馬斯克 Optimus 慢跑背後：類人步態驗證完了，真正難題是一年 1000 萬台產能

借一段刷屏的 Optimus 慢跑視訊，說明它這次已經達到生物力學意義上的類人慢跑，不是擺拍快走；順手拆了一下腳、手和感知佈局，解釋 Gen 2.5 為什麼更像一台給演算法練級的工程平台。後半段把視角拉到工程和供應鏈，用“一年 1000 萬台”當假設，倒推執行器、滾柱絲槓和工廠節奏的算術，強調真正決定人形機器人格局的，不是這一小段跑得多快，而是誰有能力把它做成按千萬台節奏複製的工業產品。

Optimus 跑步視訊：Gen 2.5 真正“跑起來了”

特斯拉剛丟出一段 Optimus 跑步視訊。還是大家熟悉的Gen 2.5 版本，但這次你能非常清楚地看到：它在實驗室裡是真正在跑，不是擺拍慢走。

很多人第一反應是速度大概有5–7 英里/小時（約 2.5–3.1 m/s），包括 Elon 本人、之前在特斯拉機器人團隊的 Anan Swamanathan、前 Optimus 負責人 Milan Kovac 在內，看完都挺驚訝，也給了比較高的評價。

從步態分類上講，我得先把話說清楚：這已經不是普通意義上的“走路”，而是嚴格生物力學定義下的跑步——在某個瞬間，兩隻腳是同時離地的，進入一個短暫的“騰空相”。你把畫面放慢，會看到有一幀裡雙腳完全離地。這和競走那種“任何時候至少一腳著地”的模式完全不是一回事。所以我更傾向於這樣說：現在的 Optimus 展示的是一種類似人類的慢跑（jogging）步態，而不是在拼極限衝刺速度。

從觀感上講，這段 Optimus 的跑步視訊給我的第一感覺是：它現在看起來更像一個在慢跑的人，而不是一台機械在“挪動”。步幅、擺臂、支撐相和擺動相的節奏都挺自然，整體姿態已經非常接近人類慢跑的范兒了。你要是逐幀慢放，會看到一些肉眼略過的細節——比如腳趾前端的 toe box 在支撐和離地過程中會明顯彎曲、形變，這說明他們在足部結構裡已經刻意留了柔性和緩衝，而不是做一塊又硬又死的“鋼板腳”。

要強調的是，這一切都還發生在 Gen 2.5 這一代硬體平台上。就我現在掌握的資訊來看，特斯拉在 2.5 上的硬體基本已經不再做大刀闊斧的結構改動，更多是把它當成一個RL、零樣本控制和世界模型的試驗平台：多造一些樣機出來，讓演算法團隊在真機上反覆練習、踩坑，為後面的 V3（Gen3）打基礎。所以你會看到視訊還在不停往外放，但底層這套機械本體，其實就是一個“結構鎖版，用來喂演算法”的工程平台。

5.2 mph（約 2.34 m/s）：跑步速度是怎麼算出來的？

在速度這塊兒，我自己的流程其實很簡單：第一遍就是拿手機隨手一看，肉眼+直覺給的數字大概就是5 英里/小時（約 2.2 m/s） 左右。然後我不太信這種“眼球估計”，就又按我平時那套更細緻的方法做了一遍計算，最後算出來差不多是5.2 英里/小時（約 2.34 m/s），跟 Anan 提的 2.5–3 m/s 區間的下限非常接近。這個數字不是我隨口編的，而是有一整套完整的算式支撐的。現在大家都在玩“誰算得最準”的遊戲，有人甚至把視訊丟給像 Grok 這樣的模型去估速，能給出個 6 英里/小時（約 2.7 m/s） 之類的結果——我的態度很簡單：你報什麼數字都行，但請把過程拿出來。

從人形機器人實用性的角度看，我一直在強調的一點是：真正的門檻不是“能不能跑”，而是“能不能在大概 2.5 英里/小時（約 1.1 m/s）附近穩定地走起來”。在家裡或者工廠這種環境，如果機器人頂多隻能以 1–1.2 英里/小時（約 0.45–0.54 m/s）  的速度晃悠，那基本就是在“拖著走”，在產線和家庭場景裡都很難說是高效工作。之前我們看到的 Optimus 行走速度，大多還停留在這一檔，差不多也就理想工作速度的一半不到。

