特斯拉的產線還未投產,Figure已交付350臺機器人

硅谷Tech news2026.08.27 09:38 · 來自北京全文3803字00:00 / 11:04特斯拉拆解汽車產線轉產人形機器人,與Figure的量產競速。人形機器人的量產競賽正逼近窗口期,但發佈會上的敘事與產線上的真實進度之間存在明顯落差。8月的加州弗裡蒙特,一條運行十餘年、先後生產過大量Model S和Model X的汽車產線,正在被拆除清空。46天前,工人們還在這裡完成電動轎車的總裝;46天后,產線骨架已經騰出,等待安裝Optimus Gen3的專屬工裝。同一個州,聖何塞,Figure AI的BotQ工廠,從今年1月到4月,日產能從一臺提升至具備每小時一臺的生產能力。
120天,24倍。到4月底,工廠已向客戶交付350餘臺Figure 03。其中一批已進駐寶馬斯巴坦堡工廠,承擔一項新的物流作業。人形機器人的“iPhone時刻”是否已經到來?當兩家公司均宣稱“已從實驗室走向商業化”,其中哪一方更接近事實,哪一方仍停留在願景階段?兩套不同的路徑Figure 03的規格幾乎全部公開且可核實,身高168釐米,體重60公斤,負載20公斤,行走速度1.2米/秒,續航5小時。它搭載一塊2.3千瓦時電池,足底集成無線充電線圈,站立於充電墊即可自動補能。全身44個自由度,單手即佔16個,掌心嵌入一顆廣角攝像頭,用於解決伸入深櫃、暗箱時的視覺盲區問題。
指尖觸覺傳感器標稱可分辨3克的壓力差,約一枚回形針的重量。Optimus Gen3的參數披露則不夠完整,特斯拉一貫的策略是優先推進項目本身,參數後續公佈。已確認的部分包括,身高173釐米,體重57公斤,搭載新一代AI5芯片,配合xAI的Grok實現語音交互。手部數據可從兩個維度考察,單手22個自由度(手腕另加3個),這是指手部可執行的動作種類數量;驅動這些動作的,是兩隻手合計50個執行器。自由度是運動維度的數量,執行器是實現這些運動的電機數量,兩者屬於不同概念。兩家公司在感知技術路線上高度趨同。
特斯拉明確棄用激光雷達,將FSD自動駕駛的技術路線直接遷移,攝像頭的成本約為激光雷達的百分之一,只要神經網絡訓練充分,純視覺方案即可滿足需求。Figure 03公開的傳感器方案為6個主攝像頭加兩個掌心攝像頭,歷次公佈的規格中均未出現激光雷達,同樣走的是以視覺為主的路線。產品參數的競爭力與產線能否投入實際運轉是兩個層面的問題,而後者恰恰是特斯拉和Figure差距最大的環節。截至7月22日的Q2財報,特斯拉官方口徑是第一代Optimus產線“正在安裝”,生產“預計年內啟動”。也就是說,弗裡蒙特這條被寄予厚望的產線,尚未真正投入運轉。
馬斯克本人對“年產百萬臺”這一目標反覆重申,但這更接近方向性的意志表態,缺乏附有時間表的施工計劃。他在2025年初曾表示當年要生產上萬臺Optimus,實際交付數字遠低於預期。Figure則呈現出不同的節奏,沒有宏大的產能宣言,只有連續數月的進度更新。1月,日產能一臺;4月底,每小時一臺,24倍提速。到8月,按當時公佈的周產55臺的速度倒推,實際產量大概率已明顯超過350臺的基數。比產能數字更值得關注的,是Figure在寶馬斯巴坦堡工廠積累的實地運行記錄。
上一代Figure 02,11個月的駐廠試點,累計運行超過1250小時,裝載零件超過9萬個,支持了3萬多輛寶馬X3的生產,放置精度99%以上。該項目已於2025年11月結束,Figure 02隨之退役。基於Figure 02的實地運行數據,Figure 03研發問世,並獲得新的部署合同,40臺機器人進駐同一座工廠,執行物流作業,報價約每機器人每小時25美元。作為對照,特斯拉官方尚未公佈Optimus在弗裡蒙特和奧斯汀工廠執行電池分揀、零件搬運等任務時的精度或錯誤率數據。特斯拉描繪的圖景更為宏大,在“產品能否勝任實際作業”這一問題上,Figure提供的證據更具說服力。
產能爬坡可以靠資本投入和管理意志推動,但流水線良品率和實測精度的可操控餘地要小得多。產線運轉只是第一道門檻。真正決定兩條路線走向的,在於每臺機器人如何實現商業回報,以及能否將製造成本降至可承受區間。賣低價硬件,還是賣持續服務特斯拉的邏輯,本質上是將造車方法論平移過來,先跑通量產爬坡曲線,靠規模效應攤薄單臺成本,最終將售價壓至2萬至3萬美元區間,使普通企業乃至家庭能夠承受。這一邏輯成立的前提,是特斯拉確實能像造Model 3那樣,將機器人成本從當前的5萬至10萬美元,一路壓縮至長期目標線以下。
