全文约3800字，阅读时间约 9分钟。

今年9月，美国几家主要人形机器人公司都有了新进展。

特斯拉Optimus的周产量8月已到数百台。公司还腾出了原本生产Model S和Model X的汽车产线，为机器人扩大制造规模。

Figure把机器人带进30套从没去过的住宅，收玩具、叠毛巾、铺床，420次尝试做成了237次。

Agility的Digit在一个客户仓库里，累计搬了10万个料箱。

从造出来到客户愿意长期付钱，需要同时解决制造、学习和现场运行的问题。下面这五家公司，恰好让我们看到了不同环节的进展：特斯拉在扩大制造，Figure和Physical Intelligence（下文简称PI）在探索技能迁移，波士顿动力让研发对接具体工位，Agility则开始接受付费客户的检验。

其中，Figure连身体带大脑一起做，PI专注于机器人基础模型。把整机与智能层放在一起，才能看清机器人学会一项工作、再把它带进业务的过程。

特斯拉：产线跑在了本事前面

01

特斯拉最擅长的，是把复杂产品做成大规模、低成本的工业品，Optimus正在走这条路。二季度官方更新显示，Fremont工厂原有的Model S和Model X产线已经停用，第一代Optimus产线正在安装，得克萨斯州的相关厂房也在建设。

据9月25日The Information的调查，Optimus二季度还在小批量测试，8月已达到每周数百台，管理层希望年底建成每周超过1000台的连续自动化产线。

造得快了，问题也变得具体。上述调查称，手和前臂仍要大量人工装配，部分精密零件难以对齐，触觉传感器不够耐用，供应商的批量一致性也不足。目前生产的V3仍是开发版本，离交给客户的产品还差一截可靠性。

手部尤其难做。手和前臂要在有限空间里容纳驱动、传动和感知部件，装配上的偏差，会影响抓取的位置和力度。同一个动作，换一台机器执行，结果也可能发生变化。

制造一致性会影响模型在不同机器之间复用的难度。对靠数据训练出来的模型来说，硬件之间的差异越大，要适应的变量也越多。

学会工作仍要时间。报道提到，厂内机器人还在有人监督的受控区域执行特定任务，学一项基本任务可能要好几天。特斯拉打算先把机器人租给少数工厂和仓库，挑和自家环境相近的客户，减少适应新场景的困难。

Oppenheimer分析师访厂后，把对Optimus放量的假设后移了两个季度。产线、零部件和自主能力，需要相互配合才能形成可交付的产品。

国内走相近路线的是小鹏。9月8日，小鹏宣布人形机器人产线启用，核心制程自动化率超过80%，年底月产能目标为上千台；首批IRON计划先进入自己的门店和园区，面向外部市场的正式交付则安排在2027年。两家车企都在调用造车积累的资源，也都选择先在熟悉的场景里磨合机器。

Figure：学过的家务，带进30套陌生住宅

02

Figure自己造整机、自己建产线，也自己训练模型。7月，创始人Brett Adcock宣布，第1000台Figure 03已经造完。宝马此前的Figure 02试点累计运行约1250小时、搬运约9万件零件；6月，双方又公布了用Figure 03做物流排序的项目。

9月，Figure把最新的模型拿进了家里。9月17日发布的Helix 2.5，在30套陌生住宅里测三项家务：把13到15个玩具全部收进篮子，把毛巾全部叠好放进篮子，摆好枕头、整理被子。评分只认整项完成，做好一半不算。

420次尝试，完整做成237次，约56%。分开看，铺床约67%，叠毛巾约62%，收玩具只有40%。

Figure还做了一组对照。任务数据和训练设置都一样，用人类行为数据集Index预训练过的版本，成功率56%；没有这一步，420次只做成35次，约8%。大量人类行为数据提供的经验，帮助机器人适应了没见过的布局和物品。

在国内，也有一个容易被拿来比较的数字。6月23日至28日，8台智元轮式双臂机器人精灵G2，在龙旗科技南昌工厂进行产线直播。龙旗披露，这轮运行持续约64小时，覆盖平板测试工段的取放、流转、分类等作业，作业成功率99.99%；同期报道给出的机器人作业次数为64828次。

两个数字衡量的是不同能力：智元披露的是固定产线中多道工序的作业成功率，Figure测试的是陌生住宅里整项家务的完成率。前者回答在规定的生产流程里能做多稳，后者回答离开训练环境还能做多少。理解这种差别，比按百分比给公司排高下更有用。

PI：给别人的机器人做大脑

03

Figure把模型和自家整机绑在一起。PI把研发重点放在模型上，希望不同厂家、不同形态的机器人，都能复用同一套基础能力。

4月发布的π0.7研究里，PI把在其他机器人上学到的叠衣技能，迁移到一台双臂平台上。这台机器有别的训练基础，却从没用自己的叠衣数据训练过。在一种机器上攒下的经验，开始能用到另一种机器上。