也正因為這樣，這次跑步視訊對我來說真正有意思的點在這兒：它證明了這一代平台在硬體和控制上，已經有了更高的動態冗餘。既然你能跑到接近 5 mph（約 2.2 m/s），那說明在 2–3 mph（約 0.9–1.3 m/s）“快走”區間實現穩態行走，物理上已經不是瓶頸了，更多是控制策略和軟體調出來的問題。所以接下來我更想看的，其實不是再來一條更酷的衝刺視訊，而是：在 2–3 英里/小時（約 0.9–1.3 m/s）這個區間裡，自然、可控、可復現的行走 Demo，而不是現在這樣只有“1 mph （約 0.45 m/s）慢吞吞 + 5 mph（約 2.2 m/s）沖一下”這兩檔分離的狀態。

靈巧手與感知佈局：為量產準備的“試生產版手部”

NeurIPS 現場那台帶手的 Optimus，我也看得比較仔細。Gen 2 這代靈巧手已經穿上了手套，而且手套不是隨便套一塊布上去。從近景可以看到，掌心位置刻意留了一道很明顯的摺痕，對應的就是手掌多出來的那條 palm joint——不這麼做的話，這條掌關節一彎，外面的包覆材料就會直接把自由度鎖死。就我自己的判斷，手套表層更多承擔防護和摩擦力這兩個角色，真正的觸覺感測器應該還是長在手套底下那層硬體裡。

再看關節細節：當手指屈曲握拳時，指間關節（尤其是 IP 關節）背側會撐出一個很大的 “V” 形開口，手套是被強行拉過去罩在這塊區域上的。原因很簡單：關節本身就是鉸鏈結構，背側開合幅度很大，會天然形成潛在的夾點。如果這些地方是裸露的，你很容易把異物卡在裡面，更別提防塵防水了。加一層手套，本質上是在用軟材料把這些夾點“鈍化掉”：一方面減少異物侵入和卡滯風險，另一方面提升它和人、和環境接觸時的安全性。對照他們公開過的那隻機械裸手，你會發現所有關節、開口的位置完全對得上，這套東西明顯就是面向量產的“試產版手部”，而不是一隻隻為展覽拍照的原型手。

感知這塊，從工程師的口徑和視訊畫面綜合起來看，Optimus 的頭部正面至少有兩枚攝影機做立體視覺，後腦勺還能看到一顆鏡頭，這意味著它已經具備一定程度的“背向視野”。前方用雙目做近距離深度，後面用一顆補視角，整體思路和車上的“廣角 + 長焦”那套很像。之前發佈會上給過的一些“官方參數”，對我來說現在都已經是歷史版本了，更靠譜的描述是：前向至少兩枚 + 後向至少一枚攝影機，至於側向有沒有、有沒有額外的小鏡頭，特斯拉目前還沒攤開講。

如果把這輪資訊做個工程視角的小結，我會這樣看 Optimus Gen 2.5的“乾貨補全”：

• 運動能力：實錘了當前平台在動力學和控制上的上限——已經可以做到 ~5 mph 等級的慢跑，這給未來在2–3 mph 實用行走區間 做穩定步態留出了足夠的物理余量。
• 感知佈局：前後多攝影機配置，強調立體視覺 + 大視場覆蓋，這些都是後面做世界模型、做端到端控制必須的感知前提。
• 靈巧手工程細節：從手套、掌關節摺痕、指背 “V” 型開口這些非常具體的結構細節，可以看出他們已經在為量產和可靠性做打磨，而不是停留在“實驗室裡能動一下就行”的原型階段。

手部運動學與少驅動架構：24 DoF vs 17 致動器

當你把畫面停在指間關節（IP joints）和指關節頂部的位置時，有一個細節其實特別關鍵。手指完全伸開的時候，指背會撐出一個很大的“空洞/裂谷”，手套是被硬生生拉過去罩在上面的。對我來說，這基本就把一件事鎖死了：手套下面的機構，和他們之前裸露展示的那隻機械手，是同一套東西，不太可能搞什麼“展台上一套、手套裡再藏一套”的雙結構戲法。

從運動學角度看，我大致是這麼數這隻手的自由度的：如果只算手指、不算手腕，本體大概有 22 個自由度。然後你再把拇指根部多出來的那一檔自由度，以及小指那一側第五掌骨那種額外“往裡繞進來”的擺動也算進去，總數差不多是 24 個自由度。粗拆一下：每根手指大概有4 個自由度，上面那節是 IP 關節，下面那節是 MCP，MCP 既能做屈伸運動，又能做外展/內收。拇指在根部再多給一個 DoF，小指那一側第五掌骨還能往裡“拐”一下，所以才會從 22 撐到 24。

