[智能应用]50万一台的人形机器人进厂，搬运效率连工人一半都不到  [4P] [复制链接]

出品丨虎嗅汽车组
作者丨肖漫
头图丨视觉中国
半年前，机器人还是车企提升估值的特效药。当时，如果一家车企宣布要做机器人，资本市场给它的估值就会翻一倍，汽车的零部件供应商同理。
在特斯拉发布机器人视频后，十多家车企都蹭上机器人概念。小鹏、小米、广汽已经推出了机器人产品；理想表达了进场的意图、蔚来处在调研阶段；赛力斯、长安、比亚迪等已经设立团队并开启招聘，赛力斯在重庆和上海机器人团队已有近 200人；上汽、北汽、奔驰则是重在投资参与。
车企做机器人，最简单的理由就是特斯拉已经做了，而且给行业提供了足够多的理由——

• 
  
  一是硬件层的高度服用性，包括摄像头、激光雷达等；
  
• 
  
  二是软件层的迁移，车企在自动驾驶研发上的算法和数据闭环能力在机器人领域再利用；
  
• 
  
  三是资源共享，包括制造、销售资源等都能够给机器人提供实际应用场景。
  

这是一座尚待挖掘的金矿，也是比汽车更具增长空间的好生意。据立德研究院发布的《人形机器人产业研究报告》预测，中国人形机器人市场规模在2024年约为27.6亿元，2029年将达到750亿元。中金公司研报则表示，预计2030年中国人形机器人出货量有望达到35万台。
各家车企虽参与程度不同，但机器人赛道已经车企寻求新业务增长点的重要抓手。
不过，目前尚未能明确车企们的机器人是买来的还是自己做的，多数产品的参数也未知。唯一明确的是，在今年的上海车展上，车企们都选择用机器人来当车模，而不是让它们进工厂。与后者相比，造一个机器人站在机器人边上，实在太初级且没有想象空间。
“现在整个行业都在放卫星”，一位在人形机器人行业工作近十年的高管直言。
如果按照部分企业半年前的计划，现在汽车工厂里已经有上万台机器人拧螺丝。仅特斯拉之前就计划今年往工厂里放 5000 台机器人，宇树、智元、优必选等公司的计划出货量也超过 5000台，其中有相当一部分声称要进汽车工厂工作。
但据虎嗅了解，包括特斯拉在内，让机器人进工厂的计划目前都只是 PPT。大部分机器人在汽车工厂都只是“实习”，他们离跟上工人的操作效率还差得远。



