2026-06-18 — views

Tesla Optimus 量产爬坡——工厂任务、产量目标与人形机器人押注

Tesla Optimus 工厂任务、产量目标与人形机器人经济模型——Tesla 最高风险 Physical AI 押注全面解析。

Physical AI 基准系列第 101 篇——Tesla Optimus：人形机器人量产爬坡、工厂任务、产量目标，以及为何这是 Tesla Physical AI 策略中风险最高的押注

Tesla 的 Physical AI 策略有三根支柱。第一根是 Full Self-Driving（FSD）——以视觉为主的神经网络，从 600 万辆以上消费者车队每日生成数千万英里的影子模式里程作为训练数据，目标是从监督式驾驶迈向完全自动驾驶。第二根是 Cybercab 机器人出租车——无踏板、无方向盘的自驾车，目标单车成本低于 $30,000（估），锁定叫车与物流市场。第三根是 Optimus：一款双臂、双足人形机器人，建立在与 FSD 相同的视觉基础模型架构之上，但瞄准完全不同的市场——通用体力劳动。

FSD 与 Cybercab 解决的是移动市场；Optimus 解决的是劳动力市场。根据各方可信估算，通用人形机器人的潜在市场规模远超自动驾驶车辆。这正是为何 Elon Musk 公开称 Optimus 为”Tesla 可能最有价值的产品”，也是为何 Optimus 爬坡是 Tesla Physical AI 组合中风险最高的押注。本文将这一爬坡作为基准指数加以呈现：Optimus 目前在 Tesla 工厂实际执行的任务、产量数字与目标的差距、关键技术缺口，以及爬坡成功后的经济模型。

第一节——Optimus 目前在 Tesla 工厂执行的任务（估，2026 年中）

理解 Optimus 当前工厂部署最重要的一点，是区分”监督式自主运作”与”完全自主运作”。截至 2026 年中（估），在 Tesla Gigafactory 运作的 Optimus 机组正在执行真实的生产任务——并非舞台示范——但仍需附近有人员监督与安全人员在场。从监督式过渡到完全自主工厂运作，是定义 Optimus 究竟是生产性资产还是昂贵实验的近期关键拐点。

任务类别	具体任务（估）	自主程度	生产相关性
电池电芯搬运	在工站间移动 4680 电池电芯；目视缺陷检测；按等级分类	监督式自主（附近有人员监督）	高——电池组装量大、重复性高，适合机器人操作
零组件运输	在 Gigafactory 生产线工站间移动零件；推拉台车	半自主	中——减少人员步行/运输时间
质量控制检验	使用机载摄影机进行零件目视检测；标记异常	监督式	中高——运用与 FSD 相同的视觉模型
线缆管理	在组装过程中布线与接线	测试中（对机器人极困难——线缆可变形）	成熟度低——线缆任务是最困难的操作挑战之一
拧螺栓	在组装中对紧固件施力矩	测试中	中等难度——需要精确力量控制
训练数据生成	Optimus 执行任务的同时，摄影机与传感器持续生成下一代模型的训练数据	始终开启	关键——工厂中的 Optimus = 机器人 AI 的数据飞轮

从这份任务矩阵可观察到两点。第一，Tesla 刻意从最适合当前机器人能力的任务起步——高量、重复、结构化物件操作（如电池电芯搬运）——并将最困难的任务（线缆管理、布料处理、食品处理）延至后续世代。第二，训练数据生成这一栏在结构上最为重要：每台在 Tesla 工厂运作的 Optimus 同时是生产性资产，也是数据收集节点，加速下一代模型的训练。这与 FSD 的飞轮逻辑完全相同，只是应用于机械操作领域。

第二节——产量爬坡目标与现实（估）

Musk 公开发表的 Optimus 产量目标遵循了 Tesla 车辆爬坡的既有模式：雄心勃勃的时间表，实际上通常推迟 1–3 年，但底层轨迹方向正确。下表区分了 Musk 的声明目标与方向性现实估算。