但你再往前臂裡看驅動配置，就會發現一個很典型的工程取捨：他們現在只塞了 17 個線性致動器。腱的顏色編碼很直白：紅色那組負責屈曲（抓握），黑色和藍色管外展/內收，另外還有兩根綠色腱專門負責把拇指和小指“繞過來”做對掌動作。結果就是一個標準的“少驅動”狀態：24 個自由度，只配了 17 個執行器，中間少了大約 5–7 個主動通道，是拿結構和彈性件在硬湊。

也正因為少驅動，現在很多關節的“回程”並不是靠主動腱拉回來，而是完全交給彈性結構兜底。比如，小指和拇指那種“繞過來”的動作，是靠綠色腱把它們拉進來，對掌完成後鬆掉腱，讓關節裡預置的彈簧把它們彈回去。手指伸直也是同樣的邏輯：只有主動的“屈曲腱”，沒有一套對等的“伸展腱”，回程就只能靠沿著手背布的一條“韌帶/橡皮筋”式的彈性帶。在股東大會的特寫鏡頭裡，你能看到手背上那條白白的帶子，那就是他們用來做被動回程的結構。換句話說，目前明顯是缺了幾根真正可控的“伸肌腱”，伸展這半程沒辦法做到精確控制。

馬斯克之前說過一句話：未來單側前臂裡大概會塞進 25 個致動器左右。你把現在這版數一數：手指 17 個 + 手腕 2 個，一共才 19 個。要漲到 25 左右，差的那 6–7 個，很明顯就是準備補在這裡——把現在交給彈簧和橡皮筋“兼職”的回程動作，改成真正的主動驅動，包括外展/內收的回程、手指伸展，還有拇指和小指對掌的主動控制。從佈局上看，前臂裡現在是兩圈執行器：底部一圈大概 12 個，看上去像一圈插滿的“生日蠟燭”，上面再是一圈大概 5 個左右，後側刻意留了一個缺口給手腕的兩個執行器，所以這圈並不是完整的 360°，而是大概 300° 的環形陣列。

再說一個所有仿生系統都會遇到的老問題，人類自己的身體上也有：你轉動手腕的時候，會發現手指會不自覺地跟著微微動一下。原因很簡單——當腕關節轉動時，肌腱路徑會改變，等效長度和張力也會一起變。Optimus 這隻手上也是同樣的事情：17 根腱擠在一條非常狹窄的通道里，手腕一動，整束腱的路徑和受力都會一起被拖著走，就會出現一些手指（尤其是拇指）在手腕動作時出現輕微的“無意識聯動”。人類可以靠肌肉主動把這部分抵消掉，但機器人想解決這個問題，只能依賴控制演算法再加更多主動腱去做補償。

充電方式這塊，他們現在基本還是沿用老方案。背後有一個直觀的介面，可以直接插線給它充電；另外你還能看到一種類似“掛牆式充電架”的東西——機器人後背掛在支架上，膝蓋彎曲，由支架托著，看上去就像是“掛起來充電”。從工程角度看，我會非常傾向於認為，真實場景下，他們會大量採用“工作時持續插著電”的模式，而不是完全指望電池撐一整班。否則，讓它干三四個小時活，然後因為電池見底當場癱倒，這在很多工況下是完全不可接受的。

這批展示出來的機器人，官方現在叫 Optimus Gen 2.5。馬斯克已經公開說過，Gen 3 會在明年二季度公佈，大概在 3 月左右。站在手這個局部來看，我更願意把 Gen 3 理解成：在現有手的基礎上繼續做第 3、4 輪迭代，而不是徹底推翻重來。你如果把現在這版手當作“預告片”，其實已經能看出後續升級的大方向：

• 第一，把那些靠彈簧、橡皮筋應付的被動回程腱，補成真正的主動伸肌，把伸展、外展/內收的精度和力控能力拉上去；
• 第二，很大機率會重新設計拇指的 CMC 關節，因為現在這版看起來有點“晃”，支撐和出力都還偏弱；
• 第三，重構 MCP 關節的腱路策略——目前用兩根“外展肌腱”同時承擔夾緊力和屈曲，結果就是你一拉它，屈曲和外展會同時發生，很難做到方向乾淨的精確控制。只有在此基礎上再加一批主動伸肌腱，外展/內收和對抗力控制才能變得真正乾淨、可控。