从"四个轮子"到"两条腿"的技术难度


“如果说汽车已经定型 80%，机器人从硬到软的定型和标准化还不到 20%。”峰瑞资本李丰指出。
汽车产业经历上百年的发展，硬件形态已经非常成熟和固化，车企更多的是通过软件重新定义汽车。
人形机器人硬件还未完全定型。尽管车企可以在短时间内组装出一个样式还不错的人形机器人，但这是近年来机器人供应链进步的结果，并不是车企技术成果。
虽然人形机器人本体路线已经逐渐收敛，但关键零部件技术方案还不成熟，例如电机、灵巧手、传感器等仍存在路线争议。硬件会决定机器人动作能力的上限，无法直接通过“拿来主义”一步到位。
“特斯拉Optimus搬电池、拿鸡蛋、接网球的那些demo视频说明了它的硬件（灵巧手）上限已经具备完成这些动作的能力。”隋伟说道，“虽然特斯拉也是买模组组装，但他们进行进一步调优，比如Optimus手部连杆和国内产品做得不一样。”
在一些关键零部件上，特斯拉甚至会给出具体的产品需求让厂商定制。一位曾和特斯拉接触过的国内供应商创始人告诉笔者，其曾在 2023年上半年收到特斯拉Optimus灵巧手指尖传感器的精度、面积需求，而当时并没有针对灵巧手现成的传感器产品，于是团队花了三个月时间进行研发。
特斯拉走过的路，国内车企同样得走一遍。一位接近小米机器人的供应商告诉笔者，小米现阶段在灵巧手上也花了不少精力。
“小米也在做数据采集的手套。”上述人士说道。这其实延伸出车企面临的另一难题，即软件层能力。
截至目前，已有多位自动驾驶技术大佬宣布入局人形机器人。他们相信从自动驾驶到具身智能，技术有相当紧密的连续性。
但人形机器人面临的技术难题显然更复杂。自动驾驶的任务是让汽车在二维层面不碰撞物体，机器人则需要在复杂的三维世界主动碰撞各种各样的物体。
机器人要完成更复杂的操作，对应的训练和对传感器的要求也更难。
汽车上传感器配置只是数量多少的问题，人形机器人尤其需要物理交互性，需要获取多模态数据，除了摄像头、激光雷达这类常见传感器之外，还需要力觉传感器、触觉传感器等，这不仅对数据采集和处理提出了更高要求，而且也加大了数据获取的难度。
自动驾驶仅有纵向速度控制和横向转向控制 2 个自由度，但人形机器人不仅自由度多，且复杂程度高。即使是拿鸡蛋的动作，机器人除了看清楚物体后实施抓取动作，力度多大，如何松手放置等，完成一个简单的动作，需要听觉、视觉、触觉多传感器和不同电机控制、关节的机械结构传动配合完成。
大语言模型带来的AI技术进展目前还没有在机器人领域复现。即使是特斯拉也还没找到足够多的数据去训练机器人模型。
人形机器人的数据规模十分有限。何小鹏并不回避数据难题。“人形机器人的数据门槛远高于汽车，两者都面临数据来源的挑战，汽车通过驾驶员日常行驶能自然产生海量数据，但人形机器人内部并没有人。”
业内对于人形机器人的数据获取并没有一套统一的范式。特斯拉和Google都选择用摇操获取数据，但背后的成本投入巨大。据悉，Google 做十几万条数据，用时十多个月，花了上千万美元。
优必选采用真机数据和仿真生成相结合的方式，但前期真机只能采集单点动作的数据，泛化能力突破受限。
“目前大多数机器人还处在实验室环境下，人形机器人在场景里部署量不大，难以产生足够的数据量。”地瓜机器人隋伟说道。
目前机器人公司采集的数据还无法验证现有的机器人模型是否能像大语言模型那样，学习足够多的数据后能力明显提升，即 scaling law。
业内认为，验证机器人模型的scaling law至少需要1000万条数据，而据我们了解，目前大部分机器人公司收集的数据还不到100万条。