时间节点	Musk 目标（估）	方向性现实（估）
2024 年	”数十台” Optimus 机组	首批机组在 Fremont 和 Giga 德克萨斯进行监督式测试部署；与报道部署数量一致
2025 年	约 1,000 台	主要为内部工厂部署；Giga 上海产能爬坡；外部销售可能有限（估）
2026 年	50,000–100,000 台（Musk 目标）	5,000–15,000 台（估）——内部部署加早期外部销售；尚未达大规模商业规模
2027 年以后	”数百万台”（Musk 长期目标）	若 2026 爬坡验证核心经济模型且达到可靠性目标，则进入量产（估）

Musk 的 50,000–100,000 台 2026 目标与方向性 5,000–15,000 台现实估算之间的差距，并非失败——这是 Tesla 正常的爬坡模式。Model 3 爬坡同样经历了目标与交付之间约 12–18 个月的延迟。对长期论点而言，重要的不是 2026 年达到 50,000 台还是 10,000 台，而是实际部署的机组在可靠性、任务执行和经济性上是否验证了商业模型。

Giga 上海进入 Optimus 生产是 2026 年扩规模的关键解锁。以行业领先成本和速度生产 Model Y 的同一制造基础设施，正在为 Optimus 生产进行改造。若 Giga 上海能以 Model Y 同等的学习曲线速度生产 Optimus，2027–2028 年高量生产的路径将变得可信。

第三节——技术挑战差距：工厂示范与商业可行性

评估 Optimus 的核心挑战在于：“在受控工厂示范中完成任务”与”在真实工厂中无人监督地可靠完成任务”之间的差距巨大。

挑战	细节	当前状态（估）
灵巧操作	人手有 27 个自由度；可靠抓取不规则或可变形物件（线缆、布料、食品）极为困难	线缆任务仍未达商业品质；结构化物件（电池、螺栓）更易处理
泛化能力	训练抓取电池 A 的机器人，若电池 B 形状或重量略有不同可能就失败	Tesla 采用基础模型方法（端到端学习策略，与 FSD 相同）；持续改善但尚未完全通用
双足稳定性	在有障碍物、湿滑地面、坡道的工厂中行走；在碰撞后恢复平衡	持续改善；受控工厂环境比户外自驾驾驶更宽容
速度与精度	工厂机器人必须达到接近人类的产出；目前 Optimus 对多数任务比训练有素的人类工人更慢	训练任务约达人类速度的 30–60%（估）；每代模型持续提升
训练数据稀缺	训练通用操作策略需要比驾驶更多样化的数据；驾驶有明显结构（道路），操作是开放性问题	Tesla 工厂部署生成操作训练数据；飞轮逻辑适用但初始规模较小
与人类的安全共存	Optimus 在人类工人附近运作；力量控制与碰撞回避必须符合共同工作安全认证标准	开发中；商业销售的安全认证增加监管时程
正常运作时间与可靠性	工厂机器人需要 95% 以上的正常运作时间才有商业价值；早期 Optimus 需要较频繁的人工介入	早期世代可靠性；随每次部署周期持续改善

速度与精度的取舍值得深入说明。在给定训练任务中达到人类速度的 30–60%（估），若相应的人类工人能够留任，Optimus 机组在成本上尚不具竞争力。对于高度重复、人体工学要求高、人员流动率高且伤害率高的任务（电池电芯搬运是好例子），即使是 50% 的人类速度，若机器人能 24/7 全天候工作且无需支付休息、福利或伤害赔偿，在经济上可能仍是合理的。