工程取捨、Gen 3 展望與供應鏈進度

一開始他們是死扣那套“零部件越少越好”（the best part is no part）哲學在做手，能砍一個執行器就砍一個，能用彈簧、橡皮筋解決的，就絕不多加一根腱。現在你看這隻手的狀態就很清楚：如果想在手上拿到足夠的精度和抓持力，有些執行器是躲不過去的，遲早得加回來。另外，指關節區域張開時那道大“裂谷”，從工程上看就是一個典型的夾傷點 + 疲勞應力集中源。那怕外面罩了手套，手套本身也會被反覆撐開、捏皺，高頻跑一陣子，非常容易在那一帶率先撕裂。這個問題絕對不是特斯拉獨有的鍋，現在幾乎所有仿人靈巧手的指背幾何，都是“手指一張開，背面露出一個大坑”的這一掛，我個人判斷，這一塊大機率會成為下一代設計必須重點“掃雷”的區域。

還有一點很多人容易忽略：我們現在看到的這隻手，其實是“夏天就已經設計凍結”的版本。什麼意思？就是硬體團隊早早把結構鎖死，交給演算法/訓練團隊當穩定平台，繼續在真機上練走路、跑步、操作這些技能。與此同時，新一代的手和腿在後台悄悄迭代，等新版本成熟了，軟體這邊幾乎可以做到“無縫切換”到新硬體拓撲。下肢這塊，我不覺得他們會做特別激進的結構改造，整體策略更像是在現有架構上，提升執行器性能和工藝水準，髖關節之類關鍵總成做小步最佳化，好處就是可以沿用現有拓撲，盡快把測試和產能往前推。

供應鏈側現在也開始冒出一些符合邏輯的訊號。比如有傳聞說，特斯拉會在 12 月 7–13 日這一周，對部分中國供應商工廠做質量稽核。這類消息如果是從供應商端流出來的，我個人會給個“八九不離十”的置信度，因為這種鏈路上資訊本來就很難完全摀住。如果這事屬實，基本可以解讀成一句話：Optimus 相關零部件和整機的量產節奏，並沒有脫離他們內部規劃的大框架，反而是在按部就班地往前推。

神經網路模擬環境：FSD 世界模型複製到 Optimus

在“大腦”和訓練這塊，我自己覺得 NeurIPS 上那個所謂的“神經網路模擬環境（neural sim）”其實是整場裡最硬的一塊內容之一。

現場的 setup 看起來很樸素：一個模擬駕駛艙，人坐進去，握著方向盤、踩著踏板“開車”。關鍵不在硬體，而在螢幕上那一塊——你看到的 不是預錄視訊，也不是傳統遊戲引擎渲出來的畫面，而是特斯拉神經網路即時生成的“擬真視訊世界”。這個網路前面已經把海量真實駕駛視訊吃乾抹淨了，所以現在吐出來的東西，在 物理合理性和觀感上，基本就是“真視訊等級” 的。

他們在機器人會議上放這個 Demo，其實想說的核心意思很直白：給汽車做出來的世界模型，加上端到端強化學習那一整套 pipeline，將來是要直接遷到 Optimus 身上的。你完全可以腦補下一步的場景：在一個由神經網路生成的虛擬工廠、虛擬家庭環境裡，放一台“虛擬 Optimus”進去幹活——揀貨、泡咖啡、擰螺絲、做家務。表面上你像是在玩一款“Optimus 模擬器”的遊戲，但從訓練角度看，螢幕上每一幀狀態、每一個動作，其實都可以直接當成訓練樣本，源源不斷回灌到真實的 Optimus 身上。

本質上，這就是把他們在 FSD 上那條路，原封不動平移到機器人領域：先從真實路況視訊裡挖各種“邊緣場景”和複雜路口，再在模擬裡重建，反覆回放、改條件——早晚高峰、雨雪霧、強光弱光等等——用這種方式堆出一個極其豐富、極其多樣化的資料分佈。 接下來只需要“換皮”：把車換成 Optimus，把“車流和路口”換成“貨架、工位和工具”，你就可以在一個高擬真的“Optimus 遊戲世界”裡，把“泡咖啡”“揀貨”“擰螺絲”“做家務”等等任務來回推演幾萬遍。