还难以取代人


大多数所有“造人”的车企想让机器人进入汽车工厂打工，工业场景被视为最适合人形机器人商业化落地的场景。
大逻辑在于，工业机械臂已经很难继续替代工人，流水线下一步进化要靠能完成人的工作的人形机器人。
总装线是汽车工厂最难实现自动化的场景，搬运、质检、拧螺丝、撕膜、贴标、整理线束等并不是标准化的工作任务，即使是特斯拉、比亚迪这类十分重视工业自动化的公司，都不得不通过雇佣数十万人来完成总装产线的工作。
今年尝试把机器人送到汽车工厂工作的优必选技术负责人焦继超告诉笔者，他在过去一年跑了20多家车企工厂，每家车企的厂线都不一样，新势力车企新的工厂稍微好一些，但一些传统车企的工厂环境较为老旧且窄，应用挑战更大。
“机器人去到场景里，人不可能在后面拿个遥控器操作。这里的技术难题涉及机器人的感知、定位、地图、导航、决策规划。这不是一个纯靠投入几百个人，半年一年就能搞定了，这和无人车的难度不是一个倍数的关系。”焦继超说道。
以搬运为例，机器人在工厂中需要搬运不同颜色、不同尺寸、不同形态、不同材质的箱子考验机器人的泛化能力。“当出现新箱体的时候，我们要采集新的数据，花两三天去做训练。”焦继超说道。
解决了搬起来的问题，还有运输的挑战。不同料箱的重量会随机变化，箱内物体的摆动会考验机器人的重心控制，需要机器人全身机械结构的动态调整平衡，这其实也就导致了机器人在搬运过程中难以奔跑或快走。
再就是放置的难度。料箱和料箱之间是通过 1-2 厘米宽度的边缘进行嵌合，这需要机器人去对齐不同的料箱边缘。这个摆放的过程中，视觉只能做初步定位，需要通过力度传感反馈进行精度定位。
汽车工厂的托盘差不多10公分高，机器人每搬一次高度上升10公分，机器人在汽车上料的组装线要搬到接近1米8的高度，这个操作空间要求机器人蹲得够深，站得够高。这对电机的功率要求非常高，目前仅有优必选、宇树、波士顿动力等少数几个公司做得到。
据另一家已经进车企生产线的机器人企业透露，其机器人产品一开始搬运一个箱子要四分半钟，相同的工作普通工人一分钟以内就能搬完。尽管后续优化到两分钟左右，机器人的效率也仅是工人的一半不到。
“搬运这件事，我们去了现场才知道挑战很大”，焦继超说道。而搬运已经是总装线任务流程相对简单的工作，线束整理、涂胶、撕膜等工序对柔性的要求更高，人形机器人还不足以胜任。
汽车作为最复杂的工业产品，生产流水线尤为注重生产节拍，对犯错误的容忍性极低，这不仅关乎效率，也关乎生产安全性。
“汽车的工厂和3C工厂都很难，机器人要是出错了，砸坏一台车就是几十万。端一盘晶圆，掉了就是几百万。一箱东西能买我们十台机器人。”优必选品牌官谭旻说道。
人形机器人的成本还没达到能取代人工的阶段。据我们了解，特斯拉 Optimus 的成本价是6万美元（约合人民币43.4万元），优必选机器人单机售价50-60万元，而比亚迪工厂平均用工成本18万元。用人形机器人替代人工，需要 29-40 个月才能收回成本。焦继超认为，当机器人18个月就能收回成本时，车企会非常愿意使用人形机器人。
特斯拉宣布将在今年在内部工厂生产数千至 1 万台 Optimus 并用于生产，宝马引进了 Figure02 进厂，小鹏、小米、吉利、蔚来等悉数发布了人形机器人进厂打工的视频。在车企宣传口径中，人形机器人几乎是可以直接应用的存在，但现实和视频之间还存在一道鸿沟。
高盛今年二月发布的调研报告同样指出，人形机器人目前的能力尚不足以处理多种通用任务，技术拐点仍不明朗，需要更长时间才能迎来 AI 赋能的机器人。
业界对人形机器人的探索已经持续了数十年。本田ASIMO项目38年烧掉数十亿却黯然退场的故事提醒着后来者，在机器人与车企的化学反应中，技术积累和场景本质的洞察皆是胜负手。
在工业场景尚存技术断点、数据闭环尚未突破、商业闭环仍显脆弱的当下，还得为活着谋生路的车企，如果没有足够的资金和研发投入贸然进入人形机器人，更像向产业和资本市场吹起的另一个泡沫。
两个月前，《财富》杂志曝出声称已经让一队机器人进入宝马工厂工作的 Figure 实际上只放了两台机器人在宝马工厂，且这些机器人只在宝马的工人下班后，在工厂里做一些训练工作，并未上岗。
现在已经开始量产机器人的特斯拉，据我们了解，目前也只是让几十台机器人在车间里搬电池，剩下的机器人都没有参与生产，产生价值。
特斯拉和 Figure 拥有目前全球最强的人形机器人团队，他们的进展尚且如此。其余说自己要做机器人或者要在工厂里用机器人的公司，当下更多地还只是PPT和视频宣传的阶段。

50万一台的人形机器人进厂，搬运效率连工人一半都不到
现状概述
据报道，50万一台的人形机器人进入工厂后，搬运效率远低于工人，有的机器人产品一开始搬运一个箱子要四分半钟，而相同工作普通工人一分钟以内就能完成，效率不及人工的50% 。目前大部分机器人在汽车工厂都只是“实习”，离跟上工人的操作效率还差得远，包括特斯拉在内，让机器人进工厂的计划目前大多还停留在设想阶段，实际应用有限。

