特斯拉的一万台人形机器人，卡在哪？

特斯拉准备先造出1万至2万台人形机器人，让它们自己学会干活。

与此同时，Optimus已在弗里蒙特工厂启动早期生产，规划年产能100万台的生产线，大部分设备已经到位。

制造端似乎已经做好了加速准备。马斯克却也承认，Optimus的AI、机电设计、可靠性和使用寿命仍有诸多问题需要解决。达到每周约2万台的生产速度，至少还需要一年，甚至更长。

造机器人，是为了训练机器人；训练机器人，又是为了让机器人真正具备工作能力。

这套看似顺理成章的逻辑，正在面对一道现实难题。

近日，在参观一家开展人形机器人产线训练的企业时，一位技术人员向盖世具身智能透露，如今部分人形机器人的制造能力和性能指标已经达到较高水平，单次操作的精度也不成问题。但真正进入工业场景，连续工作数小时、数十小时，动作的一致性、耐久性和可靠性仍然难以充分保证。

机器人最精彩的时刻，可能是演示；最难的时刻，却是日复一日地重复。

从实验室到工厂，这一差距正在成为人形机器人产业化的重要门槛。

而特斯拉的万台机器人训练计划，恰好把这个问题推到了台前。

为什么非要先造一万台？

严格来说，马斯克关于万台机器人训练的设想，并非首次披露。

此次会议的新信息，是特斯拉进一步确认了早期生产进度，同时对规模化制造的困难给出了更明确的解释。

为什么需要这么多机器人？

答案藏在特斯拉最熟悉的自动驾驶业务中。

过去多年，特斯拉依靠庞大的在售车队持续获取真实道路数据。这些数据成为FSD不断迭代的重要基础。

人形机器人则没有现成的庞大用户车队。

就像观看足球比赛，并不能让一个人自动成为优秀的足球运动员。人类能够轻松完成的抓取、搬运、整理等动作，对于机器人而言，涉及视觉判断、运动规划、关节协调以及接触力控制。

