2026-06-18 — views
Tesla Optimus 深度剖析——人形機器人製造爬坡與實體 AI 堆疊
Tesla Optimus 與 FSD 共用同一套神經網路架構。本文深入解析製造爬坡、工廠部署時程，以及 Optimus 何以成為實體 AI 領域最大的押注。
實體 AI 基準系列第 21 篇
Tesla Optimus 不是副業項目。它是驅動 Tesla 車輛的同一套人工智慧系統，以不同的實體形態呈現。理解這一點，是理解為何 Optimus 最終可能比 Tesla 有史以來任何一輛車都更有價值的關鍵——也是理解 2025 年至 2026 年製造爬坡何以成為實體 AI 故事中最關鍵工業事件之一的原因。
本系列第 2 篇廣泛涵蓋了五家公司的人形機器人競賽：Tesla、Figure、Agility、1X 與 Boston Dynamics。本文則對 Optimus 進行應有的深度剖析：技術架構、逐代能力演進、FSD 連結、工廠部署時程，以及可能拖慢或阻礙這場實體 AI 最大押注的風險。
第一節——Optimus 技術能力：逐代演進
下表彙整了三代 Optimus 的已知規格與估計規格。第三代數據為根據 Tesla 公開聲明及分析師預測所做的估計，均已標注。
| 維度 | Optimus 第一代（2022） | Optimus 第二代（2023–2024） | Optimus 第三代（2025–2026 估計） |
|---|---|---|---|
| 身高／體重 | 5’8” / 125 磅 | 5’8” / 121 磅 | 相近（估計） |
| 行走速度 | 1.4 英里/小時 | 5 英里/小時 | 6+ 英里/小時（估計） |
| 手部靈活度 | 基本（手指關節有限） | 11 自由度手部，可處理雞蛋 | 改良觸覺感測（估計） |
| 致動器 | Tesla 設計線性致動器 | 改良版 Tesla 致動器 | 進一步優化（估計） |
| AI 骨幹 | 早期 FSD 衍生視覺 | FSD 神經網路（相同訓練管線） | FSD v14+ 整合（估計） |
| 電池續航 | ~數小時（未公開） | ~數小時（改善，未公開） | 目標完整班次（估計） |
| 應用情境 | 展示／實驗室 | 工廠任務（電池芯處理） | 工廠＋有限商業化（估計） |
| 累計生產量（估計） | 不足 10 台 | ~100–500 台 | 1,000–10,000 台（估計） |
| 未來目標售價 | 不適用（原型機） | 不適用（內部使用） | 低於 $20,000（Musk 目標） |
從第一代到第二代的進步幅度相當顯著：行走速度從 1.4 英里/小時提升至 5 英里/小時，手部靈活度從基本抓握進化為 11 自由度、可處理易碎物品，AI 骨幹也從早期 FSD 衍生視覺升級為完整的 FSD 神經網路訓練管線。第二代不是研究原型——它是在 Tesla 德州超級工廠執行真實任務的工廠機器人。
第三代估計數據反映了 Tesla 自身陳述的目標。完整班次電池目標至關重要：目前的人形機器人無法持續工作完整的八小時工業日。達到這一耐力門檻，是商業製造部署的工程前提。
第二節——FSD 連結：一套實體 AI 系統，兩種形態
關於 Optimus 最重要、也最不直觀的事實是：它不是與 Tesla 自動駕駛計畫分開的產品。Optimus 與完全自動駕駛（FSD）共用同一套神經網路架構。這是整個 Optimus 計畫的核心技術洞察。
架構映射方式：
- FSD 處理車輛的 8 路攝像頭輸入 → 動作指令（方向盤角度、油門、煞車壓力）
- Optimus 處理機器人本體的攝像頭輸入 → 動作指令（致動器動作、手部手勢、平衡修正）
- 訓練管線、Dojo 超級電腦與推理晶片（HW4）是兩個計畫共用的基礎設施