车企布局情况
近年来，各家车企虽参与程度不同，但机器人赛道已成为车企寻求新业务增长点的重要抓手。比如小鹏、小米、广汽已经推出了机器人产品；理想表达了进场的意图、蔚来处在调研阶段；赛力斯、长安、比亚迪等已经设立团队并开启招聘；上汽、北汽、奔驰则重在投资参与。不过，目前尚未能明确车企们的机器人是买来的还是自己做的，多数产品的参数也未知。在今年上海车展上，车企们大多选择用机器人当车模，而非让它们进工厂工作。

发展面临的难题
硬件方面
人形机器人硬件还未完全定型，尽管车企可以在短时间内组装出样式不错的人形机器人，但这主要是近年来机器人供应链进步的结果，并非车企自身技术成果。人形机器人本体路线虽逐渐收敛，但关键零部件技术方案还不成熟，例如电机、灵巧手、传感器等仍存在路线争议。硬件决定了机器人动作能力的上限，无法通过“拿来主义”一步到位。以特斯拉Optimus为例，虽然它也是买模组组装，但会进行进一步调优，其手部连杆和国内产品就有所不同。

软件方面
从技术连续性来看，尽管有多位自动驾驶技术大佬入局人形机器人，认为从自动驾驶到具身智能技术有紧密联系，但人形机器人面临的技术难题更复杂。自动驾驶主要是让汽车在二维层面避免碰撞物体，而机器人需要在复杂的三维世界主动与各种物体交互。人形机器人尤其需要物理交互性，需获取多模态数据，除常见的摄像头、激光雷达等传感器外，还需要力觉传感器、触觉传感器等，这对数据采集和处理提出了更高要求，也加大了数据获取的难度。而且，自动驾驶仅有纵向速度控制和横向转向控制2个自由度，人形机器人的自由度更多且复杂程度更高。

数据方面
大语言模型带来的AI技术进展目前还未在机器人领域复现，人形机器人的数据规模十分有限。业内对于人形机器人的数据获取没有统一范式，像特斯拉和Google选择用摇操获取数据，但成本投入巨大，例如Google做十几万条数据，用时十多个月，花费上千万美元；优必选采用真机数据和仿真生成相结合的方式，但前期真机只能采集单点动作的数据，泛化能力突破受限。目前大多数机器人还处于实验室环境，在实际场景里部署量不大，难以产生足够的数据量，且现有的采集数据还无法验证机器人模型能否像大语言模型那样，通过学习大量数据提升能力。

市场前景
尽管当前人形机器人在工厂应用中存在诸多问题，但市场前景仍被看好。据立德研究院发布的《人形机器人产业研究报告》预测，中国人形机器人市场规模在2024年约为27.6亿元，2029年将达到750亿元。中金公司研报则表示，预计2030年中国人形机器人出货量有望达到35万台

根据您提供的文章内容，车企进入人形机器人领域的原因主要有以下几点：

1. 硬件层的高度通用性：车企可以利用现有的摄像头、激光雷达等硬件资源，这些硬件在机器人领域同样适用。

2. 软件层的迁移：车企在自动驾驶研发上积累的算法和数据闭环能力可以在机器人领域得到再利用。

3. 资源共享：车企的制造和销售资源可以为人形机器人提供实际应用场景。

4. 市场增长潜力：据立德研究院发布的《人形机器人产业研究报告》预测，中国人形机器人市场规模在2024年约为27.6亿元，2029年将达到750亿元。中金公司研报预计2030年中国人形机器人出货量有望达到35万台，显示出巨大的市场增长空间。

5. 行业趋势：特斯拉已经进入人形机器人领域，并为行业提供了足够多的理由，其他车企跟随这一趋势，希望借此寻求新的业务增长点。

6. 技术挑战和创新：车企面临的技术挑战包括硬件的定型和标准化、关键零部件的技术方案成熟度、软件层能力的构建等，这些挑战同时也是创新的机会。

7. 工业场景的商业化落地：工业场景被视为最适合人形机器人商业化落地的场景，车企希望利用人形机器人完成汽车工厂中的非标准化工作任务，如搬运、质检、拧螺丝等。

综上所述，车企进入人形机器人领域是出于对现有资源的再利用、市场潜力的挖掘、技术挑战的应对以及行业趋势的跟随等多方面的考虑。