#AI 機器人
馬斯克2026封神訪談:AI、機器人、財富邏輯全顛覆,看完刷新認知
最近,馬斯克一場近3小時的深度訪談刷屏全球,沒有空話、全是硬核預判,直接把未來10年的文明走向攤開在所有人面前。作為科技圈最敢說、也最能把預言落地的人,他的每一句話,都在重新定義我們對工作、財富、科技的認知。這場訪談,沒有晦澀理論,全是可落地的時間表、反常識的真相、顛覆認知的未來,今天用最通俗的話,帶你吃透核心,聊聊我的真實看法。01. 馬斯克訪談核心乾貨,全是重點1. AI時代徹底到來,速度遠超想像馬斯克直言,2026年AGI通用人工智慧將落地,未來幾年AI總智能會超過全人類智能總和。AI不再是輔助工具,而是和人類平行的“智慧主體”,我們正站在文明躍遷的臨界點。2. 機器人取代勞動,工作變成“可選項”Optimus人形機器人將規模化普及,成本比汽車還低,包攬製造、家務、醫療等大量工作。未來10-15年,工作不再是生存必需,而是個人選擇,人類從體力勞動中徹底解放。3. 能源是終極底牌,中國優勢被點名認可未來科技競爭的核心不是晶片,是能源。馬斯克明確提到,中國在電力產能、製造業、基建效率上擁有壓倒性優勢,是AI、電動車、機器人領域的關鍵力量。4. 財富邏輯重構,別再盲目為退休存錢生產力爆炸式增長,商品和服務成本趨近於零,傳統“存錢養老”的邏輯會失效。未來是物質極豐時代,真正的財富,是把握趨勢、擁有創造價值的能力。5. 太空探索提速,火星殖民、月球建廠不是夢2030年啟動火星無人任務,20年內建火星城市,甚至要在月球建廠。馬斯克的目標,從來不止地球,而是讓人類成為多行星文明。02. 我的個人觀點:這不是科幻是即將到來的現實很多人覺得馬斯克的話太瘋狂,像天方夜譚,但回顧過去,他的SpaceX、特斯拉、星鏈,無一不是把“不可能”變成現實。在我看來,這場訪談最珍貴的,不是一個個驚人預言,而是給普通人敲響警鐘:世界正在以肉眼可見的速度變革,AI、機器人、新能源不是遙遠的科技概念,而是會衝進每個行業、改變每個人生活的浪潮。固守舊思維、停留在舒適區,只會被時代拋下。真正的安全感,從來不是存錢、求穩定,而是擁抱變化、跟上趨勢、擁有適應未來的能力。我們不必焦慮AI取代人類,因為科技的終極意義,是讓人類從重複勞動中解脫,去創造、去探索、去活成更完整的自己。03. 總結:這篇訪談,給我們的三個重要啟示第一,未來已來,不要視而不見。AI與機器人帶來的變革,不是遙遠的未來,而是正在發生的現在,越早認知,越能佔據主動。第二,能力比穩定更重要。舊的生存邏輯正在失效,提升自己、適應時代,才是最可靠的底氣。第三,保持開放,拒絕焦慮。技術進步的最終目的,是讓人類擁有更好的生活,與其恐懼變化,不如主動擁抱,找到屬於自己的位置。馬斯克的訪談,本質是一場未來啟示錄。他用最直白的方式告訴我們:變革已來,未來已至。不恐懼未知,不抗拒新生,保持學習,保持清醒,抓住時代的風口,我們每個人,都能在新時代裡,找到屬於自己的位置。(螺絲椒不辣)
《大西洋月刊》3月封面特稿丨最壞的情況會是什麼?
“What’s the Worst That Could Happen?”誰有應對下一步變局的方案?本文刊登於2026 年 3 月《大西洋月刊》印刷版,作者:喬什·泰蘭吉爾是《大西洋月刊》的特約撰稿人。他曾任彭博商業周刊編輯和彭博媒體首席內容官。插圖:Stephan Dybus1869年,馬薩諸塞州一群改革者說服州政府嘗試一個簡單思路:統計。第二次工業革命的浪潮席捲新英格蘭,讓工廠主們學到了如今大多數MBA學生第一學期就會掌握的道理:效率提升從來都有代價,而代價通常落在別人身上。新機器不只是紡紗、煉鋼,它們的運轉速度,是歷經數百萬年演化、本就為其他用途而生的人體根本無法匹敵的。工廠主們心知肚明,就像他們也清楚,人的忍耐總有極限,逼到絕境便會引發反抗。但機器仍在一路向前。於是馬薩諸塞州成立了全美首個勞工統計局,希望用資料完成良知無法做到的事。通過統計工時、工作環境、薪資,以及如今經濟學家口中的「負外部性」——當年直白叫作「兒童被絞斷手臂」這類慘劇,決策者認為或許能為所有人帶來相對公平的結果。或者說得更現實一點,維持一種可持續的剝削水平。幾年後,聯邦軍隊向罷工鐵路工人開槍,富人出資組建私人武裝——這些都是社會亮起紅燈的訊號——國會終於決定在全國推廣這一思路,成立了美國勞工統計局。統計無法消除不公,甚至很少能平息爭論。但去計數、去看清、讓政府基於一套共同事實行動,本身就代表一種追求公平的意願,至少是願意被監督的態度。久而久之,這份意願至關重要,它是一個共和國贏得信任的方式之一。勞工統計局至今仍是現代文明的一個小小奇蹟。它每月向約6萬戶家庭、12萬家企業與政府機構發放詳細問卷,並輔以定性研究核查、修正資料。美國250年來未爆發劇烈階級衝突,它功不可沒。它的統計細節甚至頗具趣味:正是勞工統計局告訴我們,2024年全美移動餐車從業者達44119人,較2000年增長907%;非獸醫類寵物護理(美容、訓練)從業者190984人,增長513%;按摩師近10萬人,加州納帕谷的密度是全國平均水平的5倍。這些以及勞工統計局發佈的成千上萬組資料,描繪出一個日益繁榮、勞動力不斷適應變化的社會。但和所有統計機構一樣,它有侷限:擅長復盤已發生的事,對即將發生的事預測有限。資料無法預見經濟衰退、疫情,也無法預見一種可能像小行星滅絕恐龍般重塑勞動力的技術降臨。我說的,當然是人工智慧。從早期埃隆·馬斯克那句「我們在召喚惡魔」的驚悚預警,到如今行業滿口「驅動創新」「加速轉型」「重塑流程」,AI已經從「魔鬼敘事」轉向了平淡的商業話術。這是人類歷史上第一次,發明出真正堪稱奇蹟的技術,卻急著給它套上保暖背心、包裝成平庸的企業軟體。售賣企業軟體確實利潤豐厚,但淡化AI的衝擊力也是一種刻意的偽裝。這項技術能在你喝完一杯咖啡前讀完上百份報告,比一眾律師助理更快撰寫、分析檔案,創作出與流行巨星、茱莉亞音樂學院高材生別無二致的音樂,還能像頂尖工程師一樣真正寫程式碼,而不只是從程式碼網站複製貼上。那些曾經需要技能、判斷力與多年訓練才能完成的工作,如今正被不斷自我學習的軟體無情、冷漠地接手。AI已經無處不在,任何機靈的知識工作者都能把枯燥任務丟給機器。包括微軟、普華永道在內的許多公司,已要求員工這樣做以提升效率。但把工作外包給AI的人,也足夠聰明地想像下一步:當輔助變成替代,當腦力勞動被淘汰,他們可能只能去餐車、寵物SPA或按摩店謀生——至少在人形機器人到來之前是這樣。許多經濟學家堅稱一切都會好起來。資本主義自有韌性。ATM機問世後,銀行櫃員反而更多;Excel普及後,會計崗位不降反增;Photoshop出現後,平面設計師需求暴漲。每一次,新技術都自動化了舊任務、提升了生產力,並創造出遠超想像的高薪工作。勞工統計局預測,未來10年就業率將增長3.1%,雖低於上一個十年的13%,但在人口穩定的美國新增500萬個就業崗位,遠稱不上災難。可問題在於,有些東西經濟學家很難量化。美國人從工作中獲得意義與身份認同。大多數人不想轉行,即便他們毫無信心能找到新工作。路透社與益普索2025年8月的民調顯示,71%的受訪者擔心AI會「讓太多人永久失業」。如果不是如今的「工廠主們」已經親口承認AI會造成永久性失業,這個資料或許還更容易被忽視。2025年5月,人工智慧公司Anthropic CEO達里歐·阿莫迪表示,未來1—5年AI可能使失業率上升10%—20%,「消滅一半初級白領崗位」。福特CEO吉姆·法利預計,十年內「 一半白領崗位」將消失。OpenAI CEO薩姆·奧爾特曼透露,他和科技圈CEO好友的小群裡,甚至在賭未來那家市值十億美元的公司只需一個人營運。包括元宇宙、亞馬遜、聯合健康、沃爾瑪、摩根大通、聯合包裹在內的多家近期宣佈裁員的公司,在給投資者的樂觀報告中,都用「自動化」「人員規模最佳化」等委婉措辭掩飾。這些表態合在一起非同尋常:資本所有者一邊警告勞動者腳下的冰面即將破裂,一邊還在繼續猛踩。我們彷彿在看同一幕的兩個版本:一個版本裡,冰面撐住了,因為歷史向來如此;另一個版本裡,大批人墜入冰窟。區別只有等到冰面徹底破裂才會顯現——而那時,可選擇的餘地已所剩無幾。AI正以一點點接管任務的方式改變工作。如果變革足夠緩慢、經濟調整足夠快,經濟學家或許是對的:我們會安然無恙,甚至過得更好。但正如國際貨幣基金組織預測,如果AI引發工作結構快速重組——將數年的變化壓縮到數月,影響全球約40%的崗位——後果將不止於經濟,還會考驗本已脆弱的政治體制。問題於是變成:我們面對的,是靠統計就能應對的擾動,還是會產生沒人敢面對的慘烈資料的劇變?