- FSD 的每一英里訓練數據，都在提升 Optimus 的空間推理與障礙物迴避能力
- Optimus 在工廠的每次部署，都在為具身智慧生成新的訓練數據
Tesla 並非在建立兩套 AI 系統。它正在建立一套實體 AI 系統，並將其實例化為兩種不同的機械形體：四輪車輛與雙足機器人。學會駕馭高速公路匯流的神經網路，正是即將學會在工廠地板上導航、拾取零件並正確安裝的那套網路。
複利數據飛輪：
這種架構創造了競爭對手建立的專用人形 AI 無法複製的複利護城河。Tesla 的 FSD 車隊每天產生數百萬英里的真實世界物理互動數據。這些數據訓練著驅動 Optimus 的同一套模型。Figure AI、Agility Robotics 與 Boston Dynamics 都沒有可比較的大規模具身智慧訓練數據來源。
飛輪是雙向的：更多 FSD 里程改善 Optimus，而更多 Optimus 工廠部署則產生新的訓練數據，提升通用實體 AI 性能——也可能反饋至 FSD。這兩個計畫不是並行的；它們是相互複利的。
第三節——工廠部署時程
Tesla 是自己的第一個客戶。這不是局限，而是戰略優勢。Tesla 運營著全球最先進的製造設施之一，擁有定義明確、可重複且可量化的高精度任務。德州超級工廠是訓練場。
| 年份 | 部署地點 | 規模 | 任務 |
|---|---|---|---|
| 2024 | 德州超級工廠（內部） | 不足 10 台 | 電池芯處理（有限） |
| 2025 | 德州＋內華達超級工廠 | ~100–500 台（估計） | 電池品質管控、零件分揀、線束佈線 |
| 2026 | 多座超級工廠 | 1,000–10,000 台（估計） | 擴展工廠任務 |
| 2027+ | 對外商業銷售（估計） | 數萬台（估計） | 製造、物流，最終進入消費者市場 |
Musk 公開陳述的產量目標：
- 2025 年：生產足夠供內部超級工廠使用的數量
- 2026 年：50,000–100,000 台（Musk 陳述目標——許多分析師認為 10,000 台較為現實，為估計值）
- 2027 年以後：每台低於 $20,000 的商業化銷售
Musk 陳述目標與分析師估計之間的落差相當大。Tesla 的過往記錄顯示，生產時程通常會延後——但也表明，一旦製造系統建立起來，爬坡曲線往往比預期更快陡升。Model 3 爬坡需要熬過 2017 至 2018 年的「生產地獄」，才成為史上最暢銷電動車。Optimus 在 2025 年至 2026 年很可能正處於類似階段。
值得關注的關鍵領先指標不是台數，而是任務擴展：Optimus 能自主執行多少種工廠任務？第二代能處理電池芯。從線束佈線、小零件組裝到多步驟品質檢測，代表 AI 通用化難度增加了一個數量級——這將比原始產量數字更能決定商業部署時程。
第四節——可觸達市場：為何 Optimus 可能比機器人計程車更大
Musk 曾公開表示，他認為 Optimus 最終可能比 Tesla 的汽車業務更有價值。這一說法值得認真審視，而非輕易否定。
勞動替代的數學：
全球製造業約有 3 億名工廠工人。若 Optimus 達到每台 $20,000 的商業售價，且生產力為人工的一半，其經濟替代潛力相當可觀。以 $20,000 的機器人售價、5 年使用壽命計算，年化成本約為 $4,000——大約是高薪經濟體工廠工人年勞動成本的五分之一，在納入維護與停機成本後，也具備與低薪製造市場競爭的能力。
主要市場區塊：
- 汽車總成 — Tesla 自身工廠作為第一批商業客戶，其他汽車製造商為自然的第二梯隊
- 電子製造 — 蘋果供應鏈（僅富士康在中國就有約 100 萬名工人）代表精密組裝領域最大的單一機會；業界討論過 Tesla 與蘋果供應商潛在合作的可能性