Figure的策略截然不同,不賣硬件,賣機器人的工作時間,每機器人每小時25美元,對標的是產線工人的時薪成本,與設備折舊成本是兩套算法。這一模式下,Figure的收入來自隨部署規模擴大而持續滾動的服務費。這也是它在去年9月融資中獲得390億美元估值的核心敘事,投資人真正在意的是“每小時能收多少錢、能收多少年”這一持續收入預期。兩種模式對應著不同的資本耐心結構,特斯拉押注的是資本市場願意為一個宏大願景持續提供資金。需要指出的是,人形機器人是硬件迭代較快的品類,產品平臺可能一兩年就需要換代。
按小時收費的模式,理論上將設備迭代成本更多留在服務提供方一側;一次性賣斷硬件的模式,則更多將這部分風險轉移給買方。但無論選擇哪條路徑,兩家公司最終都要面對同一個瓶頸,它位於供應鏈最底層的幾個關鍵零部件上。摩根士丹利全球具身智能團隊在一份研究中給出了一個足以令“2萬至3萬美元”定價目標暴露可行性問題的數字:如果完全不使用中國供應商製造Optimus Gen2,整機BOM成本將從約4.6萬美元飆升至13.1萬美元,近3倍。僅執行器一項,成本就可能從約2.2萬美元漲至5.8萬美元。特斯拉提出的“2萬至3萬美元”目標,實質上已將“依賴中國供應鏈”這一前提隱含在商業承諾之中。
中國供應鏈的優勢集中在幾個成本最高、短期內最難替代的環節,並未在所有零部件品類上全面覆蓋。多份行業分析均提到,中國的絕對主導地位集中在永磁體品類,市佔率接近九成;但在減速器、軸承、精密傳感器等同樣關鍵的環節,日本、韓國、歐洲和美國本土供應商仍佔有相當份額。一旦脫離中國供應商,成本近乎翻三倍,“2萬至3萬美元”的定價目標便很難成立。這是人形機器人量產競賽中一個不可迴避的結構性變量,短期內缺乏替代方案。人形機器人的“iPhone時刻”是否已經到來高盛此前給出過一個人形機器人市場規模預測,到2035年,60億美元。隨後,同一機構將該數字上修至380億美元,六倍以上的修正幅度。
另一家市場研究機構ResearchAndMarkets給出的路徑是從2025年的29.8億美元,十年內增長至2434億美元。從380億到2434億,同一個市場,專業機構對十年後規模的預測能相差六倍以上。這種程度的分歧通常只指向一個結論,“它究竟該如何定義”尚未形成共識。將其視為工業設備來計算折舊年限,還是視為消費電子來估算滲透率,抑或視為勞動力替代來對標工資成本,不同的建模邏輯會得出截然不同的結論。而在出貨量數據上領先的反而是第三種策略。宇樹去年售出超過5500臺人形機器人,超過特斯拉、Figure、Agility Robotics三家美國公司的總和。
其策略是先將價格壓至1萬多美元區間,以出貨量建立市場基礎,再逐步補齊通用能力。2007年iPhone發佈時,它並非市場上第一款智能手機。諾基亞、黑莓此前已進入智能機市場。iPhone真正改變行業的,是首次將“可負擔”和“體驗達標”兩件事同時達到消費者可接受的水平。放在人形機器人領域,這個類比指向三個具體條件:成本降至可被規模化採購接受的區間,續航覆蓋一個完整工作班次,供應鏈具備支撐百萬級穩定量產的能力。Figure這條產品線用上一代機型在寶馬工廠11個月的實地運行記錄,證明了這類機器“可以製造、能夠勝任實際作業”。
特斯拉描繪了一條“未來可降至低成本”的路徑,但當前BOM成本仍在5萬至10萬美元區間,距目標價尚有一倍以上的差距。中國供應鏈證明了“可以低成本製造”,但這一前提是必須依賴那幾個被卡脖子的關鍵零部件。三個條件目前分散在不同參與者手中,沒有任何一方同時具備全部。產線拆除的轟鳴、產能爬坡的傳送帶、工廠車間裡反覆作業的機器,構成了人形機器人量產前夜的真實圖景。這場競賽自始至終比拼的核心,在於誰能率先將成本可控、產能穩定、場景可行三者整合為自我造血的正向循環。至於單款產品的參數亮眼程度,從長遠看並非決定性因素。iPhone時刻之所以成為產業里程碑,在於它首次讓前沿技術轉化為普通人可觸及的日常。
人形機器人的真正拐點不會出現在發佈會的聚光燈下。它要等千萬條產線日復一日地運轉下去,才可能慢慢浮現。(本文首發APP,作者 | 硅谷Tech_news,編輯 | 林深)
Related
相關文章