奧斯丹·古斯比是芝加哥聯準會行長、芝加哥大學布斯商學院經濟學教授,也曾是歐巴馬政府經濟顧問委員會主席。他也是少數你帶去派對也不會後悔的經濟學家。我問他,是否有確鑿資料表明AI已開始侵蝕就業市場,他笑著給出了一個既顯而易見又毫無幫助的答案——而這種「不回答」,本身就是答案。我認識古斯比很久,很享受這種時刻:他自嘲我們這群人都無能為力。經濟學家很少能對現狀給出直白答案,記者則痛恨未來不肯在截稿前現身。我們9月交談時,史丹佛數字經濟實驗室三位學者發佈的「金絲雀論文」剛出爐不久。研究者分析了數百萬條受生成式AI影響崗位的月度薪資記錄,得出結論:22—25歲年輕勞動者——就業市場的「金絲雀」——自2022年底以來就業率下降約13%。連續幾天,業內都在熱議這篇論文,說是熱議,其實大多是挑刺。報告過度強調ChatGPT的影響;青年就業本就有周期性;同期利率大幅飆升,更可能是波動主因。而幾周前經濟創新組織的研究則認為,AI短期內不太可能造成大規模失業,即便它會重塑崗位與薪資。那篇論文標題直白:《人工智慧與就業:最終結論(直到下一個結論出現)》。這正是古斯比想強調的:經濟學家受數字束縛。從資料上看,目前沒有任何跡象表明AI影響了就業。「現在還太早。」他說。不確定不等於不擔心。聯準會的使命是促進最大化就業,企業關於即將大規模裁員的表態,古斯比高度關注。但資料對不上。勞動力市場可能比看上去疲軟,只是疲軟被企業內部消化,沒有體現在失業率上。可如果企業真的在囤積多餘勞動力——也就是所謂「勞動力囤積」——理應出現生產率下滑,就像宿醉一樣必然:人多活少,效率下降。「但現實完全相反,」古斯比說,「生產率增速非常高。我也不知道該怎麼解釋。」生產率是通往更繁榮社會的秘訣。如果每個勞動者在同樣時間內能產出更多——更多商品、更好服務、更快成果——經濟總蛋糕就會變大,即便勞動者數量不變。這是罕見的、能把蛋糕做大而非僅僅重新分配的效率提升。美國過去幾年生產率一路飆升。這可能只是暫時的一次性提振,比如疫情期間小企業爆發式增長。但古斯比帶著學者特有的審慎指出,電力、電腦這類通用技術,能帶來持久的生產率增長,讓整個社會更富裕。AI是否屬於這類技術,只能交給時間驗證。還要多久才能確定?「數年。」他說。與此同時,還有另一個隱患:對就業的直接威脅可能不是AI本身,而是企業被前景誘惑,在尚未真正理解其能力前過度投資。古斯比回顧了網際網路泡沫:企業瘋狂鋪設光纖、擴張產能。「2001年我們發現,網際網路增速不是每年25%,而只是10%——即便10%依然很高——但這意味著光纖嚴重過剩,商業投資崩盤,大批人以最傳統的方式丟了工作。」AI投資若出現類似崩盤,景象會很熟悉:痛苦、動盪,伴隨財經頻道的激烈指責與聲討。但這只是金融重設,而非技術倒退——這類結果經濟學家很擅長識別,因為歷史上發生過。這就是經濟學的悖論:要看清當下如何衝向未來,你需要一個定點,而定點全在過去。就像開車只看後視鏡——路直尚且危險,一旦轉彎就是災難。戴維·奧特爾、達龍·阿西莫格魯都是頂尖的「後視鏡駕駛者」,兩人都在麻省理工學院,擅長解讀過往的經濟衝擊。2024年諾貝爾經濟學獎得主阿西莫格魯研究不平等,奧特爾聚焦勞動力。但兩人都堅持,AI的影響關鍵在於速度——不是因為失業崗位會自動被替代,而是慢速變革能給社會留出適應時間,即便有些崗位永遠消失。勞動力市場有其自然調整速度。如果30年間,某行業每年有3%的員工退休或崗位消失,你幾乎察覺不到。可十年後,該行業三分之一的崗位就沒了。電梯操作員、收費員就是這樣緩慢消失,未對經濟造成衝擊。「一旦速度加快,」奧特爾告訴我,「問題就來了。」AI不是貿易政策,它是軟體。即便它先衝擊某些行業、某些地區——比如大城市律所律師,比數位化程度低的行業工人更早感受到影響——這項技術不會受地理限制。最終,每個人都會被波及。這一切聽上去令人不安,直到你想起關於軟體最重要的一件事:人們討厭軟體,幾乎和討厭改變一樣。這正是讓許多經濟學家相信,人工智慧這顆“小行星”至少還要十年才會降臨的原因。“這些科技公司CEO想讓我們相信,自動化市場是註定的,一切都會順利推進、利潤豐厚。”阿西莫格魯說。隨後,他這位諾貝爾獎得主的“胡說八道探測器”發出了一聲不屑的聲響。“歷史告訴我們,實際推進速度會慢得多。”他們的邏輯是這樣的:人工智慧要改造一家公司,必須先接入公司資料,融入現有系統——這話聽著簡單,除非你本人就是首席技術官。大多數世界500強企業有個行業秘聞:許多關鍵業務至今仍運行在笨重、工業級的大型主機上。這些機器幾乎從不當機,因此也永遠無法被替換。大型主機就像克里斯托弗·沃肯:從上世紀60年代起就不停運轉,擅長承擔一些特殊任務(處理支付、守護資料),而如今活著的人裡,幾乎沒人真正懂它們的原理。把老舊技術與現代人工智慧整合,意味著要周旋於硬體、供應商、合同、古老程式語言,還有人——而每個人對“正確”的改造方式都有一套強硬看法。幾個月過去,幾年過去,一場又一場公司年會來了又走,CEO依然搞不懂,為什麼人工智慧的奇蹟還沒解決他們所有問題。每一種新的通用技術,在一段時間內,都會被現有混亂局面困住。第一批發電站在19世紀80年代就已出現,沒人質疑它們比蒸汽機更先進。但當時的工廠,地下室裡裝著蒸汽機,通過貫穿整棟建築的傳動軸、皮帶和滑輪為每台機器供能。要用上電力,工廠主不只要買電機,他們需要推倒並重建整個生產體系。有些企業這麼做了,大多數隻是等著舊設施自然報廢——這也解釋了,為什麼電氣化帶來的重大經濟收益,隔了40年才顯現出來。但這一切,都不足以讓經濟學家安東·科林克感到安心。他告訴我,他“極度擔憂”。他認為,美國最早在今年就會出現大規模失業——“非常顯著的勞動力市場衝擊”。“到那時,你聊過的那些經濟學家就會說:‘我在資料裡看到了!’”科林克頓了頓。“這事不能開玩笑,因為太嚴重了。”科林克是弗吉尼亞大學教授,也是“變革性人工智慧經濟學項目”主任。去年,《時代》雜誌將他列入人工智慧領域最具影響力人物榜單。但他原本並不想成為經濟學家。他在奧地利山村長大,用0和1寫機器程式碼——最樸素、也最不留情面的程式設計方式。這種訓練教會他:指令會在那裡卡殼,系統會在那裡堵塞,過度施壓時,什麼東西會最先崩潰。從2010年代初深度學習取得突破起,他就一直密切關注人工智慧進展,即便他的博士研究方向是防範金融危機。2022年9月,他第一次體驗大語言模型演示時,“大約五秒”之內,他就想到了它對未來工作的衝擊——首先是對他自己的衝擊。我們秋天在夏洛茨維爾一起吃早餐。科林克年輕、清瘦,戴著細框眼鏡,留著淡紅色鬍鬚。整體給人的感覺是,他寧願去自訂Excel標籤頁,也不願預言末日。可他還是說出了經濟學家最不屑相信的五個字:這次可能不同。(This time may be different)科林克的核心觀點很簡單:他的同行們沒有誤讀資料——他們誤讀了技術。“我們很難想像,機器可以變得非常聰明。”科林克說,“機器一直是笨的,所以我們不信任它們,推廣總要花時間。但如果它們比我們更聰明,在很多方面,它們可以自己推廣自己。”這一切已經在發生。體育賽事期間許多最讓人看不懂的廣告,都在推銷人工智慧工具,承諾能加速把其他人工智慧工具整合進大公司流程。因為很多這類系統不需要大規模新硬體,也不需要人工重寫系統,部署時間最多能縮短一半。正是在這一點上,科林克與那些“只看後視鏡”的經濟學家分道揚鑣。如果人工智慧真以他預想的速度推進,對許多勞動者而言,傷害會在制度來得及適應之前降臨——而每一次成功應用,只會加劇進一步推廣的壓力。以諮詢公司為例:它們長期靠初級員工做研究、寫報告收取高額費用,客戶之所以忍受,是因為別無選擇。但如果有一家公司能用人工智慧更快、更便宜地完成同樣工作,競爭對手就面臨殘酷選擇:要麼採用這項技術,要麼向客戶解釋,為什麼還要為人工時間收取溢價。一旦有公司接入人工智慧、壓低價格,其餘公司要麼爭相跟進,要麼被淘汰。競爭不只是獎勵採用者,它讓拖延變得站不住腳。科林克承認兩個常見反對理由:資料目前尚無明確結論;歷史上,新技術創造的崗位總是多於摧毀的。但他認為,同行們應該開始往前看了。“每當我和西海岸實驗室的人交流——”科林克是Anthropic無償經濟顧問委員會成員——“我不覺得他們在刻意炒作自己的產品。我通常感覺到,他們和我一樣恐懼。我們至少應該考慮一種可能:他們說的,也許會成真。”科林克不確定技術本身能否被政策引導,但他希望更多經濟學家做情景規劃,讓決策者不至於措手不及——因為大規模失業不只是失業,它意味著貸款逾期、連環違約、消費需求萎縮,以及那種自我強化的衰退,足以把一次衝擊變成危機,把一場危機變成帝國的衰落。