站在我這種比較宅的技術視角看，這條路如果走通了，最大的價值不是“酷炫 demo”，而是它給了 Optimus 一個可以持續自我喂資料、自我進化的閉環。 真實世界負責提供原始分佈和極端情況，neural sim 負責重建和放大，強化學習和控制策略負責把這些經歷“寫進”機器人身體裡。只要這幾個環節閉得夠好，後面你看到的就不會只是一兩個精心排練的秀場鏡頭，而是整個“物種等級”的能力爬坡。

人形機器人對比、前腳掌結構和“速度強迫症“

我這次主要做了三件事：確認 Optimus 是真的在跑、搞清它到底跑多快、順帶用這個例子聊聊量產和供應鏈的硬約束。

先說跑步本身。視訊裡可以很清楚地看到一個完整的 飛行相（雙腳同時離地），這在生物力學上已經是標準的「跑」，不是快走。另外大家注意到的toe box 翹起，在春天那支跳舞視訊裡就出現過：現在的toe box 是被動鉸接結構，沒有主動驅動。當腳向後拖、前緣那一小塊被地面掛住時，會繞鉸鏈產生力矩，把 toe box 撬起來。這次跑步也是同一個機理：腳跟先落地→腳掌踏平→推進階段壓力集中到腳趾根部折線→地面從下往上頂這條折線→toe box 被掀起，離地後又回位。這種大開口結構在室內還能用，一旦到戶外，小石子非常容易卡在縫裡，高頻跑動還會造成疲勞撕裂，所以我預計後續版本大機率會改成 整塊連續鞋底，刪掉這條橫向分割縫。

再說一下我是怎麼得到這個 5.2 mph （2.34 m/s） 的。簡單講，我先在畫面裡用 Optimus 身高做幾何標定：截一幀圖，把起點線和終點線畫出來，用一台 Optimus 的身高當尺子量，跑道大約是 4 米。然後我看的是骨盆穿過起終點線的時刻，而不是腳尖——腳在擺動周期裡前後晃動太大，用腳算速度會嚴重失真；骨盆才真正代表機體的平移速度，就像田徑比賽看胸口沖線一樣。按 24 fps 逐幀數下來，從起點到終點大約 1 秒 + 17 幀 ≈ 1.71 s，所以速度就是v ≈ 4 m ÷ 1.71 s ≈ 2.34 m/s ≈ 8.4 km/h ≈ 5.2 mph。也就是說，這就是一個非常典型的人類慢跑速度檔。你完全可以用別的方法去估，但我的原則很簡單：誰報一個數字，就請把算式一並亮出來。

量產這塊，我更關心的是背後的算術。以現在這版結構粗算，一台 Optimus 大概有 約 30 個結構執行器 + 約 50 個手部小執行器，合計大約 80 個執行器/台。如果馬斯克嘴裡的目標是 1000 萬台/年，那一年就是 8 億個執行器 的需求。線性執行器更誇張，目前一台機器人大約有 14 個線性執行器，每個需要 10 根行星滾柱絲槓，也就是一台 140 根絲槓，乘上 1000 萬台，就是十億等級的滾柱絲槓/年。這類精密件往往是「幾分鐘一件」，完全不可能像螺母螺栓那樣「一秒一個」，所以要麼上成百上千台裝置，要麼發明一整套高吞吐製造工藝——這才是「一年 1000 萬台人形機器人」這句話背後真正的物理含義。

供應鏈側的訊號和這個也對得上：一邊是 中國零部件供應商的驗廠傳聞，一邊是在 加拿大蘭裡執行器供應商附近招 Actuator Program Manager 駐場。對我來說，這說明：即使 V3 設計還沒 100% 鎖死，特斯拉對大約 80% 的結構和零部件路線已經心裡有數，供應鏈是被前置拉進來一起迭代的，剩下那 20% 就邊調邊逼著供應商改規格，而不是「設計完了再想怎麼生產」。

最後說一句價值觀上的東西。我最看不慣的一點就是：大家都愛發炫技視訊，卻很少有人老老實實把行走/奔跑速度標出來。我問一些工程師「你們這個到底跑多快？」，居然能聽到「不知道」這樣的答案。所以我才專門用這一整套方法，把 Optimus 的速度算清楚，也是真心希望後面誰再發機器人走路、跑步的視訊，順手把速度參數寫上去——這是對工程的基本尊重，也是讓整個行業的討論從「看熱鬧」回到「看資料」的必要一步。 (AI工業)