Google 開源 Harness²:遞迴代理程式框架,無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²,這是一個遞迴代理程式框架,透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言,重點很簡單:你的代理程式無需更強大的模型也能進步。重點摘要:規模為框架而非模型,訓練參數為0,包含8個可編輯的框架元件,版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv,模型呼叫則透過Vertex AI。GPU需求未公開。效能方面:一次改良步驟即可在3個基準測試中,提升所有4個模型與框架組合的表現。最佳成果:GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7(+11.5點);最差表現:GLM-5搭配Codex在JobBench上僅提升1.2點(23.6至24.8)。什麼是Harness²?它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI:2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作,推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型(VLA)。該模型僅使用公開數據進行預訓練,並配備了輕量級的近期記憶功能。在三個分佈外基準測試中,僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊:規模:2.4B 參數(2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家)。記憶涵蓋最近 3 幀,間隔 1 秒。運行環境:在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入,編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供,暫無量化版本。性能:在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中,為公開數據預訓練的 VLA 模型中最優;在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017,DeepSWE 得分 77.0,並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017,這是其 V4.1-Flash 模型的新檢查點,現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash,並稱之為性能與成本的帕累託改進。同時,DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言,這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要:骨架參數 552B,另加 196B 的 Engram 參數;預填充階段每 token 啟用 8B 參數,解碼階段啟用 16B 參數;上下文長度達 1M tokens,最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重(763B 參數,FP8)採 MIT 授權。
2026年20款Jev替代方案:挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev,這是一款決策模型而非聊天機器人。使用者可定義允許的答案,Jev將回傳標籤、分數或是否的機率。約4週內,至少20款Jev替代方案相繼問世,來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要:規模範圍從287M(GLiNER2.5-multi-Decide)到35B-A3B(Mapika Decider),Jev規模未公開。執行環境:Von和Laya等編碼器可在CPU上運行,4B適配器適用24 GB GPU或32 GB Mac。效能:多數開源模型在困難推理上落後Jev,但在狹窄分類任務上數款與之匹敵或超越。最佳表現:Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億;阿里加碼AI硬件品牌,天貓、速賣通聯動;國行版蘋果AI有望12月上線,百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障!DeepSeek發放宕機補償,有人拿到3000元3.阿里加碼AI硬件品牌,天貓、速賣通聯動4.國行版蘋果AI有望12月上線,百度、阿里參與合作5.可靈AI新一代模型Kling 4.