2025年初,CEO們曾一度公開就人工智慧及其對員工與利潤率的影響發表“思想領導力”言論,可這段時間很短,之後,這些表態又詭異集體噤聲。任何見過鯊魚鰭露出水面又消失的人都知道,這不是什麼安心訊號。簡單的解釋來自美國勞工統計局:美國約有280,590名公關專員,過去20年增長69%。(人數幾乎是記者的7倍。)不難想像他們的專業邏輯:人工智慧不受歡迎,談論裁員的CEO更不受歡迎。那乾脆別再提人工智慧和就業?10月,《紐約時報》曝光亞馬遜高管計畫到2033年自動化超過60萬個崗位的第二天,一家大型跨國公司的公關負責人告訴我:“我們再也不會談論這件事了。”這至少算是一段小小的歷史——我第一次被人要求匿名,只為了公開告訴我:他們以後什麼都不會再說。也就是說,沃爾瑪、亞馬遜、福特等百強企業CEO,以及Anthropic、Stripe、Waymo等新興人工智慧公司高管——幾個月前還在大談人工智慧與就業的那群人——都拒絕或無視了本篇報導的多次採訪請求。就連代表美國頂尖企業CEO、專門就這類議題發聲的“商業圓桌會議”,也告訴我,其主席、前小布什政府白宮辦公廳主任約書亞·博爾頓沒什麼可說的。當然,對記者說不接受採訪,不等於完全不說話。CEO們至少還在跟一個人聊:領英聯合創始人、微軟董事會成員裡德·霍夫曼。霍夫曼出身技術圈,天性樂觀。他認識美國企業界所有人,而所有人也都知道他人脈通天,這讓他成了矽谷最受歡迎的明白人——一位理性、中立的傾聽者,CEO們可以放心找他暢所欲言。他告訴我,人工智慧已經把CEO分成三類。第一類是試水者:後知後覺,終於開始認真跟CTO聊技術。第二類是為了虛榮,或是想讓科技圈看得起自己的傳統業務,匆忙宣佈自己是人工智慧領軍者。“他們就像:快看我!我很重要!我是核心!但其實什麼都沒做。”霍夫曼說,“他們只是想:也把我放到人工智慧桌上吧。”第三類則不同:高管們在悄悄制定轉型計畫。“這些人看得到浪潮將至。而且值得肯定的是,他們中很多人想弄明白,如何通過教育、再培訓,幫助全體員工一起完成轉型。”但三類人有一個共同點:他們相信,投資者聽了多年人工智慧的美好前景後,已經對空談失去耐心。今年,他們要結果。而CEO交出結果最快的方式,就是裁員。霍夫曼說,裁員不可避免。“他們中很多人已經認定,結局只有一種。在我看來,這是想像力的失敗。”霍夫曼不會浪費時間勸CEO別裁員,他知道他們一定會裁。“我告訴他們的是:你需要展示,如何從人工智慧中獲益,而不只是削減成本。如何增加收入?如何幫助員工借助人工智慧變得更高效?”“這是一種狂熱。”前羅德島州州長、拜登政府商務部長吉娜·雷蒙多告訴我,她指的是這場裁員熱潮。“每個CEO、每個董事會都覺得必須跑得更快。‘我們有4萬人做客服?砍到1萬。剩下的人工智慧能搞定。’如果整件事只追求快、只盯著效率,會有非常多的人受到重創。而以我們現在的處境,我不認為這個國家承受得起。”和霍夫曼一樣,雷蒙多身處一個特殊位置:一位走進董事會卻不會觸發文化衝突的民主黨人。她聯合創辦過風投公司,人工智慧高管認為她務實、懂技術,願意跟她溝通。“這項技術會讓我們生產力更高、更健康、更可持續。”雷蒙多說,“但前提是,我們必須非常認真地管理這場轉型。”去年夏天,雷蒙多前往愛達荷州太陽谷,參加為期四天、被稱作“億萬富翁夏令營”的艾倫公司峰會。她向與會者問了同樣兩個問題:你們如何使用人工智慧?這麼做之後,你們的員工會怎樣?多位CEO坦言,自己身陷兩難。華爾街期待他們用人工智慧取代人力;如果不這麼做,丟工作的就是他們自己。可如果所有人都下令大規模裁員,他們也清楚後果將是災難性的——對員工、對國家,也對自己的良知。雷蒙多的回應是:“這個國家最有權力的CEO們,有責任一起找出解決方案。”她認為可以建立大規模新型公私合作關係。想像一下,如果我們能讓企業對被裁員工的再培訓與轉崗負責。她知道這聽起來很理想主義。“很多人說:‘吉娜,你太天真了,這不可能實現。’好吧。但我告訴你,如果我們不抓住此刻做出改變,我們所知的美國就將走向終結。”如果高管們的擔憂真如雷蒙多所說那般真切,他們或許能被推動採取行動。美國勞工聯合會主席莉茲·舒勒一直在嘗試——但基本失敗了。她告訴我,CEO與科技領袖一心只想贏下人工智慧競賽,“勞動者成了事後才會想到的人”。舒勒知道,這很像工會領袖的慣常論調,於是她主動做出讓步:“大多數勞動者,尤其是工會領袖,一開始都會恐慌,對吧?覺得:哇,這會徹底摧毀所有工作,所有人都會失去保障,我們必須叫停——但我們知道這不會發生。”舒勒說,她沒有陷入恐慌,而是與代表約1500萬人的勞聯-產聯各工會領袖溝通,推動他們在人工智慧全面落地前,利用這短暫窗口期想清楚:他們想從這項技術中得到什麼,又願意為此交換什麼。到目前為止,只有一家公司接過了這根橄欖枝:微軟。微軟同意讓員工參與人工智慧開發與安全規則的討論。最不尋常的是,協議包含一項中立條款,允許員工自由組建工會而不受報復——這在科技行業前所未有。“我們認為這是一個範本,”舒勒說,“我們希望其他企業也承認,勞動者是這場討論與我們未來的核心。”眯起眼,你也許會說服自己,微軟協議確實是可行的證明。但更現實的情況是,它只是個特例。因為所有的勸說、理性、愛國呼籲與人性感召,都在對抗一條與僱傭勞動一樣古老的真理:美國資本主義奔向效率,就像水往低處流——必然、冷漠,對站在谷底的人帶來可預見的後果。而有了人工智慧,資本第一次擁有了一種工具,能實現當年工廠主無法想像的近乎無限的生產力:最高效率,最少員工來分走收益。在這種背景下,CEO們的沉默有了另一層意味。這可能是一種冷酷的確認——決定早已做出;也可能是一聲壓抑的懇求——希望政府能把他們從自己手中拯救出來。於是,目光投向了華盛頓。你大概也知道,我們當下的政治環境令人難以忍受。然而,要讓它變得可以忍受——找回其核心那一絲希望的微光——只能靠更多的政治行動。這就是華盛頓骨子裡的黑色幽默:掏空這裡的鬥爭,恰恰也是讓它重生的唯一途徑。如果有什麼議題足夠重大、足夠緊迫,能緩解全國性的焦慮,你或許會認為,美國就業的未來會是那個議題。“至少從我在參議院的接觸來看,沒多少人在討論這件事。”密歇根州資深參議員加里·彼得斯告訴我。“我的同僚們普遍態度是——”身為民主黨人的彼得斯特別點出共和黨,不過他說兩黨都有責任——“‘我們什麼都不用做,一切都會好起來的。事實上,政府就不該插手,讓行業自行前進、繼續創新就好。’”想要放緩人工智慧,就等於把美國的科技霸權拱手讓給東方大國——科技遊說團體正以宗教般的狂熱強調這一點。想要人工智慧實驗室提前通告技術落地的後果也很難,因為很多時候他們自己也不知道。你可以立法限制取代工作的人工智慧,但執行需要一套根本不存在的監管體系,以及政府不具備的專業技術。話雖如此,政府在如何幫助勞動者渡過經濟衝擊方面,有一份數十年的現成方案。而彼得斯一直在拚命推動國會使用它。自1974年美國更積極地向全球貿易開放經濟以來,貿易調整援助計畫已通過再培訓、薪資保險與搬遷補助,幫助了500多萬人,近年來每年耗資約5億美元。2018年,彼得斯聯合提出《自動化貿易調整援助法案》,將同樣福利擴展到受人工智慧與機器人衝擊的勞動者。和國會裡很多提案一樣,它無聲無息地夭折了。2022年,該計畫授權到期,而在一個對貿易投票與新開支極度反感的國會裡,彼得斯重啟它的努力毫無進展。這非常愚蠢。美國有約70萬個工廠與建築崗位空缺。(諷刺的是,拖慢人工智慧的因素之一,正是有資質為資料中心安裝冷卻系統的暖通技工短缺。)曾預測十年內半數白領崗位可能消失的福特CEO吉姆·法利一直表示,汽車行業短缺數十萬經銷商技術人員——這類工作長期吃香:技術含量足以拿到六位數收入,且依賴精準手工操作,很難被機器人取代。但必須有人為這些工作所需的數月培訓付費。“這些都是非常好的工作。”彼得斯說。可“聯邦政府花在四年制高等教育機構上的錢,遠多於職業技能培訓項目”。如果人工智慧掏空大量工作,應對方案並不少:全民基本收入、不依附僱主的福利、終身再培訓、縮短工時。每當技術焦慮高漲,這些想法就會出現,又同樣可靠地消退——被成本、政治,或是美國幾十年來都未能實現的協調難度所打敗。第119屆國會像一艘鬼船,由倦怠與逃避艱難選擇的心態掌舵。而人工智慧行業正砸下數百萬美元,確保沒人能掌控方向。僅舉一例:一個名為“引領未來”的超級政治行動委員會,據稱已從矽谷風投公司安德森·霍洛維茨籌得5000萬美元承諾,又從OpenAI聯合創始人格雷格·布羅克曼及其妻子安娜處再籌5000萬,計畫“強硬反對”兩院中任何威脅行業核心利益的候選人——說白了就是:快跑,再快一點。舒勒告訴我,勞聯-產聯將繼續推動民選官員出台以勞動者為中心的人工智慧議程,但“這場博弈不會主要在聯邦層面,而會在州級層面展開”。