- 物流與倉儲 — 亞馬遜對 Agility Robotics（Digit 人形機器人）的投資，表明全球最大物流運營商將人形機器人視為倉庫自動化的長期答案；Tesla 估計可在 2027 或 2028 年直接競爭此市場
為何可觸達市場規模確實龐大：
即使以保守分析師估計——2030 年前 100 萬台、每台低於 $30,000、毛利率 30%——營收機會也接近 3,000 億美元。以 Musk 更積極的情境（2030 年前 1,000 萬台、每台低於 $20,000）計算，這項業務將遠超目前的汽車市場規模。即便多數投資者對激進情境賦予低機率，此選擇權的機率加權價值也相當龐大。
第五節——主要風險與待解問題
任何對 Optimus 的分析，若不坦率列出潛在問題，都是不完整的。這些風險是真實存在的，且有幾項至今仍未解決。
| 風險 | 詳情 | 緩解措施 |
|---|---|---|
| 靈活度差距 | 目前的手部無法達到人類對許多精密組裝任務所需的精細動作控制 | 第三代觸覺感測改善（估計）；逐步擴展任務 |
| 電池續航 | 完整 8 小時班次耐力尚未展示 | 持續工程；目標列為第三代規格（估計） |
| 軟體通用化 | FSD 在道路環境訓練——具身 AI 需要更廣泛的工廠多樣性訓練數據 | 超級工廠部署作為訓練場；部署間的反饋迴路 |
| 價格目標 | 低於 $20K 需要大規模量產；目前每台建置成本遠高於此 | 與 Model 3/Y 爬坡相同的超級工廠學習曲線經濟學 |
| 監管 | 目前尚無類似自動駕駛的人形機器人監管框架；保險與責任問題懸而未決 | 先行者優勢；監管歷史上跟隨大規模部署而來 |
| 競爭 | Figure、Agility、1X、Boston Dynamics、20 家以上中國新創（宇樹、優必選等） | FSD 數據飛輪是競爭對手無法從零複製的結構性護城河 |
軟體通用化風險是最深層的。FSD 的訓練數據在一個領域非常豐富：道路環境、車輛互動與駕駛動作。具身工廠智慧需要質上截然不同的訓練數據分佈——近距離操作、工業零件的物體識別、組裝任務的力覺反饋。Tesla 在工廠部署上的先行優勢，正是為了建立這種數據優勢，但實現接近人類的通用化所需時間仍存在真實的不確定性。
競爭風險在台數比較之外也有重要維度。中國新創——尤其是宇樹科技——正以遠低於西方競爭者的價格生產人形機器人。若中國製造商以三分之一的價格達到足夠的性能，商業市場可能比 Tesla 飛輪優勢複利的速度更快地商品化。這與 2023 至 2024 年衝擊 Tesla 車輛毛利率的動態相同。
本文在系列中的位置
這是實體 AI 基準系列的第 21 篇。本系列已涵蓋：
- 第 1–9 篇：技術、監管、資本與主計分卡
- 第 10–13 篇：四項供給側結構性制約（高精度地圖、遠程操作、OTA 更新、FMVSS）
- 第 14 篇：整合四項制約的更新版計分卡
- 第 15 篇：需求面——乘客體驗、採用曲線與定價
- 第 16 篇：供應鏈——製造夥伴、車隊營運與生態系統
- 第 17 篇：投資級競爭護城河分析——持久性 vs. 暫時性優勢
- 第 18 篇：Tesla Cybercab vs. Model Y 機器人計程車——兩款車輛、兩條時程、一條爬坡曲線
- 第 19 篇：自動駕駛安全數據——NHTSA SGO 報告、每次碰撞英里數與監管準備度
- 第 20 篇：Waymo 第六代車輛轉型——決定車隊規模成長的製造爬坡
- 第 21 篇（本篇）：Tesla Optimus 深度剖析——人形機器人製造爬坡與實體 AI 堆疊
來源
- Tesla Optimus 發表與工廠部署 — Tesla AI Day ↗
- Tesla 2026 年第一季財報 — Optimus 生產更新 ↗
- Tesla Optimus 第二代展示 — Tesla ↗
- 人形機器人市場分析 — 高盛研究 ↗