺思維”

虎嗅：你之前在阿里高德待過，有商業化落地的經驗，過去的工作經歷中，哪一段對您影響更大？這段經驗，會不會有一些方法論或者know-how可以運用到這次創業當中？

張濤：幫助確實比較大。比如我讀研究生時做的是導航方向，進入阿里高德后也做導航，但兩者差異很大。

我們在導航領域處于行業頭部位置，在高效、極致效率的產品落地方面做了很多探索。舉個例子，當時我們要對接國內幾乎所有車企，一年下來有將近幾百個車型或項目需要落地。如果每個項目都投入大量人力去適配，成本根本不可估量。所以這里的核心是B端打法和思路。

首先要做好用戶分層，什么樣的用戶投入什么樣的資源，用標準化產品、定制化產品還是其他形態滿足需求，這是很重要的戰略判斷。

其次，我們要靠自己的產品形態引領用戶迭代更新，而不是完全被動響應用戶的零散反饋，有自己的主線產品路線，路線迭代方向要與用戶需求匹配。

第三，平臺能力建設特別重要，就是能不能用一套極致效率的平臺實現極致效率的交付。當時我們投入了很重的研發資源，花了兩年左右時間打造了一套平臺，能做到只用四個研發人員，一年就能交付幾百個項目。

虎嗅：因此你們要做GOPS平臺。

張濤：我們最終要通過端到端模型化的方式實現剛才說的智能化，這里的關鍵就是怎么高質量高效率的訓練出場景可用的模型，并且在不同產線不同工位間快速遷移，GOPS平臺核心就是解決這個模型構建問題的。

虎嗅：這是你的第一次創業嗎？

張濤：不是，我之前也做過一次創業，時間稍微早一點。跟汽車整車的電子電器有關系。

虎嗅：那段創業經歷有沒有印象比較深的事情？

張濤：當時我們做的事情其實就是今天特斯拉這套集中式的電子電氣架構。只不過我們當時做這件事的時候還太早，雖然判斷對了方向，但除了我們能把技術做出來之外，整個市場環境和上下游供應鏈都沒準備好。

大概十幾年前，中國汽車制造的狀態可以總結為“大而不強”，整車廠在這個模式里，其實缺少對核心技術、核心零部件以及其他核心技術能力的掌控，更多依賴供應商，尤其是國外的頭部供應商，話語權比較弱。所以由整車廠主導的電子電器架構變革在需要供應商適配時遇到很大的阻力。

后來特斯拉把汽車的這套體系完全重構了一遍，這跟我們之前的思路其實非常一致。一方面是特斯拉引領了這個趨勢；另一方面，現在的整車廠話語權也越來越強，能夠推動供應商做相應的改動，在這種情況下，我們當年想做的事就變得越來越可行了。

虎嗅：把這件事的經驗遷移到現在做的具身智能項目上，怎么判斷技術生命周期的發展，進而規劃在產業化起飛前幾年提前介入的？

張濤：這件事的經驗和我們現在做具身智能的思路有很大關系。比如，我們一上來不選擇完全通用的人形機器人或通用具身大腦的路線，就是受這個經驗的影響，如果要十幾年后才能成，現在就投入所有資源去做，很可能會走不到最后。

一方面要考慮短期內實現商業閉環迭代；另一方面，在商業閉環迭代的過程中，我們的技術路線、積累的數據和技術，又能支撐我們未來走向通用具身智能的時代，這就是我們現在做的事。之所以選擇工業場景落地，同時又把大量精力放在GOPS平臺建設上，核心就是這個原因。這個平臺的作用，就是吸收我們當前落地過程中所有的數據和技術，為未來做通用具身智能這個長期目標做支撐。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4828093.html?f=wyxwapp