各州議會正在醞釀超過1000項人工智慧相關法案。當然,人工智慧的資金也會湧向那裡;“引領未來”已宣佈將重點放在紐約、加州、伊利諾伊與俄亥俄。行政部門幾乎把所有人工智慧監管權都交給了戴維·薩克斯——名義上是總統科技顧問委員會聯合主席,實際上更像政府角色扮演玩家,同時保留風投資本與播客主身份。薩克斯也是白宮加密貨幣主管,曾共同撰寫川普政府的《美國人工智慧行動計畫》。《紐約時報》調查發現,薩克斯在與人工智慧相關的公司中至少有449筆投資。狐狸不僅在看守雞舍,還在直播盛宴。人工智慧還只是個新生兒。它長大後,可能以難以想像的美好方式改變我們的生活。但它也帶來了深刻問題:安全、不平等,以及僱傭勞動體系的存續——儘管有缺陷,這套體系催生了人類歷史上最繁榮的社會。而沒有任何跡象表明,我們的政治體系有能力應對即將到來的一切。這意味著,人工智慧帶來的最深層挑戰,或許根本不是就業。“天啊,教科書裡理想的民主,”尼克·克萊格說,“是和平表達並化解分歧,否則這些分歧可能以更具破壞性或暴力的形式出現。所以你會願意相信,一個強大的民主能夠消化這類變革。”克萊格是英國前副首相、自由民主黨領袖。脫歐後失去議會席位,他搬到加州,在Facebook/元宇宙負責全球事務七年,成了一位帶著股權的托克維爾,2025年回到倫敦。他告訴我,許多政府“根本沒有應對人工智慧的手段”。他認為,未來幾年最有能力應對的社會,一類是北歐那樣小型同質化社會,能展開成熟對話——他們會成立“由某位睿智前財長領導的委員會,拿出完美藍圖,所有人達成共識共同執行,百年後依然是最幸福的社會”;另一類是大型威權社會,根本不進行對話。“如果民主政府在這段時期隨波逐流,而變革速度可能遠超它們目前所能實現的程度,”克萊格警告,“那麼民主無法順利通過這場考驗。”接著,他通過視訊會議發表了一段極具英式風格的鼓舞講話,既有丘吉爾式的決心,又帶著一絲居高臨下,點出美國數百年來總能絕境逢生的運氣。“你們極具活力,”他開口道,“人們曾無數次看衰美國,結果卻令人驚嘆。”如果政治要成為解決方案的一部分,加里·彼得斯卻無法參與:他明年將退休。國會中最明確主張保護勞動者免受人工智慧衝擊的共和黨人瑪喬麗·泰勒·格林已經辭職。吉娜·雷蒙多被視為2028年總統競選潛在人選,作為中間派,她有能力平衡快速推進人工智慧的理由與謹慎行事的必要性。但問題恐怕等不了那麼久。“我們正在進入一個一天比一天更不穩定的世界。”彼得斯說,“這種不確定性製造焦慮,而焦慮有時會導致人們行為與投票方式的劇烈轉變。”這就說到了伯尼·桑德斯,早在人工智慧還停留在理論階段時,他就已在思考它塑造的未來。“人工智慧與機器人本身是邪惡或可怕的嗎?不是。”桑德斯用他熟悉的短促語調告訴我,“我們已經在醫療、藥品製造、疾病診斷等領域看到積極進展。但問題很簡單:誰將從這場變革中受益?”在2025年愛荷華州達文波特市的“反抗寡頭政治”巡迴活動上,聽眾一聽到人工智慧就發出噓聲。而最懂民眾情緒的政客桑德斯,能感受到數十年的不滿——貿易、不平等、生活成本、系統性不公、政府對企業的偏袒——正圍繞人工智慧匯聚。10月,他發佈了一份類似“九十五條論綱”的人工智慧與就業報告。其中收錄了CEO與諮詢公司關於就業末日將至的所有可怕言論,並提議縮短工時、勞動者保護、利潤共享,以及一項未具體說明的“大型企業機器人稅”,稅收將用於“救助受人工智慧傷害的勞動者”。這是一份充滿憤怒的檔案,彷彿桑德斯是用拳頭敲出來的。至少有一位民粹主義政客認為,桑德斯做得還不夠。史蒂夫·班農在華盛頓的聯排別墅離最高法院近到站在最高台階上就能讀到“正義——自由的守護者”。他以標誌性形象迎接我:迷彩工裝褲、黑色T恤,外加一件棕色襯衫、一件黑色紐扣襯衫。他好幾天沒刮鬍子了。就算他提議去買三明治,或是組建民兵,我也不會驚訝。班農,這麼說吧,有些無賴傾向。但他不是人工智慧的旁觀者。21世紀初,還是電影製片人的他曾試圖買下雷·庫茲韋爾《奇點臨近》的版權,這本人工智慧運動的“聖經”設想了機器超越人類智能的那一天。班農認為它能拍成一部好紀錄片。幾年前,他為自己的“作戰室”播客聘請了一位人工智慧通訊員,追蹤每一則企業裁員公告,尋找預兆。他擔心失控的人工智慧製造病毒、奪取武器——國家安全官員、生物安全研究者與一些知名人工智慧科學家也更冷靜地持有這種恐懼——但他認為美國勞動者已迫在眉睫,甚至準備拋棄自己的部分意識形態。“我主張解構行政國家,但我不是無政府主義者。”班農告訴我,“你確實需要一套監管機制。如果對此沒有監管,那就乾脆把整個東西關掉,對吧?因為這就是它被造出來的目的。”班農想要的不只是監管。這是一種古老思路的回歸:當政府認定一項技術具有戰略重要性時,就應持有部分所有權——就像當年對鐵路,以及2008年金融危機期間短暫對銀行所做的那樣。他提到了唐納德·川普8月讓聯邦政府持有英特爾9.9%股份的“高明”決定。但他認為,在人工智慧領域的持股比例需要高得多,與聯邦對人工智慧企業的支援規模相匹配。“我不知道——先從50%開始吧。”班農說,“我知道右翼會瘋掉。”但他說,政府需要把有判斷力的人安插進這些公司董事會。“而且必須現在、立刻、馬上著手。”否則,他警告,我們將迎來“體制中最糟糕的元素——貪婪與貪慾,加上只想攫取原始權力的人——全部匯聚在一起”。我指出,主導這場匯聚的人,正是班農助選上台、最近還建議其連任三屆的那個人。“川普總統是偉大的商人。”班農說。但他正從埃隆·馬斯克、戴維·薩克斯等人那裡獲得“選擇性資訊”,班農認為這些人只是搭上川普順風車,以最大化自己在人工智慧上的利潤與控制權。“你有沒有注意到,當我說‘川普2028’時,這些人並沒有歡呼雀躍。我沒得到一句‘幹得好’。”他說,“他們利用了川普”,並認為共和黨內部即將出現重大分裂。班農的政治立場本不利於跨黨派聯盟建設,但人工智慧甚至打亂了他的邊界認知。他與格倫·貝克聯名簽署信件,要求禁止開發超級智能人工智慧,擔心比人類更聰明的系統無法被可靠控制;聯署者還有知名學者與歐巴馬政府前官員——“那些左派寧願吐口水,也不願承認史蒂夫·班農在任何事上和他們站在一起”。他還在勾勒應對未來所需的聯盟理論:“這些倫理學家與道德哲學家——坦白說,你必須把他們和一些街頭鬥士結合起來。”在美國政治中,極左與極右交匯的議題非常罕見。它們往往在高度技術性的事物(1896年金本位、2008年次貸危機)轉化為情緒性議題(威廉·詹寧斯·布萊恩的“黃金十字架”、茶黨)時出現。這就是民粹主義。而草叉的威脅,偶爾會讓美國資本主義變得更人道:八小時工作制、周末、最低工資,全都誕生在改革與革命之間的地帶。沒人比班農更懂、也更會利用這片模糊地帶。他對人工智慧的憤怒,前一秒聽來理性,後一秒就充滿威脅。我們聊到執掌最有影響力人工智慧實驗室的那些人時,他直言:“說白了,我們正面臨這樣一種局面:一群坦率說還不算完全成熟的人——你從他們行為就能看出來——在為人類物種做決定。不是為國家,是為物種。一旦跨過這個拐點,就再也回不去了。這就是為什麼必須叫停,我們可能必須採取極端措施。”草叉的麻煩在於,一旦你鼓勵所有人拿起它,可能造成的破壞就沒有盡頭。而且與以往時代不同,我們的社會如今被兩樣東西定義:讓每個人都能清楚看到別人過得多好的手機,以及一旦他們決定採取行動就能用上的槍。如果美國精英能在不被恐懼逼迫的情況下負責任地行事,這個國家會好得多。如果CEO們記得,公民也是一種股東。如果經濟學家能在未來出現在後視鏡之前就去模擬它。如果政客把選民的工作看得比自己的職位更重。這一切都不需要革命,只需要每個人把自己現有的工作做得更好。他們有一個簡單的起點——低到幾乎算是共和國的基礎認知測試。埃麗卡·麥肯塔費曾任勞工統計局局長,直到8月因一份疲軟的就業報告被川普解職。麥肯塔費表示,沒有證據表明勞工統計局受到政治干預,但“獨立性並非經濟資料面臨的唯一威脅”,她告訴我,“資金與人員不足也是危險”。大多數試圖分析人工智慧對勞動力需求影響的經濟論文,都使用勞工統計局的當期人口調查資料。“這是現有最好的資料來源。”麥肯塔費說,“但樣本相當小,只有6萬戶家庭,20年來沒有增加,回覆率也在下降。”要弄清楚經濟現狀,顯而易見的第一步,是擴大調查樣本,並增加一項關於工作中人工智慧使用情況的補充調查。這只需要多幾名經濟學家與幾百萬美元——一筆微小的投資。但勞工統計局的預算幾十年來一直在縮水。美國當年創立勞工統計局,是因為相信民主的第一職責是知道人民正在經歷什麼。如果我們已丟掉這份信念——如果我們不願衡量現實、不願去計數——那就只能祈禱機器保佑了。 (邸報)
九位具身大佬談:去年量產遭遇了那些難題,今年落地仍有那些瓶頸?