模型知道应该做什么，与机器人能够准确执行，是两回事。

特斯拉的思路，是先通过人类示范完成初始训练，再让机器人在仿真和真实环境中自主练习，通过强化学习不断改进。

如果有足够多的机器人同时训练，就能在相同时间内积累更多操作经验。

一万台机器人不只是未来的产品，也可能成为特斯拉获取训练数据的基础设施。

与单纯依赖人类操作数据相比，机器人本体产生的交互经验，可以更直接地反映自身机械结构、控制能力和物理环境之间的关系。

这是特斯拉希望建立的训练循环:制造更多机器人，获得更多本体数据；利用数据改善模型，再让更多机器人掌握复杂任务。

问题是，机器人数量可以通过扩产增加，有效训练数据却不一定会随着数量等比例增长。

一次失败能否提供有价值的反馈？反复练习是否能够形成可迁移的技能？训练环境中的能力，到了客户现场还能保留多少？

这些问题，比单纯增加机器人数量复杂得多。

百万台产能规划，绕不开一只灵巧手

特斯拉的制造经验，原本被视为Optimus最重要的竞争优势之一。

从整车制造到供应链管理，特斯拉拥有长期积累的规模化生产能力。马斯克也希望将这套体系应用到人形机器人领域。

然而，人形机器人并不是缩小版的汽车。

今年9月，《The Information》援引知情人士消息称，Optimus周产量已经达到数百台，但精密零部件装配、质量一致性及任务泛化仍然面临挑战。

目前，机器人的其他主要机电系统已逐步收敛到较为成熟的设计方案，灵巧手仍需解决定制齿轮、能耗、传感器和长期可靠性等问题。

人类的手，可以轻松拿起鸡蛋，也能够抓握较重的工具。柔软的皮肤、丰富的触觉感知和灵活的关节，共同支撑着这些看似简单的动作。

机器人要通过机械结构、传感器和控制算法实现类似能力，难度已经相当高。

进入工业现场，问题变得更加具体。

一次抓取成功，可以证明机器人具备某项技术能力。连续抓取数千次、数万次，还能保持精度和节拍，考验的则是整个系统的工程成熟度。

灵巧手要承受机械磨损，关节模组需要保持稳定输出，传感器不能频繁出现偏差。硬件性能发生变化，还可能影响原本训练好的控制策略。

机器人偶尔抓取失败，可能通过自动重试恢复；频繁失败，就会拖慢生产节拍，增加人工干预。

工业客户衡量的不是单次操作能否成功，而是设备综合效率、工序良率、运行可用率和维护成本。

更棘手的是，硬件与算法问题经常交织在一起。

同样一次操作失败，可能是机械结构产生误差，也可能是视觉识别错误、任务规划不合理，或者工件位置发生变化。

只有在足够长时间、足够多样的真实运行中，企业才能逐步识别问题并完善产品。

这也解释了特斯拉为什么选择并行推进生产和训练。

马斯克透露，即使灵巧手尚未最终定型，特斯拉仍在制造机器人，同时调整设计、建立供应链和开展AI训练。

提前生产可以增加训练机会，也使部分设计问题更早暴露。

代价同样存在。

如果零部件设计持续变化，已经制造的机器人可能需要反复改装；如果硬件可靠性不足，大规模训练也会增加维修、停机和设备管理成本。

特斯拉试图通过扩大制造规模加速智能进化，却又需要足够成熟的硬件，才能支撑这种规模化训练。

这正是万台机器人计划最难绕开的矛盾。

机器人进厂，才知道问题出在哪里

对于特斯拉而言，Optimus仍处于早期生产和训练体系建设阶段。

其他企业在真实工业场景中的实践，则提供了另一种观察视角。

2025年，Figure 02在宝马美国斯帕坦堡工厂开展了约十个月的项目。

根据宝马披露的数据，机器人累计运行约1250小时，处理超过9万个零部件，参与了3万多辆宝马X3的生产。

其主要任务，是抓取并定位用于焊接的金属板件。这些数字证明，人形机器人已经能够在实际生产流程中承担持续性的重复任务。

更值得注意的是，机器人走进工厂后，改变的不只有机器人本身。为实现部署，宝马需要协调生产IT、职业安全、工艺管理和车间物流等多个环节，完善安全防护，并处理与现有自动化系统的集成问题。

一台机器人能否在实验室里完成任务，与它能否接入汽车工厂的生产体系，是两种不同的考验。

设备采购之外，安全改造、系统集成、现场调试和后续维护，都是实际部署成本。

宝马的案例还提供了一个值得注意的信号:其官方总结认为，部分实验室训练动作迁移到实际生产环境的速度快于预期。

这说明训练成果并非必然难以迁移。真正需要判断的，是哪些任务可以快速部署，哪些任务需要大量重新训练和工程适配。

相比精密装配，任务相对固定的物流场景，正在更早接近持续商业运营。

Agility Robotics披露，其Digit机器人已在GXO物流设施累计搬运超过10万个周转箱。

该项目还有一个重要背景:2024年，GXO与Agility签署了多年期机器人即服务协议，将Digit部署到既有物流流程中。

Digit承担的工作相对明确，包括在移动机器人、传送带等设备之间转运周转箱。

它未必是最能体现通用智能的任务，却更容易建立可衡量的运营目标。

一天能搬多少箱？人工需要介入多少次？停机造成多少损失？单位任务成本能否低于替代方案？

对于客户而言，这些问题比机器人能够展示多少种动作更有意义。

Agility尚未公布足够完整的运行可用率、人工干预频率和单位任务成本，外界难以独立计算项目的投资回报。但商业协议和累计作业量，至少让机器人开始接受真实业务流程的检验。

