从特斯拉智能驾驶看人形机器人发展路径-机器人数据短缺主要靠两种途径

[Table_Summary] [Table_Summary] 当前人形机器人产品落地的主要瓶颈在于模型侧。模型侧对机器人多模态对齐数据有较高的 需求。数据驱动的大模型需要大量机器人多模态对齐数据投喂，对机器人数据的数量和质量 都有较高的需求。机器人厂商解决机器人数据短缺主要靠两种途径：1）通过为数众多的机器人在物理世界中收集数据；2）通过 AIGC、数字孪生等方式合成仿真数据。因此建议关注模拟仿真相关标的。

机器人软件：越过 L2，直接从具身智能开始

AI 模型的发展已经接近关键节点，多模态模型具备了一定的成熟度，为人形机器人系统的发 展铺平了道路。复盘特斯拉智能驾驶的发展路径可以发现，人形机器人模型可以采用自上而 下的形式，直接从 L3 级开始构建模型系统。在机器人时代，主流软件厂商都选择了数据驱动 的开发范式。数据驱动的机器人模型具备较高的泛化能力，不仅可用于高复杂性场景，还能 在环境沟通中自主学习。受限于算力不足以及数据集短缺，模型控制层暂时只能以规则驱 动。特斯拉正在以数据驱动快速迭代机器人系统。目前特斯拉已将为数众多的 Optimus 放进 汽车生产工厂，安排其协助完成工厂内的电池分拣工作，形成了数据飞轮。

机器人硬件：性能优化与云边端协同

机器人从汽车感知系统上继承了摄像头、超声波雷达、激光雷达等传感器，并且提高了传感 器数量和性能。此外，为了实现更精准的操控，机器人新增加了一维力和一维力矩传感器、 关节电机内部的位置传感器、IMU、用于腕关节和脚部的六维力传感器、触觉传感器(指尖、 手掌、高碰撞风险区)等部件。

当前条件下，如何平衡云端的计算延迟与端侧的算力不足是机器人 AI 大脑的核心矛盾之一。 放眼未来，机器人大脑在一段时间内或采用云端大脑与端侧模型并行的技术路径。在云端， 特斯拉自研 DOJO 超算平台支撑人形机器人的底层算力。DOJO 芯片架构平台由 D1 芯片组 成 ， D1 芯 片 采 用 了 台 积 电 的 7 纳 米 制 程 工 艺 ， 计 算 能 力 在 BF16/CFP8 上达到 362TFLOPS，FP32 峰值算力为 22.6 TFLOPS，TDP(热设计功耗)为 400W。预计到 2024 年 10 月，Dojo 超算平台的有望匹配 30 万块英伟达 A100 芯片的算力。特斯拉自研的 Dojo 超 算平台有望为公司节省超过 65 亿美元的算力投入。

商业模式：从制造到运营，机器人有望复刻路径

具身智能将带来产业链的重构，其中软件将在产业链中具备最高价值量。未来随着大模型的 渗透率提升，机器人智能化程度有望大幅度提高。参考智能汽车领域的“软件定义汽车”逻 辑，软件算法或成为人形机器人厂商的技术护城河，是机器人主机厂实现产品差异化的关键 因素。

附件：从特斯拉智能驾驶看人形机器人发展路径-机器人数据短缺主要靠两种途径