春晚之後,2026年中國兩大科技主線已經明確:巨頭之間的AI(大模型)之戰,創業團隊之間的具身(機器人)之戰。其中更為性感的、也更為產業所熱議的,自然是後者,具身機器人之戰,尤其是2026年正在成為具身機器人從“量產”到“落地”的關鍵一年。僅僅是在開年這一周時間裡,就出現了五起大額融資——千尋智能兩輪近20億元融資,智平方超10億元B輪融資,銀河通用25億元A+輪融資,松延動力近10億元B輪融資,以及優理奇3億元股權融資。經過這一輪資本加持,中國具身智能賽道已經跑出至少7家百億級獨角獸企業:宇樹、智元、銀河通用、星海圖、智平方、自變數、千尋智能。然而,在具身機器人經歷了第一波量產嘗試後,在市場熱情再次被燃燒起來之時,整個產業更需要反思的是:2025年,在第一波具身機器人量產過程中,暴露出了那些問題?2026年,在又一波具身機器人落地浪潮下,有那些確定性瓶頸和趨勢?就這兩個關乎具身機器人產業未來走向的問題,我是在近期舉辦的人形機器人與具身智能標準化年會上,聽到了一場含金量極高的對話,參與這場對話的均為中國具身領域頭部機構的從業者——智源研究院院長王仲遠、星動紀元創始人陳建宇、星海圖創始人高繼揚、清華大學教授汪玉、自變數機器人創始人王潛、眾擎機器人創始人趙同陽、 帕西尼創始人許晉誠、加速進化創始人程昊,以及它石智航首席科學家丁文超。從這九位具身機器人頭部機構從業者的深入研討中,我們找到了上述兩個問題的些許答案。01 具身機器人量產,N個“一致性”難題問:具身機器人量產過程中,最難啃的“骨頭”是什麼?陳建宇:量產過程中,我們認為有兩個比較大的問題:第一,“一致性”問題。因為機器人鏈條很長,從供應鏈、零部件,到整機、系統、演算法,每個環節都可能出現一些小的變數影響一致性。例如,我們之前遇到過這樣一個問題:同一批次造出的人形機器人,有幾台走路走得總是不好,後來查了半天發現,工人在電機組裝的打膠水環節中,有幾台打得不太好,這種問題在實際生產環境中並不少見。後來的解決方案是,我們設定了多層關卡和閘門,一層層把風險排除掉。第二,因為具身機器人這類產品太新了,我們往往無法提前考慮到所有問題,特別是在我們自己小批次內測時,可能會存在沒有考慮到的問題。例如我們之前有一款在售產品,推出一段時間並沒有出現任何問題,後來我們一位大客戶,買的量比較多、用得比較久,使用場景也比較重,在他們使用過程中,出現了一些我們完全沒有預料到的問題。這樣的問題是目前難以避免的,但是我們可以做兩件事情:第一,快速迭代, 遇到問題後,快速想辦法把問題分析解決掉;第二,形成經驗“錯題本”,不斷積累,避免下次出現同類問題。高繼揚:整機和智能的聯動是一個很重要的問題。我們通過生產、工藝能夠保證一定的一致性,但最終發現,每台機器人之間依然存在細微差異,加上基礎模型之後,這些細微差異就會被放大。這就需要有一個標定的過程,將整機中的各種感測器、機械結構,在一個統一的數學空間中做出標定,並與模型完成聯動。基於此,不僅整機有量產,智能也有了一個量產的過程,中間的聯動就靠標定,這是在機器人或者具身智能量產過程中,比較獨特的問題。王潛:兩位講的都是我們所能控制的部分,在我們自己的生產、標定當中,依然存在一部分我們自己控制不了的部門,就是供應鏈問題。我印象特別深刻的是,有一次我們有一個電機,老是出現一些不規則的、難以預測的損壞情況,我們當時覺得很奇怪,為什麼在我們友商那裡,用同樣的電機,他們沒有碰到這樣的問題。後來我們發現,因為大家使用的工況不同,友商使用的是比較常見的工況,供應商針對這個工況做的最佳化比較好,我們雖然也在供應商標定工況之內,但是可能供應商有點偷懶,沒有把那部分的測試和最佳化做好。這也凸顯出了標準工作的重要性,如果我們有一套足夠完備的標準,能夠把這類情況規範起來,就可以避免這類問題發生的。但是目前階段,還是不可避免地會走一些彎路,依然需要我們不斷積累,在各類環境中大量使用和測試,包括量產,才可能讓這些問題暴露出來,這是產業鏈一個發展過程。趙同陽:首先,關於量產,我們要有一個清晰的定義。從去年到現在,人形機器人數千台規模的出貨量,相較於汽車行業而言,只能算是“小批次試產”。相對於百年的汽車行業而言,機器人現在所處的階段還遠未到量產階段,這是一個事實。這其中,供應鏈的發展也還遠未達到量產階段。像汽車,從輪胎、減速器,到玻璃、方向盤,每一個零部件都有幾十家,乃至上百家成熟的供應商,經過近百年的發展,而機器人行業,尤其是人形機器人行業,只是在近兩三年才得到高速發展。從機器人的供應商來看,目前可選的並不多,質量也還在一起探索階段。另外,這個行業到目前依然處於快速發展階段,產品迭代很快,這使得像模具的生產製造,大家都不敢放開手去做。由於行業發展非常快,一個產品可能只有1-2年的競爭力,假如企業備了幾十萬台的貨,有可能在下次競爭中就會被淘汰,導致企業出現大量庫存,這就使得我們和供應鏈廠商都不敢大規模進行產品量產,也就導致整個供應鏈會有一點卡滯。此外,小型人形機器人和大型人形機器人的標準要求也不一樣,小型人形機器人運動能力對機械強度等方面要求不是特別高,但大尺寸人形機器人要又蹦又跳,要承受10g-20g的加速度,還要保證齒輪不斷裂,需要從模擬到設計上慢慢驗證。有些東西甚至無法模擬或設計出來,只能測試出來,這些都是我們整個行業在現階段要去解決的問題。丁文超:大家講的很多是關節的、控制的一致性,我們遇到的一個問題是,如何保證大腦、小腦以及本體協同的一致性。例如機器人要送去進行作業,機器人全生命周期的各種動態性能,包括力觸的感知都是動態變化的,但企業發佈的其實是“本體+模型”,如何保證大腦也具有一致性、量產性,其實是我們現在正在解決的問題。這個問題不僅僅是一個硬體問題,還有很多大腦層面的訓練、資料使用技巧都可以加進去,讓機器人在整個生命周期,無論遇到怎樣的損耗、老化,都可以保持模型的泛化能力。02 具身機器人落地,26年如何造大腦?問:2026年,要讓機器人真正具備泛化能力,並在各個場景中發揮價值,還需要在那些方面進行突破?王仲遠:過去這幾年機器人之所以受到如此高的關注,不僅是因為硬體的發展,也是由於人工智慧,尤其是大模型的突破,為具身智能帶來了新的變數。具身智能和傳統的大模型相比,它需要和硬體耦合在一起,不像純數字世界,可能大模型本身可以直接發揮價值,但具身智能既需要有模型能力本身的提升,又要依賴硬體,複雜性更高。具身智能現在依然非常缺乏高品質資料,這就要求具身智能的資料除了從網際網路模擬環境中獲取以外,一定要有真機資料。當然,這些真機資料如何高品質、標準化地獲得,這就是標委會可以重點推進的一些事項。展望未來,尤其是今年,我覺得可能分兩部分:第一,就企業實際落地來看,我相信依然會以VLM+VLA,或者純VLA為主,在具體的場景中做資料閉環打磨;第二,就科研角度來看,會將重心放在世界模型,放在推進下一代真正具備泛化性的具身智能模型。陳建宇:2026年,我們有兩個重點:第一,資料閉環。經過過去兩年的發展,端到端VLA模型的一些範式已經開始標準化,這時,提升資料質量就成了提升模型能力最高效的途徑。第二,模型範式的提升。當前比較標準的VLA模型主要是基於模仿學習的範式,如何為機器人建立更好的理解物理世界的模型,幫助機器人更好、更范化、更精細地完成各類物理世界中的任務,這也需要進行範式的探索。高繼揚:現在看機器人大腦這件事,主要分為三部分:資料的形態、預訓練怎麼做、後訓練怎麼做。預訓練,去年大家都在做VLA,今年明顯的趨勢是往世界模型在走,這是一個確定性的趨勢;後訓練,去年主要是SFT的模仿學習微調,今年明確在向強化學習方向去走;資料形態,現在具身智能有很豐富的資料形態,從傳統的遙運算元據,到UMI資料,再到我們最近和輝達有一個基於EgoScale框架的合作,是用POV資料觀測自己的雙手怎麼去做,沒有佩戴任何其它輔助裝置,也有很好的預訓練效果。這三個方面,都會在今年有集中的體現。汪玉:從演算法發展的角度來看,後訓練是從SFT向IL(模仿學習)、RL(強化學習)的方向走。現在如何做強化學習,特別是如何將現有算力高效地用於強化學習,這是在雲端要考慮的問題。邊端如何讓機器人在百分之七八十精準率的情況下,進一步通過真機的強化學習能夠將特定認為的精準率提升到99%,乃至100%,這是今年重點要突破的。此外,就具身資料而言,資料的“量”很重要,“質”也很重要。特別是針對資料的“質”,我們看到,做真機強化學習時,實際場景中沒有做好的資料如何回流,如何加入到典型資料中,讓機器人能夠不斷學自己做不好的事情,我覺得是一個關鍵問題。王潛:模型架構本身是一個大的方向。兩年前,還有很多人在做單點任務的小模型,去年大家開始去做VLA,今年大家開始做世界模型。整體上是在往越來越統一、越來越全能的方向發展。但是我們看模型的輸出,有輸出動作,有輸出世界模型對於未來狀態的預測,但其實我們希望模型學到的倒不一定是這些東西,我們更希望模型學到一些物理世界的規律,例如物體的屬性或者更加本質的東西。其實我們自己認為,VLA模型、世界模型並不是相斥的關係,它們在更大框架下是相互幫助,所以我們提出了物理世界基礎模型,這個詞讓大家稍微有一點費解,後來我們把這個詞改成了世界動作模型。