技术深度解析
从投资者到运营者的转变，本质上是一个技术决策。核心洞察在于：训练通用AI最有价值的数据并非文本或图像，而是机器人通过与物理世界交互产生的传感器-运动数据。这就是“具身数据飞轮”。
世界模型势在必行：
传统机器人依赖手写控制回路和显式物理模型。而由生成式AI进步驱动的新范式，使用学习型“世界模型”——能够预测物理环境中动作结果的神经网络。这些模型通常基于Transformer架构，使机器人无需显式编程即可规划和推理未来。例如，配备世界模型的机器人在抓取杯子前可以“想象”其运动轨迹，并根据预测的重量和材质调整抓取力度。
硬件作为数据收集平台：
科技巨头意识到，现成硬件无法满足需求。他们需要从零开始设计定制硬件，以收集高质量、高频次的传感器-运动数据。这意味着要自建：
- 执行器： 高扭矩、低惯性的电机，集成编码器和扭矩传感器。Tesla Optimus使用定制设计的线性执行器，模仿人类肌肉动力学。
- 传感器： 高分辨率触觉传感器（如GelSight风格传感器）以及每个关节的力-扭矩传感器。Google DeepMind在DenseTact上的工作就是典型例子。
- 仿真环境： 照片级真实、物理精确的模拟器，如NVIDIA Isaac Sim和Google MuJoCo（现已开源），对于大规模训练至关重要。这些模拟器必须足够快，以便在一天内生成数百万年的经验数据。
基础模型技术栈：
一个典型的科技巨头现代机器人技术栈如下：
1. 感知层： 一个视觉-语言模型（VLM），如GPT-4V或自定义模型，用于理解场景、物体和人类意图。
2. 规划层： 一个世界模型（通常是扩散Transformer），用于生成一系列动作。
3. 控制层： 一个低层策略（通常是扩散策略或强化学习智能体），将高层计划转化为电机指令。
4. 仿真到现实迁移： 一个域随机化管道，确保在仿真中训练的策略能在现实世界中有效工作。
相关开源仓库：
- MuJoCo (Google DeepMind)： 用于机器人和生物力学的物理引擎。在GitHub上拥有超过7000颗星，是许多研究项目的支柱。其最新更新包括对软体动力学和接触丰富操作的支持。
- Isaac Gym (NVIDIA)： GPU加速的强化学习环境。它可以在几分钟内训练出机器人运动策略，而过去这需要数天时间。
- robosuite (Stanford/Google)： 用于机器人学习的仿真框架，拥有超过1000颗星。它提供了标准化的操作任务基准。
基准数据表：
| 模型/方法 | 任务成功率（仿真） | 任务成功率（现实世界） | 训练时间（GPU小时） | 所需数据（回合数） |
|---|---|---|---|---|
| RT-2 (Google DeepMind) | 85%（拾取与放置） | 75% | 10,000 | 100,000 |
| Octo (UC Berkeley / Google) | 78%（通用型） | 68% | 5,000 | 50,000 |
| Diffusion Policy (Columbia) | 92%（精密插入） | 88% | 2,000 | 20,000 |
| GR00T (NVIDIA) | 90%（运动控制） | 82% | 8,000 | 75,000 |
数据启示： 该表揭示了一个明显的权衡：像RT-2这样的通用模型需要海量数据和计算资源才能达到尚可的现实世界性能，而像Diffusion Policy这样专门化、任务特定的模型则能以更少的数据实现更高的成功率。这表明，科技巨头最初将专注于垂直应用（例如仓库拣选），在这些领域可以收集大量同质化数据集，然后再转向通用型机器人。
关键玩家与案例研究
这一转变并非千篇一律；每家科技巨头都根据自身现有优势采取了不同的战略路径。
Tesla (Optimus)： 最激进且垂直整合度最高的玩家。Tesla正在利用其在规模化制造、电池技术和AI（Dojo超级计算机、FSD神经网络）方面的专长。Optimus人形机器人被设计为通用劳动力替代品，首先应用于Tesla自己的工厂。关键洞察在于，Tesla可以从自己的生产线上收集数据，形成一个竞争对手无法复制的闭环。Elon Musk曾表示，Optimus最终可能成为比Tesla汽车部门更大的业务。
NVIDIA (Isaac, GR00T)： “卖铲子”策略。NVIDIA并非在制造完整的机器人用于销售；相反，它提供完整的硬件和软件栈，供其他公司构建自有机器人。这包括用于机载计算的Jetson Orin模块、用于仿真的Isaac Sim，以及用于机器人基础模型的GR00T平台。NVIDIA的战略是成为机器人领域的操作系统和芯片供应商，类似于其在PC和AI领域的角色。