[Table_Summary] [Table_Summary] 當(dāng)前人形機(jī)器人產(chǎn)品落地的主要瓶頸在于模型側(cè)。模型側(cè)對(duì)機(jī)器人多模態(tài)對(duì)齊數(shù)據(jù)有較高的 需求。數(shù)據(jù)驅(qū)動(dòng)的大模型需要大量機(jī)器人多模態(tài)對(duì)齊數(shù)據(jù)投喂，對(duì)機(jī)器人數(shù)據(jù)的數(shù)量和質(zhì)量 都有較高的需求。機(jī)器人廠商解決機(jī)器人數(shù)據(jù)短缺主要靠兩種途徑：1）通過為數(shù)眾多的機(jī)器人在物理世界中收集數(shù)據(jù)；2）通過 AIGC、數(shù)字孿生等方式合成仿真數(shù)據(jù)。因此建議關(guān)注模擬仿真相關(guān)標(biāo)的。

機(jī)器人軟件：越過 L2，直接從具身智能開始

AI 模型的發(fā)展已經(jīng)接近關(guān)鍵節(jié)點(diǎn)，多模態(tài)模型具備了一定的成熟度，為人形機(jī)器人系統(tǒng)的發(fā) 展鋪平了道路。復(fù)盤特斯拉智能駕駛的發(fā)展路徑可以發(fā)現(xiàn)，人形機(jī)器人模型可以采用自上而 下的形式，直接從 L3 級(jí)開始構(gòu)建模型系統(tǒng)。在機(jī)器人時(shí)代，主流軟件廠商都選擇了數(shù)據(jù)驅(qū)動(dòng) 的開發(fā)范式。數(shù)據(jù)驅(qū)動(dòng)的機(jī)器人模型具備較高的泛化能力，不僅可用于高復(fù)雜性場景，還能 在環(huán)境溝通中自主學(xué)習(xí)。受限于算力不足以及數(shù)據(jù)集短缺，模型控制層暫時(shí)只能以規(guī)則驅(qū) 動(dòng)。特斯拉正在以數(shù)據(jù)驅(qū)動(dòng)快速迭代機(jī)器人系統(tǒng)。目前特斯拉已將為數(shù)眾多的 Optimus 放進(jìn) 汽車生產(chǎn)工廠，安排其協(xié)助完成工廠內(nèi)的電池分揀工作，形成了數(shù)據(jù)飛輪。

機(jī)器人硬件：性能優(yōu)化與云邊端協(xié)同

機(jī)器人從汽車感知系統(tǒng)上繼承了攝像頭、超聲波雷達(dá)、激光雷達(dá)等傳感器，并且提高了傳感 器數(shù)量和性能。此外，為了實(shí)現(xiàn)更精準(zhǔn)的操控，機(jī)器人新增加了一維力和一維力矩傳感器、 關(guān)節(jié)電機(jī)內(nèi)部的位置傳感器、IMU、用于腕關(guān)節(jié)和腳部的六維力傳感器、觸覺傳感器(指尖、 手掌、高碰撞風(fēng)險(xiǎn)區(qū))等部件。

當(dāng)前條件下，如何平衡云端的計(jì)算延遲與端側(cè)的算力不足是機(jī)器人 AI 大腦的核心矛盾之一。 放眼未來，機(jī)器人大腦在一段時(shí)間內(nèi)或采用云端大腦與端側(cè)模型并行的技術(shù)路徑。在云端， 特斯拉自研 DOJO 超算平臺(tái)支撐人形機(jī)器人的底層算力。DOJO 芯片架構(gòu)平臺(tái)由 D1 芯片組 成 ， D1 芯 片 采 用 了 臺(tái) 積 電 的 7 納 米 制 程 工 藝 ， 計(jì) 算 能 力 在 BF16/CFP8 上達(dá)到 362TFLOPS，F(xiàn)P32 峰值算力為 22.6 TFLOPS，TDP(熱設(shè)計(jì)功耗)為 400W。預(yù)計(jì)到 2024 年 10 月，Dojo 超算平臺(tái)的有望匹配 30 萬塊英偉達(dá) A100 芯片的算力。特斯拉自研的 Dojo 超 算平臺(tái)有望為公司節(jié)省超過 65 億美元的算力投入。

商業(yè)模式：從制造到運(yùn)營，機(jī)器人有望復(fù)刻路徑

具身智能將帶來產(chǎn)業(yè)鏈的重構(gòu)，其中軟件將在產(chǎn)業(yè)鏈中具備最高價(jià)值量。未來隨著大模型的 滲透率提升，機(jī)器人智能化程度有望大幅度提高。參考智能汽車領(lǐng)域的“軟件定義汽車”邏 輯，軟件算法或成為人形機(jī)器人廠商的技術(shù)護(hù)城河，是機(jī)器人主機(jī)廠實(shí)現(xiàn)產(chǎn)品差異化的關(guān)鍵 因素。

附件：從特斯拉智能駕駛看人形機(jī)器人發(fā)展路徑-機(jī)器人數(shù)據(jù)短缺主要靠兩種途徑