空气炸锅实验展示的是另一种复用。研究人员用语言把步骤拆开，指导机器人拿起食物、放进炸锅、关好，再用这段指导过程的数据训练模型，让机器人自己生成下一步指令。教新任务时，人可以借用机器人已有的操作能力，减少重新遥控演示每一个动作的需要。

在一些精细操作测试里，这套通用模型不为某项任务单独调整，也能接近专门针对该任务训练的模型。

换硬件、加任务时，已有的学习成果可以继续使用。这会影响机器人公司的研发分工：有可靠硬件和客户资源的团队，可以使用外部模型，把更多精力放在产品和场景上。

PI此前的模型也已进入真实业务。2月披露的合作中，Weave在真实洗衣店使用PI模型，称把自己的数据加进预训练之后，每批衣物需要人工介入的次数少了一半；Ultra在客户仓库里打包订单，保留了人工处理异常的机制。

洗衣店少一次人工介入，就少一次需要员工放下手头工作去处理的异常。基础模型的改善，在这里开始对应到服务需要多少人力。PI这门生意能做多大，取决于这样的改善能否带给更多硬件和客户，而无需每次都从头开发。

波士顿动力：甲方已经把工位排到了2030年

04

波士顿动力有一位特殊的客户：控股股东现代汽车集团。

现代汽车集团计划在未来几年，向现代和起亚的全球工厂部署约2.5万台Atlas，并在美国建一座年产能约3万台的机器人工厂。佐治亚工厂的任务顺序也已排出：2028年开始引入零件排序，2030年扩展到部件装配。

Atlas正照着工厂的需求训练。波士顿动力1月公布面向工业应用的产品版本，9月21日又在现代汽车佐治亚州工厂园区启用了机器人训练中心，Atlas在那里学零件物流和排序。中心计划2027年搬进大约十倍大的场地。

零件从哪来、放到哪、怎么交接，都围绕真实工位验证。客户先把要做的工作排出来，机器人再围绕这些工作接受训练。

背后还有一套分工：现代汽车集团提供工厂场景，现代摩比斯合作供应执行器；波士顿动力1月又和Google DeepMind宣布合作，计划把Gemini Robotics基础模型与Atlas结合，扩展工业任务能力。

国内也有把工业客户作为重点的厂商。优必选披露，今年上半年全尺寸具身智能人形机器人销量921台，对应的产品及解决方案收入约5.9亿元，工业合作客户包括空客、比亚迪、富士康等。

Atlas的特点，是母公司同时提供长期需求和工厂场景，训练、零部件供应与部署安排可以围绕同一批工位推进。一张排到2030年的生产计划，让机器人研发有了具体的交付方向。

Agility：客户开始为持续干活付钱

05

Agility Robotics的Digit，已经在仓库和工厂里搬料箱，在移动机器人和传送线之间接力。9月15日发布新一代Digit 5时，公司披露上一代Digit 4在多个客户场地累计运行超过6.5万小时。

这些活已经有客户付钱。GXO与Agility在2024年签了多年期机器人服务协议。Agility同时提供整机购买和订阅两种方式，把机器人部署、软件和后续服务一起交给客户。

这门生意也有了一个价格参照。在6月的投资者材料中，公司为Digit 5的订阅模式采用了每台每月约8500美元的测算假设，相当于一年约10万美元。

一年约10万美元，需要换来多少有效工作？在GXO的一个仓库，Digit 4累计搬了10万个料箱，执行任务时的准确率约98%。

持续服务客户，也在反过来影响下一代产品。Digit 5把与人员协作时的安全运行、更高负载和可更换末端工具作为重点，计划从搬箱子扩展到更多工厂任务。早期使用预计2027年上半年开始，年底前后广泛供货。

订单先于新产品来了。公司披露，截至5月，Digit 5的多年订单超过3亿美元，对应约1000台机器人、三年服务。

仓库客户并不需要Digit会铺床。它需要的是，料箱能按要求送到传送线上。这项工作已经有客户愿意付钱，说明人形机器人的生意可以从一个很窄的用途开始。

Figure和PI探索的，是用途怎样继续扩大：换一套房子，学过的家务还能做；换一种机械臂，叠衣经验还能用。如果这些能力逐渐成熟，客户买到的设备就有机会通过后续训练和模型更新，承担购买时还不会做的工作。

美国这轮进展中，已经开始收费的机器人，与仍在学习更多本领的机器人，同时存在。前者让客户愿意把机器留下来，后者才可能让同一台机器越来越有用。通用机器人未必会在某一天突然到来，它也可能从仓库里的一个搬运岗位开始，慢慢增加自己的工作。

OCR:IMG:MUS-FIRSTGENERATION PRODUCTION LINE IN FREMO

OCR:IMG:团 理 R GXO

OCR:IMG:MUS-FIRST GENERATION PRODUCTION LINE INFREMO

OCR:IMG:公众号·硅步U

OCR:IMG:公众号·硅步rum

OCR:IMG:团 R GXO 公众号·硅步run

OCR:IMG:=