第四节——Optimus 经济模型

经济维度	细节
目标单机价格	Musk 曾引用”长期低于每台 $20,000”作为目标；当前生产成本估计远高于此（估）
可比劳动成本	美国制造业工人薪资中位数：约 $45,000/年加约 $15,000/年福利 = 约 $60,000/年总成本；能 24/7 工作的 $20,000 机器人在不到 1 年内回收对比单一工人
潜在市场	仅美国汽车/电子制造业就约有 200 万名制造工人（估）；全球约 3 亿名制造工人（估）；即使 1% 渗透率 = 300 万台
Tesla 内部部署 ROI	每台在 Gigafactory 替代人工任务的 Optimus 机组，估计节省约 $50,000–$60,000/年（估）；1,000 台内部部署时，年节省约 $5,000 万–$6,000 万（估）
外部销售毛利（估）	售价 $20,000、成熟生产成本 $10,000–$15,000（估），每台毛利 25–50%；年销 10 万台，年营收贡献约 $20 亿（估）
Musk”最有价值产品”论点	若通用人形机器人能执行大多数体力劳动任务，潜在市场规模超越 Tesla 所有现有业务之和；这是所谓”$10 兆以上机会”的主张

$20,000 目标单机价格是关键输入。在当前生产量下，Optimus 机组的生产成本远高于 $20,000。达到该成本水平的学习曲线需要量产——量产需要商业部署——商业部署需要足够的可靠性。这种循环依赖关系是 Optimus 爬坡的核心挑战。Tesla 此前已成功驾驭同样的循环依赖三次（Model S、Model 3、Model Y）。

第五节——Optimus 与人形机器人竞争格局

公司	机器人	支持者	商业状态（估，2026 年中）
Tesla	Optimus Gen 2	上市公司（TSLA）	工厂部署加早期外部销售（估）
Figure AI	Figure 02	OpenAI、Microsoft、Bezos、Nvidia、BMW	BMW 工厂试点；商业试验（估）
Physical Intelligence (pi)	pi-zero（策略模型，多硬件平台）	Google DeepMind 团队创始人；4 亿美元 B 轮（估）	软件/策略层；非硬件公司
1X Technologies	NEO	OpenAI	早期阶段；有限部署（估）
Boston Dynamics	Atlas（电动版）	现代汽车	在现代工厂测试；顶尖移动能力但成本高（估）
Agility Robotics	Digit	Amazon（1.5 亿美元以上投资，估）	Amazon 仓库试点；规模有限（估）
Apptronik	Apollo	NASA 衍生；三星 SDI、Google	制造业试点（估）

三项结构性观察。第一，Tesla 是唯一同时也是复杂机电系统高量制造商的人形机器人公司。第二，Physical Intelligence 追求完全不同的策略——可在多个机器人硬件平台上运行的软件/策略层。第三，Amazon-Agility 和 BMW-Figure 合作是大型工业客户在完全商业可行性确立前就愿意为人形机器人试验买单的最清晰信号。

第六节——为何 Optimus 是风险最高的押注

市场规模论点。 全球制造业劳动力市场的规模远超全球叫车和物流市场。全球制造业劳动年度总成本估计在 $10–$15 兆（估）。能够夺取 1% 市场的人形机器人，代表年规模百亿美元以上的营收机会。

护城河论点。 Tesla 在自动驾驶领域的竞争护城河，主要来自 FSD 训练数据飞轮。在人形机器人领域，类比护城河是操作训练数据飞轮。最先在真实工厂环境中部署最多机器人小时的公司，将积累最多样化且标注最密集的操作数据。Tesla 在 Gigafactory 内部的部署正是这一飞轮中的先行者优势。

风险论点。 Optimus 是风险最高的押注，恰恰是因为失败模式比 FSD 或 Cybercab 更多。FSD 的主要风险是监管性的；Cybercab 的主要风险是运营性的。Optimus 面临所有这些风险，加上一个更难的底层技术问题：在非结构化环境中的灵巧操作仍是未解决的问题。若 Tesla 的基础模型方法能充分泛化以解决操作问题，Optimus 胜出。若不能泛化，爬坡将停滞于结构化工厂任务，“$10 兆机会”将停留在理论层面。

注意： 本文所有产量数字、机组数量、成本估算、竞争格局评估和市场规模估算，均为基于截至 2026 年中公开公告、财报电话会声明、新闻报道和分析师研究的方向性估算。不确定或估算的数字均标注”（估）“，应视为方向性而非确定性数字。本文不构成投资建议。