我們的看法是,不同任務之間的相互協同是具身模型非常顯著的特點。不同時間的任務,互相之間有大量本質性交叉,這是基於預訓練基礎模型架構的一個大的發展趨勢。當然中間會有百花齊放,有的團隊更注重世界模型,有的團隊更注重動作的訓練。另一方面,最近兩年後訓練獲得了很大的進展。例如很多團隊已經能夠在某些單點場景上做相當優秀的後訓練,特別是強化學習,能夠獲得非常不錯的、前幾年做不到的一些效果。這很大程度依賴於預訓練模型的發展,不管是在具身模型上,還是之前在語言模型上看到的明顯特點,如果預訓練模型沒有很好的基礎,強化學習效果會很差。關於資料,我看到的一個大趨勢是,資料生產逐漸從單點的known-how轉向工業體系。之前大家對於資料的理解是在一個地方有一個口傳心授的秘訣,另外一個地方有單點的模型進行處理,但是現在整體的趨勢是,資料越來越向工業化的方向發展。我們正在以一個完整、可控制、可大規模複製的方式去生產資料,我們也有成體系的 benchmark或模型閉環,這也是我們自己會非常重視和大力度投入的方向,基本上是這樣。趙同陽:早期我們把人形機器人當成一個工具去使用,看重的是機器人的工具屬性,工具要做的就是足夠快、足夠精準、失敗機率足夠低,我們自己內部也在用世界模型、強化學習讓它的失敗機率更低一些。但是人類已經有很多工具,還在乎多一種新的工具嗎?除了工具屬性,接下來人形機器人會帶來更多情緒價值。我們賦予它“雙眼”,讓它能看清這個世界,賦予它“雙耳”,讓它能聽懂這個世界,賦予它“觸覺”,讓它能夠感知這個世界……既然賦予了它這麼多能力,我們希望它不僅能為人類帶來工具屬性的價值,還能帶來情緒價值,世界模型的使用,包括情緒、情感、喜怒哀樂,我們要將它做得至少像一個人,而不僅僅是一個機器。此外,具身機器人大腦的模型還完全沒有收斂,每一家都有自己的做法,每過一兩個月都會有新的演算法出現。它不像做腿足運動控制,現在已經能跑能跳,很多東西幾乎已經超越人類現有水平,而現有的VLA模型很多還處於探索階段,模型能力只能達到人類的1/3、1/4 ,甚至更糟糕的狀態,我們也正在嘗試解決這個問題。許晉誠:我們一直嘗試在做的就是泛化的定義,我們押注在與物理世界接觸模態資訊上,只有這些資訊,才能提升整體任務的成功率。我們在機器人實驗中,加入了大量接觸模態的感測器,例如觸覺感測器,它可以讓基於Pi0這樣基座模型的一個任務的執行成功率,從20%提升到90%以上。這很大程度上提升了任務執行的成功率和泛化性,這是我認為具身機器人未來很重要的一個發展方向。物理接觸模態的資料也很重要,我們現在也在把大量接觸模態的多維觸覺資料採集下來,這對提升整體任務的成功率很重要。程昊:我們認為具身大腦是前期研發需要投入比較多的地方。在整體路線變得越來越清晰的情況下,我們更側重於在現有雙足人形機器人上,尤其是在機器人全身運動已經越來越成熟,可能今年在很多任務執行上能夠超過人類的情況下,現有的具身模型或VLA到底引入那些新維度的資料,模型通過強化學習,還是更多模態的方式,能夠在雙足人形上有更好的效果提升,這是接下來兩年我們在具身大腦上重點投入的方向。丁文超:資料和模型是我們成立第一天起就開始解決的問題,我們公司第一天就提出了一個概念,叫作“以人為中心的資料”。遙操作是通過VR/AR裝置把動作對應到機器人上,讓機器人去完成,而我們的想法是,通過可穿戴式裝置,讓人去做資料採集任務。我們設計了一整套數據採集套件SenseHub,你可以佩戴第一人稱的攝影機、穿戴手套,也可以佩戴二指指套,多種不同的終端。這樣一套數采裝置很 大的好處真正能夠深入到各行各業,所以我們現有資料不僅侷限於數采中心,我們在真實場景下的各行各業,大家能想到人能去的場景,我們都能采到資料,這對於整個模型的泛化能力的提升非常關鍵。在模型側,我們有一個落地任務,它是一個長程、柔性、高精度的任務,這是這代具身智能需要解決的問題。我們發現,在現在的世界動作模型落地過程中,關鍵在於如何將對世界的預測和動作有機結合起來。現在很多世界模型單純把它引入到VLA,很容易產生幻覺問題,對空間的幻覺、物理的幻覺會直接影響機器人最終執行的動作。如何讓機器人的物理感知,對物理的推測、對空間的推測沒有幻覺,能夠穩定可靠執行任務,這是過去這一年我們一直在解決的問題。 (鋅產業)
🎯黑天鵝來了?別鬧了!這次又是老天送你的「大買點」!Line@連結:https://lin.ee/mua8YUP🎯黑天鵝來了?美股重挫+美伊戰火升溫。結果呢?台股開低走高CPO族群更是直接噴給你看。上週我就講得很白⭕日周月沒背離⭕融資落後大盤20%⭕量能沒崩⭕35579不是天花板真正過熱的是60分線,不是大趨勢。這種回檔,叫「深呼吸」,不叫「崩盤」。再看基本面。AMD直接接下Meta千億美元級AI大單,6GW Instinct GPU部署。一週前才掃NVIDIA GPU。科技巨頭仍在搶算力。🔥跟著江江鎖定:五大「翻倍級」成長產業第一,CPO。台積電+NVIDIA都公開點名。新竹實驗室已動。2026商轉、2027爆發。這不是題材,是結構革命。第二,PCB高階板。AI伺服器越做越複雜,ABF載板就是印鈔機。資本支出敢開,就是訂單看到未來。第三,記憶體。HBM滿載,報價翻正。景氣循環已翻多,只是很多人還沒醒。第四,低軌衛星。SpaceX、Amazon Kuiper在加速。軍工+商用雙引擎,這條線很長。第五,機器人。3月輝達GTC要來了。AI落地的最後一哩路,資金會找低基期。🔴這波拉回,我優先鎖定的是哪一條主線。接下來我們會在粉絲團持續幫大家鎖定+追蹤,若還不知道該如何操作?那建議你務必要鎖定江江在Line @,將有更進一步的訊息給大家了解。https://lin.ee/mua8YUP🔴想了解還未起漲的市場主流,同步了解大盤多空轉折點及學習預測技術分析,江江YT節目都會持續追蹤+預告。https://reurl.cc/02drMk********************************************************有持股問題或想要飆股→請加入Line:https://lin.ee/mua8YUP江江的Youtube【點股成金】解盤:https://reurl.cc/02drMk*********************************************************(本公司所推薦分析之個別有價證券 無不當之財務利益關係以往之績效不保證未來獲利 投資人應獨立判斷 審慎評估並自負投資風險)
每周5天、每天10小時:人形機器人走上寶馬生產線
2月27日,寶馬集團正式宣佈,首次將“物理人工智慧”(Physical AI)引入其歐洲生產體系,在德國萊比錫工廠啟動了人形機器人試點項目。寶馬此舉是將人形機器人技術整合到現有汽車量產流程的開端,並旨在探索其在電動汽車高壓電池和零部件生產中的更多應用潛力。此次試點項目中,寶馬選用了一款名為Aeon的黑白機器人,該機器人由瑞典公司Hexagon開發。它身高1.65米(約5.4英呎),重60公斤(約132磅)。根據相關資料,Aeon機器人具備高度擬人化的機械結構,支援快速更換不同功能的末端執行器與高精度感知模組,能夠靈活適應多種工序任務。同時,其整合的輪式動態移動能力顯著提升了作業覆蓋範圍和響應效率。AEON機器人將主要用於高壓電池裝配和精密零部件製造等環節,這些崗位通常環境嚴苛,需要員工穿戴笨重的防護服進行高強度勞動。據悉,該機器人的電池續航時間約為3小時,但開發商表示,機器人可以使用充電站,在大約30秒內給自己更換電池。Hexagon Robotics總裁表示,這個型號的機器人能憑藉其帶有的22個感測器和各種類型的攝影機,實現對其周圍環境的充分感知。他還拒絕透露機器人的價格,但表示每台的價格在數十萬歐元左右。機器人將遵循每周工作五天、每天十小時的節奏,以毫米級精度執行重複性任務,其目標並非替代人類,而是作為現有自動化系統的補充,以減輕員工負擔、改善工作條件。寶馬此次在歐洲的佈局並非從零開始,而是基於其在美國南卡羅來納州斯帕坦堡工廠的成功試點經驗。在那次為期約10個月的測試中,Figure公司(與海克斯康為不同供應商)的Figure 02人形機器人參與了超過3萬輛寶馬X3的生產,完成了約9萬次精準零部件搬運,累計運行1250小時,證明了此類機器人能夠安全、精確地執行高負荷工作。彼時,Figure公司創始人曾表示:“Figure 02已成功用於將鈑金零件放置到專用夾具中。在後續工序中,這些部件將被組裝成機器人身體的一部分。在測試過程中,該機器人展現出了卓越的觸覺能力。”此次萊比錫試點規模與之相似,但目標更進一步,側重於測試AEON機器人在多種任務場景下的適應性和多功能性。寶馬的人形機器人部署計畫將分三個階段實施,旨在系統性應對歐洲製造業日益嚴峻的勞動力挑戰。寶馬生產負責人、即將於5月出任首席執行長的Milan Nedeljković表示,數位化正在提升寶馬全球生產體系的競爭力。未來,寶馬還可能利用人形機器人承擔目前由供應商完成的更多工。寶馬流程管理負責人表示,“這讓我們有機會把更多生產環節轉移到內部完成。”寶馬的舉動是當前汽車行業擁抱人形機器人浪潮的一個縮影。行業巨頭們正積極利用機器人工程能力,以期在降低人工成本、提升效率的同時,開闢新的增長點。摩根士丹利曾預測,到2050年,人形機器人市場規模可能達到5兆美元(約合34.26兆元人民幣)。在寶馬宣佈此消息前,豐田汽車也已宣佈將在加拿大工廠引入人形機器人,而奔馳、奧迪、現代、福特等車企也均有類似的合作或試點計畫,汽車製造已成為人形機器人商業化落地的前沿戰場。根據規劃,AEON機器人的試點項目已於2025年12月完成首輪產線實測,計畫於2026年4月進行二次測試,部署後正式實施,並預計在夏季進入規模化試點階段。人形機器人將作為現有自動化系統的補充,有助於減輕員工負擔並改善工作環境。當前,在歐洲,工廠自動化(包括機器人和AI)的發展引發了人們對潛在失業問題的擔憂。對此,寶馬集團數位化負責人邁克爾·斯特羅貝爾在周五表示,公司目前“沒有計畫”通過引入新機器人來取代工人,以減少員工人數。 (科工力量)