工业化不一定始于最复杂的任务，也可能始于一项足够简单、能够稳定重复并算清成本的工作。

而就在近日，舍弗勒具身智能机器人太仓数智工厂正式启用。在约7500平方米的设施内，六台人形机器人参与机器人关节模组零部件相关生产作业。工厂还设置六类工业训练场景，通过数字孪生系统连接训练、生产验证和工艺优化。

这座工厂的意义，不只是让机器人参与制造机器人零部件，而是尝试把训练和真实生产放进同一个反馈回路。

训练场里学会的动作，可以到实际工序中检验；现场发现的问题，再反馈至训练和工程优化。

相比特斯拉希望通过大规模机器人积累本体数据，舍弗勒的实践更强调具体工业场景中的训练与验证。

两种路径并不矛盾。

特斯拉关注如何扩大机器人的训练规模，工业部署方则需要回答另一个问题:训练出来的能力，能否真正用于生产？

进一步说，在太仓验证成功的技能，能否以相近的成本和周期复制到其他工厂？

不同工厂的工位布局、物料规格和生产节拍存在差异。如果每更换一条产线，都需要大量重新采集数据、训练模型和调整现场，机器人即使实现制造量产，也难以迅速扩大商业部署。

对于整个产业，真正稀缺的或许不只是训练数据，而是能够持续转化为稳定工作能力、并在不同场景复用的有效数据。

造出一万台之后，谁来保证它们真正有用？

回到特斯拉的万台机器人计划，还有一个更深层的问题。

一万台机器人投入训练，究竟能够产生多大的规模效应？

按照马斯克的设想，大量Optimus自主练习，将不断产生本体交互数据，帮助模型掌握复杂任务，最终形成类似FSD的数据驱动迭代机制。

汽车车队与机器人训练设施之间，却存在一个重要区别。

汽车本身已经是经过长期验证的成熟消费产品。大量车辆在用户日常使用中持续产生数据。

Optimus仍在完善设计，训练机器人的同时，也在验证机器人的硬件、算法和可靠性。

这使得训练规模、数据质量和设备可靠性相互制约。

要训练出更可靠的机器人，需要更多有效交互数据；要持续获得这些数据，需要机器人能够长时间运行；要让训练产生商业价值，还必须证明学到的技能能够迁移到真实工作场景。

扩大数量可以增加训练机会，也会同步放大硬件采购、维护、场地及算力投入。

如果机器人频繁故障，大规模训练可能首先变成大规模维护。如果模型难以从失败中获得有效反馈，增加训练次数也未必能够换来相应的能力提升。

特斯拉能够凭借制造体系加快机器人生产，却无法仅凭制造数量保证训练效率。

对于外部客户而言，届时需要评估的，不再只是机器人能完成多少种任务，而是能否在特定工序中长期稳定工作。

在成熟的汽车工厂，人形机器人还需要与机械臂、专用设备等既有自动化方案竞争。

对于节拍固定、工艺明确的标准化任务，传统自动化已经具有成熟的效率和成本优势。

人形机器人的机会，更多来自对现有人工工作环境的适应、多任务切换，以及传统自动化难以经济覆盖的工序。

这些优势需要真实运营数据，而不是产能规划来证明。

一台机器人每天创造多少有效工作时间、需要多少人工维护、能否跨场景快速部署，最终决定客户是否愿意持续采购。

特斯拉对Optimus的投入，正在将一个长期存在于机器人实验室的问题推向制造现场:通用智能能否通过规模化训练获得，又能否以可接受的成本转化为稳定的劳动能力？

万台机器人训练计划，提供了一条可能的路径。

它能否成功，取决于制造规模、训练效率与实际应用能力能否形成真正的正向循环。

造出一万台机器人，是制造能力的考验；让一万台机器人持续学习，是训练体系的考验；让它们真正走进工厂、稳定创造价值，才是商业化的考验。

特斯拉已经开始回答第一道题，后面两道题，整个行业都还在寻找答案。