何小鵬內部講話曝光，「最美」機器人量產時間表出來了？
重點摘要
機器人能不能規模化穩定交付，是整個行業的生死問題。 作者丨李希 編輯丨馬曉寧 “4季度一定要把量產做出來。”在近日的一場小鵬機器人量產動員大會上，何小鵬給內部團隊定下了一條極具壓迫感的時間線：2026 年四季度完成量產，2027 年一季度進入國內汽車門店導購場景，2027 年二季度開始進入海外市場。這場講話裡，何小鵬反覆強調的並不是 Demo、視頻或者模型參數，而是三個關鍵詞：“量產、全棧自研、跨域融合”。如果把過去兩年的具身智能行業理解為“模型秀場”，那麼小鵬這場內部講話，更像是一場真正的製造業動員令。我們認為，小鵬正在試圖把機器人，按照“造車邏輯”重新做一遍。01何小鵬說了哪些話小鵬去年年底發佈的全新一代人形機器人 IRON 相當矚目，一度被稱為“最美”機器人。除了量產時間表外，何小鵬表示，小鵬機器人是全國唯一一家全領域自研、跨界融合的機器人廠商。而且小鵬的自研深度很深。小鵬汽車花了5年的時間做自研，才能把第一個版本做到行業水平，再花5年時間才能把多個不同能力的跨域進行融合。而如果做簡單的產品定義與集成自研，你就永遠做不到跨域融合。（因為）你永遠會看到其他人給你提的需求，你再去找供應商商量，供應商說做不到，你就做不到了。所以何小鵬在會場堅決表態，小鵬要成為機器人中的蘋果，從芯片到操作系統、從關節到手都要做到自研，這樣才有可能做到不一樣。當然前期的投入時間難度特別大，但是想象力、創新力和改造力也特別不一樣。這款量產機器人，會是一款什麼樣的機器人？何小鵬給的產品定義是，小鵬正在走出一條不一樣的產品和商業路線。小鵬的機器人是一個優雅、美、安全的機器人，是一個能夠跟人近距離交互的機器人。02從“機器人 Demo”到“機器人工程”何小鵬在講話中回憶了小鵬汽車早期自動駕駛研發時的經歷。當時團隊曾經認為，“硬件先做，軟件後面 OTA 即可”，但後來發現，零下 30 度起霧、電磁幹擾、
機器人能不能規模化穩定交付，是整個行業的生死問題。 作者丨李希 編輯丨馬曉寧 “4季度一定要把量產做出來。”在近日的一場小鵬機器人量產動員大會上，何小鵬給內部團隊定下了一條極具壓迫感的時間線：2026 年四季度完成量產，2027 年一季度進入國內汽車門店導購場景，2027 年二季度開始進入海外市場。這場講話裡，何小鵬反覆強調的並不是 Demo、視頻或者模型參數，而是三個關鍵詞：“量產、全棧自研、跨域融合”。如果把過去兩年的具身智能行業理解為“模型秀場”，那麼小鵬這場內部講話，更像是一場真正的製造業動員令。我們認為，小鵬正在試圖把機器人，按照“造車邏輯”重新做一遍。01何小鵬說了哪些話小鵬去年年底發佈的全新一代人形機器人 IRON 相當矚目，一度被稱為“最美”機器人。除了量產時間表外，何小鵬表示，小鵬機器人是全國唯一一家全領域自研、跨界融合的機器人廠商。而且小鵬的自研深度很深。小鵬汽車花了5年的時間做自研，才能把第一個版本做到行業水平，再花5年時間才能把多個不同能力的跨域進行融合。而如果做簡單的產品定義與集成自研，你就永遠做不到跨域融合。（因為）你永遠會看到其他人給你提的需求，你再去找供應商商量，供應商說做不到，你就做不到了。所以何小鵬在會場堅決表態，小鵬要成為機器人中的蘋果，從芯片到操作系統、從關節到手都要做到自研，這樣才有可能做到不一樣。當然前期的投入時間難度特別大，但是想象力、創新力和改造力也特別不一樣。這款量產機器人，會是一款什麼樣的機器人？何小鵬給的產品定義是，小鵬正在走出一條不一樣的產品和商業路線。小鵬的機器人是一個優雅、美、安全的機器人，是一個能夠跟人近距離交互的機器人。02從“機器人 Demo”到“機器人工程”何小鵬在講話中回憶了小鵬汽車早期自動駕駛研發時的經歷。當時團隊曾經認為，“硬件先做，軟件後面 OTA 即可”，但後來發現，零下 30 度起霧、電磁干擾、攝像頭佈置等問題，會導致整個系統推倒重來。一個硬件問題，往往就意味著半年 delay。這其實也是機器人行業今天正在集體遭遇的現實。機器人產業本質上是一個硬件產業。很多 AI 團隊擅長做模型，但並沒有真正經歷過大規模硬件工程體系的複雜性。他們熟悉的是互聯網產品的軟件迭代邏輯，但機器人並不是一個 App。它要面對的是電機壽命、關節穩定性、電磁干擾、熱管理、電池安全、跌落風險以及長週期維護等一系列製造業問題。沒有經歷過這些坑的創業者，往往會陷入一種“認知錯位”：他們以為只要模型足夠強大，硬件就只是容器或執行器。於是，他們把主要精力和融資都砸在算法迭代上，對整機設計、供應鏈管理和量產工藝的重視程度不足。尤其當機器人開始真正進入商業場景時，“穩定”會比“炫技”更重要。機器人行業有各種酷炫動作的demo，但真正決定行業生死的，是“機器人能不能規模化穩定交付”。而後者，本質上是一個極度偏工程化的問題。03汽車廠商的最大優勢小鵬汽車並非是唯一一個投身到具身行業的汽車公司。小米、理想等主機廠已經紛紛下場佈局。相較於機器人廠商而言，汽車主機廠做機器人，仍然有著無法忽略的優勢。何小鵬所說的“跨域融合”，核心就是用一套技術體系去驅動多種形態的終端，具體是指打破智能駕駛、智能座艙、動力底盤以及機器人、飛行汽車等不同產品之間的技術壁壘，讓它們共用底層的“大腦”和“神經網絡”。它不是簡單的功能疊加，而是更深層的“技術同源”。這可以被拆解為三個維度的具體融合：第一維度，硬件跨域複用，也就是說汽車和機器人在核心硬件上可以做到相當程度的共享，從而複用成熟的供應鏈和製造體系。第二維度，軟件與AI跨域共通，有一個強大的通用AI模型來“駕駛”所有設備，可以同時驅動汽車、人形機器人、飛行汽車等多種產品，讓不同設備共享同樣的“AI認知能力”。第三維度，就是產業鏈跨域協同，將新能源車積累的供應鏈管理、可靠性工程、大規模量產經驗，平移到機器人產業中。正如何小鵬所描述的：“車快沒電了它自己去充電，它會告訴你多開了兩公里但是節約了15元錢”。一個AI“大腦”可以讓汽車會成為一個能夠自主決策自主行動的機器人，“汽車機器人”的概念也許會真的照進現實。雷峰網消息