中國國產大算力AI晶片創企融資超8億!7nm晶片已量產交付
蔚來、小米、商湯、智元均持股。芯東西2月24日報導,2月14日,中國國產大算力AI晶片創企輝羲智能宣佈完成超8億元Pre-B輪股權融資。本輪融資由梁溪數字母基金、京國瑞基金等產業引導基金,以及中國多家具身智慧型手機器人企業、產業CVC及資深產業投資人參與,多位老股東持續加碼。輝羲智能成立於2022年4月,由徐寧儀博士、章健勇博士、賀光輝教授等清華校友聯合創辦,致力於成為全球領先的具身智能AI計算平台供應商。經過多輪融資,該公司已引入蔚來資本、雷軍旗下順為資本、小米集團、商湯國香資本、經緯恆潤、三七互娛等知名產業背景投資方。企業信用查詢平台企查查顯示,中國具身智慧型手機器人頭部企業智元機器人亦是輝羲智能的股東,目前智元機器人對外投資企業已超過50家。輝羲智能堅持“計算架構-AI晶片-基礎軟體工具鏈”的全端自研路徑,已實現大算力端側旗艦晶片R1的成功流片與量產交付,在具身智能領域走通“晶片-平台-產品”的全端自主中國國產化路徑。光至R1於2024年10月發佈,旨在為高階智駕和具身智能等AI應用場景提供算力支援,是輝羲智能的首款高性能智駕晶片,並實現了算力性能與靈活適配性的平衡,支援大小腦模型的漸進式融合,可高效適配先進視覺-語言-動作(VLA)模型。該晶片採用7nm車規級製造工藝,整合450億顆電晶體,具備8核SIMT架構,內建24顆Arm Cortex-A78 AE核,提供超過500TOPS的AI算力和超過420kDMIPS的CPU算力。輝羲智能還面向行業推出了基於R1的具身域控大腦RoboR,算力雙倍於OrinX平台,支援FP16/FP8快速部署,服務於頭部客戶。其核心RISE計算平台搭載專為具身智能深度最佳化的自研R1晶片,已於2025年10月順利實現量產交付,部署於智元精靈G2、樂聚夸父Kuavo 4 Pro等機器人產品,並在九識智能L4級無人駕駛物流車等複雜場景中完成了深度整合驗證。輝羲智能創始團隊具備多次原創AI計算平台大規模量產落地經驗。據其官方介紹,徐寧儀博士是領域通用計算架構和智能系統方向的專家,曾任微軟亞洲研究院硬體計算組負責人、百度智能晶片部主任架構師、陣量智能CEO,主導過多款AI晶片設計及大規模商用,並率先在網際網路搜尋推薦和視訊分析領域實現了算力、演算法、資料的增益閉環。章健勇博士曾任蔚來汽車自動駕駛AVP,是蔚來第一代自動輔助駕駛功能開發負責人、第二代自動駕駛系統平台工程負責人,曾主導EyeQ4功能全球首發量產、Orin平台功能從工程樣片到車型功能全球首發量產。賀光輝教授是上海交通大學教授,長期從事高能效數字系統晶片和高算力晶片互連技術研究,學術成果在多個領域得到產業化應用,主持國家重點研發計畫等科研項目20余項,多次獲得國家及省部級榮譽。成立之初,輝羲智能的目標是打造創新車載智能計算平台,提供高階智能駕駛晶片、易用開放工具鏈及全端自動駕駛解決方案。該公司在2022年6月獲天使輪融資,由元生資本和蔚來資本領投,真格基金、SEE Fund、雲九資本等跟投。2023年2月,輝羲智能宣佈完成數億元天使+輪融資,由順為資本和小米集團聯合領投,國汽投資、連星資本、凱輝基金、商湯國香資本、奇績創壇、金沙江創投、勵石資本、清研資本、卓源資本等跟投,天使輪股東持續加碼。2023年7月,該公司完成數億元戰略融資,由經緯恆潤領投,朗瑪峰創投、鈦銘資本、三七互娛跟投,老股東連星資本持續加碼。進入2025年,輝羲智能的業務重心開始向整個具身智能領域拓展,先是在3月獲得智元機器人供應商大會優秀合作夥伴獎,而後在8月將公眾號介紹更新為:“輝羲智能致力於打造具身智能時代算力平台,提供高算力通用具身智能晶片、易用開放工具鏈及全端解決方案。”其目標也更新為“實現優質高效的具身智能量產交付,引領具身智能時代的高階機器人與智能駕駛的突破性應用”。據介紹,通過與戰略夥伴的深度協同,輝羲智能已建構起覆蓋工業製造、商用服務及倉儲物流的多元化場景矩陣。 (芯東西)
中國是否正在引領機器人革命?
csis最近發表了一篇關於中國機器人產業的研究,從汽車行業的“黑暗工廠”開篇:長安汽車 的數字智能工廠擁有超過2000台機器人與自動駕駛運輸系統,每60秒下線一輛新車,生產成本比傳統模式降低約20%。“黑暗工廠”是中國高度自動化的象徵,理論上可以在無照明、無人工干預條件下運行,這座工廠是一個縮影,接下來中國是否真的正在引領一場機器人革命?01 機器人真正改變的是“製造業”最近這一年,人形機器人是吸引了很多目光,但對經濟影響最大的,依然是工業機器人——銲接、切割、搬運、裝配等標準化生產環節。中國2024年新增工業機器人29.5萬台,超過全球其他國家新增數量總和。每萬名工廠工人擁有470台機器人,僅次於韓國和新加坡。對中國機器人來說,底層需求是由製造業行業結構驅動的◎ 電子行業機器人應用年均增長16%◎ 汽車行業年均增長13%◎ 食品飲料行業同比增長高達86%◎ 紡織行業同比增長29%在中國的進步過程中,自動化已從高端製造擴散到傳統行業。首先機器人服務的是“規模最大、利潤最高”的行業,隨著中國人口紅利的退坡,機器人開始大量進入“勞動密集型領域”,對全球製造分工格局意義重大。十年前,中國約75%的工業機器人依賴進口。如今國產化率達到57%。頭企業如Estun 和 Siasun 長期深耕工業機器人領域,而新一代企業如 Unitree、Agibot、UBTech 則在形態創新和人工智慧驅動控制方面發力。在汽車和電子行業,國產佔比分別為31%和59%,仍面臨日本和歐洲巨頭的競爭。但在食品飲料和紡織領域,國產佔比已達80%-100%。在“老牌自動化市場”,中國企業與國際巨頭正面競爭;在“新興應用市場”,中國企業幾乎沒有外資對手,中國的先發優勢正在形成。中國擁有全球約三分之二的有效機器人專利,超過19萬項。人形機器人吸引了資本和政策關注。預計到2025年全球將售出約1.6萬台人形機器人,其中大部分來自中國企業。但必須理性看待:◎ 多數展示場景仍需遠端操控◎ 物理AI(空間推理、動作規劃)尚未成熟◎ 成本與可靠性問題仍待驗證商業邏輯未必支援“通用型人形機器人”。工廠管理者更可能選擇便宜、專用、可靠的裝置,中國的創新未必最終體現在“類人形態”,而可能體現在更高效的專用自動化解決方案。02 機器人產業政策與市場雙輪驅動中國機器人產業的崛起,既有政策推動,也有商業土壤。政策層面◎ 機器人列入“中國製造2025”◎ 《2021年機器人產業五年規劃》◎ 《2023年“機器人+”行動計畫》◎ 各地補貼政策(如廣州曾提供20%採購補貼)◎ 國家引導基金計畫20年投入1370億美元支援AI與機器人通過補貼、稅收優惠、政府採購等方式形成需求與供給雙側激勵。商業層面真正決定成敗的,是製造業生態。中國具備:完整電機、感測器、電池供應鏈、大規模製造場景、成本優勢、強大的AI研發能力和資料積累優勢。華為、小米包括很多新勢力車企正研發人形機器人;阿里巴巴 營運AMR配送系統;美團、寧德時代、京東 都在佈局機器人,優勢在於垂直整合:軟硬體、應用場景、資料閉環全部掌握在自己手中。在具身智能時代,資料就是競爭壁壘。● 製造競爭力進一步強化自動化幫助中國在汽車、新能源等高附加值領域保持價格優勢。規模經濟疊加自動化,使價格持續下探,這對發達經濟體構成直接競爭壓力。更深遠的是對開發中國家的影響——如果自動化降低了對低成本勞動力的依賴,那麼“勞動力成本優勢”將不再是決定性因素。全球供應鏈可能重新洗牌。● 海外對中國機器人的依賴上升2024年中國工業機器人出口占全球16.7%,相比2020年的5.9%大幅提升,東南亞與歐洲已成為主要市場,未來問題在於:各國是否願意在自動化核心技術上依賴中國?小結從規模、政策支援、供應鏈生態、資料積累與AI融合能力來看,中國確實已成為全球機器人產業的核心力量之一。中國已經在工業自動化規模上領先,在創新投入與商業落地速度上佔優。 (芝能看科技)
融資20億,估值破百億,成立僅2年的千尋智能憑什麼殺出重圍?
近日,具身智能公司千尋智能(Spirit AI)宣佈連續完成兩輪融資近 20 億元,估值突破百億。本輪融資陣容堪稱行業資本的集中亮相:雲鋒基金、紅杉中國、某頭部國資機構、混沌投資(葛衛東)等超一線機構重磅入局;Synstellation Capital、TCL創投、明薈投資(匯川技術董事長朱興明家辦)等產業資本協同加注;重慶產業投資母基金、杭州金投等國有資本鼎力支援;360基金、厚雪資本等戰投機構共同參與,形成覆蓋頂級資本、產業巨頭、國有資本及戰投大咖的全方位賦能格局。值得關注的是,順為資本、Prosperity7、達晨財智、柏睿資本、弘暉基金、華泰紫金、東方嘉富、千乘資本、廣發信德等老股東全部選擇繼續大額認購,以持續加碼的實際行動,彰顯對公司技術路線與發展前景的堅定信心。這是2026年開年以來,具身智能賽道又一筆重磅融資。01 “獨角獸叢林”裡的融資競速2025年是中國具身智能行業毫無爭議的“融資爆發年”。根據IT橘子資料,全年共發生329起融資事件,融資金額高達398.9億元,同比增長3倍。這條賽道的格局也從早期的“百家爭鳴”快速收斂為“頭部集中”。進入2026年,又有多家具身智能企業宣佈最新融資消息,頭部企業估值達百億人民幣以上。在一片“獨角獸叢林”中,千尋智能以近20億元的兩輪連續融資、估值突破百億的成績入場,已經進入了這條賽道的第一梯隊。02 產業老兵和AI科學家的“組合團隊”千尋智能成立於2024年初,但成立不到兩年,已經完成了從種子輪到Pre-A+輪的多輪融資,資本密集押注的背後,首先是對團隊的判斷。創始人兼CEO韓峰濤是機器人行業的連續創業者。他此前擔任珞石機器人聯合創始人兼CTO,主導交付了超過2萬台工業機器人,覆蓋20多個行業場景,是國內高性能輕型工業機器人的先行者和力控協作機器人量產交付第一人。聯合創始人高陽在加州大學伯克利分校獲得博士學位,師從電腦視覺大師Trevor Darrell和機器人專家Pieter Abbeel(後者正是美國具身智能頭部公司Physical Intelligence的聯合創始人),後回國擔任清華大學交叉資訊研究院助理教授。高陽的學術積累直接轉化成了千尋智能的模型能力。他提出的ViLa演算法被美國明星公司Figure直接採用,強化學習領域的EfficientZero演算法曾獲OpenAI聯合創始人John Schulman高度評價。2025年,高陽團隊提出的One-Two VLA架構解決了傳統VLA模型面對複雜指令容易“卡殼”的難題,它引入了一套“快慢系統”,讓模型能自主判斷任務複雜度:遇到簡單任務直接執行,遇到複雜指令則自動拆解為子任務逐步完成。這一架構與此前的ViLa、CoPa等研究成果共同演化,最終構成了千尋智能Spirit系列VLA模型的技術底座。03 “資料金字塔”和一個反直覺的觀點千尋智能聚焦視覺-語言-動作(VLA)技術路線,但在資料策略上做了差異化。高陽將之稱為“資料金字塔”訓練理念。順為資本合夥人耿益璇說:“千尋智能是我們最早發掘、且連續多輪加注的核心項目。他們從一開始就選了一條‘難而正確’的路。”“我們在預訓練階段沒有走傳統‘世界模型’預測每一幀的老路,那條路算力消耗巨大且效率不高,”高陽說,“我們選擇基於海量人類網際網路視訊進行預訓練,在更少參數量下實現更好效果,顯著降低算力成本。”這套理念的核心邏輯是:將資料按照資訊量和採集成本分層——底層是海量的網際網路人類視訊(低成本、高覆蓋),中層是遙操作和可穿戴裝置採集的互動資料,頂層是真機rollout產生的高精度資料。不同層級的資料在訓練流程的不同階段發揮作用,形成一個金字塔結構。在資料採集端,千尋智能自研的可穿戴式數采裝置已迭代至第5代,將採集成本降至傳統遙操作方式的1/10。截至目前,公司已累計獲取超20萬小時多類型真實互動資料,預計2026年將突破100萬小時。更為關鍵的是千尋提出的一個反直覺觀點:Dirty data is the key to scaling VLA models(非完美資料才是擴展VLA模型的關鍵)。團隊發現,在多樣化的“非完美資料”上訓練,反而能獲得斜率更高的Scaling曲線。換句話說,資料的多樣性,遠比“乾淨”本身更有價值。這條技術路線在2026年1月得到了一次關鍵驗證。根據千尋官方資料,Spirit v1.5成為國內首個在性能上超越Pi0.5的開源具身模型。Spirit v1.5最引人注目的是其零樣本泛化能力,無需針對新任務進行額外訓練,即可完成擦拭物體、操作鉸鏈、處理柔性物體等複雜操作。它不是一個只會做特定動作的“專才”,而是一個能夠在從未見過的場景中自主決策和操作的“通才”。千尋智能所聚焦的VLA技術路線,與Google DeepMind、Physical Intelligence等全球頭部企業高度同頻。雲鋒基金執行董事董懷謹評價說:“專屬物理世界的AI大腦是具身智能實現躍遷的重要前提,而穿越周期的核心壁壘來自於技術對生產力的實際創造。”04 寧德時代產線上的“實戰檢驗”技術參數和榜單排名是一回事,能不能在真實產線上“幹活”是另一回事。這也是當前具身智能行業最深層的痛點:Demo和落地之間隔著一條巨大的鴻溝。北京航空航天大學教授王田苗曾在公開發言中指出,具身智能繁榮背後存在隱憂,“當一定比例的企業技術路線高度雷同時,未來的競爭可能走向價格比拚”,他認為,“具身智能的核心突破口是垂類模型和資料訓練,競爭不是簡單的‘給錢給地’,而是圍繞‘技術閉環-量產能力-資料回流-商業閉環’展開的全鏈條競速。”當下,千尋智能已經把機器人送進了寧德時代的電池量產線。千尋自研的“小墨”機器人,已在寧德時代中州基地電池PACK量產線的EOL&DCR工序上穩定運行,成為產線核心裝置。累計生產近千塊電池,插接成功率穩定在99%以上,作業節拍達到甚至超過熟練工人水平。更關鍵的是,小墨展現出了對生產不確定性的毫秒級快速適應能力和超越人類的柔性操作能力。在商用領域,千尋智能的“墨子”機器人已在京東零售場景中承擔講解互動與產品操作演示,雙方正共同探索京東雲及Joyinside大模型在大型零售網路中的落地。從工業到零售,千尋智能正在用兩條腿走路。05 具身智能的“iPhone時刻”還有多遠?站在2026年初回望,具身智能已經不再是純粹的“未來敘事”。機器人正在被拉進工廠、倉庫和產線,但距離真正的大規模產業化,這條路還有多遠?行業面臨的核心痛點至少有三個。第一是資料瓶頸。人類模態從語言到視覺再到行動存在巨大鴻溝,兩歲小孩都能完成的搭積木動作,對機器人來說仍然困難重重。訓練資料的規模和多樣性遠遠不夠,而採集成本又居高不下。千尋智能通過自研採集裝置將成本降低90%、並提出“非完美資料”策略來擴展資料規模,是目前行業內為數不多的系統性回答之一。第二是從Demo到量產的鴻溝。大量公司可以在實驗室裡展示炫酷的動作視訊,但要在真實工業環境中保持7×24小時穩定運行,面臨的挑戰完全不同,包括溫度、振動、工件偏差、不確定性,每一個變數都可能導致失敗。千尋智能在寧德時代產線上驗證了這種能力,但這種驗證目前仍然是個案,規模化複製還需要時間。第三是商業模式的閉環。一位投資人曾指出,具身智能技術真正進入工廠和家庭可能還需要3到5年甚至更久,在此之前,企業不可能永遠依賴一級市場融資。誰能率先跑通“技術閉環-量產能力-資料回流-商業閉環”的正向循環,誰才有資格留在牌桌上。千尋智能選擇的VLA路線,是一條被公認為天花板最高、但門檻也最高的路。它追求的是通用具身模型,讓機器人具備理解物理世界的能力,而不只是執行特定任務的工具。這條路的終局指向的是一個更宏大的命題:當機器人真正具備零樣本泛化能力,它就不再是“專用裝置”,而是“通用勞動力”。高陽曾公開表達過一個判斷:我們正處在“Robot GPT-1”階段,四年後可能達到3.5階段。他也坦言,在一個相當長的時間內,大多數具身智能只能達到“有限場景內的L4”,廣泛場景的通用智能還不現實。這種清醒的技術判斷,也許正是投資人願意押注的原因之一。千尋智能既沒有許諾一個“明年就能進入千家萬戶”的激進願景,也沒有停留在實驗室裡追求論文數量。它選擇了一條“難而正確”的中間道路:用真實產線驗證技術,用產線資料反哺模型,再用更強的模型擴展到更多場景。20億元融資,為這場長跑提供了彈藥。但在這片競爭日趨白熱化的“獨角獸叢林”裡,真正的考驗才剛剛開始。 (騰訊科技)