Related
相關文章
Liquid AI Introduces LFM2.5-Embedding-350M and LFM2.5-ColBERT-350M: Dense Bi-Encoder and Late-Interaction Models for Fast Multilingual Search Across 11 Languages
This week, Liquid AI released two new retrieval models. They are LFM2.5-ColBERT-350M and LFM2.5-Embedding-350M. Both hold 350M parameters. Both are the first bidirectional members of the LFM family. They build on LFM2.5-350M-Base, released in March. The pair targets fast multilingual and cross-lingual search across 11 languages. Their footprint is small enough to run almost anywhere. Both are available now on Hugging Face under the LFM Open License v1.0. LFM2.5 Retrievers The two models share one backbone but represent text differently. LFM2.5-Embedding-350M is a dense bi-encoder. It turns each document into a single vector. Pick it when you want the fastest search and the smallest, cheapest index. LFM2.5-ColBERT-350M is a late-interaction model. It converts each token into a vector rather
Perplexity Launches Brain, a Self-Improving Memory System That Builds a Context Graph of an Agent’s Work and Learns Overnight
Most AI memory remembers the user. It stores your preferences, your tastes, and your role. Perplexity is taking a different path. Today, Perplexity launched Brain, a self-improving memory system for its agent product, Computer. Brain does not focus on remembering you. It remembers what the agent did. That reframes what memory in AI is for. What is Perplexity‘s Brain Brain is a self-improving memory system. It builds a context graph of the work Computer performs. At set intervals, such as overnight, Brain reviews that graph. It then teaches itself how to do the work better. The idea is straightforward. The more work you do, the more efficient Brain makes your Computer. Brain is rolling out today to Perplexity Max and Enterprise Max subscribers in Research Preview. Two Axes of AI Memory Perp
智譜新高，MiniMax承壓，“大模型雙雄”命運殊途
這篇消息聚焦「智譜新高，MiniMax承壓，“大模型雙雄”命運殊途」。原始導語提到：大模型在被市場重新定價 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。
華為昇騰 0 Day 支持智譜 GLM-5.2 模型，提供全面推理優化
華為昇騰 AI 宣佈在智譜開源 GLM-5.2 大模型當天即完成深度推理優化。通過 MOE 大融合算子、通信計算融合、高併發調度等七項關鍵技術，顯著提升編程和長程任務的處理效率，現已支持 A3 系列產品部署。#AI 大模型# #國產算力#
企業AI轉型再添利器：青雲科技算力雲接入 MiniMax-M3 模型
企業AI落地面臨高效低成本難題。青雲科技旗下基石智算平臺接入國產開源大模型MiniMax-M3，提供新算力支持。MiniMax-M3以卓越上下文處理能力等三大核心技術見長，依託自研架構，助企業便捷部署AI業務。
阿里開源統一科學大模型 LOGOS，僅用五十六分之一參數超越微軟
阿里 ATH-Token Foundry 聯閤中國人民大學高瓴人工智能學院開源科學基礎模型 LOGOS。該模型採用統一科學語法與純序列建模範式，在六大科學任務上匹配或超越傳統專用方法。其中 LOGOS-1B 僅 1B 參數，即展現出極高效率，性能超越參數量達 8×7B 的微軟模型。