2026-06-18 — views

Tesla Optimus 量產爬坡——工廠任務、產量目標與人形機器人押注

Tesla Optimus 工廠任務、產量目標與人形機器人經濟模型——Tesla 最高風險 Physical AI 押注全面解析。

Physical AI 基準系列第 101 篇——Tesla Optimus：人形機器人量產爬坡、工廠任務、產量目標，以及為何這是 Tesla Physical AI 策略中風險最高的押注

Tesla 的 Physical AI 策略有三根支柱。第一根是 Full Self-Driving（FSD）——以視覺為主的神經網路，從 600 萬輛以上消費者車隊每日生成數千萬英里的影子模式里程作為訓練資料，目標是從監督式駕駛邁向完全自動駕駛。第二根是 Cybercab 機器人計程車——無踏板、無方向盤的自駕車，目標單車成本低於 $30,000（估），鎖定叫車與物流市場。第三根是 Optimus：一款雙臂、雙足人形機器人，建立在與 FSD 相同的視覺基礎模型架構之上，但瞄準完全不同的市場——通用體力勞動。

FSD 與 Cybercab 解決的是移動市場；Optimus 解決的是勞動力市場。根據各方可信估算，通用人形機器人的潛在市場規模遠超自動駕駛車輛。這正是為何 Elon Musk 公開稱 Optimus 為「Tesla 可能最有價值的產品」，也是為何 Optimus 爬坡是 Tesla Physical AI 組合中風險最高的押注。本文將這一爬坡作為基準指數加以呈現：Optimus 目前在 Tesla 工廠實際執行的任務、產量數字與目標的差距、關鍵技術缺口，以及爬坡成功後的經濟模型。

第一節——Optimus 目前在 Tesla 工廠執行的任務（估，2026 年中）

理解 Optimus 當前工廠部署最重要的一點，是區分「監督式自主運作」與「完全自主運作」。截至 2026 年中（估），在 Tesla Gigafactory 運作的 Optimus 機組正在執行真實的生產任務——並非舞台示範——但仍需附近有人員監督與安全人員在場。從監督式過渡到完全自主工廠運作，是定義 Optimus 究竟是生產性資產還是昂貴實驗的近期關鍵拐點。

任務類別	具體任務（估）	自主程度	生產相關性
電池電芯搬運	在工站間移動 4680 電池電芯；目視缺陷檢測；按等級分類	監督式自主（附近有人員監督）	高——電池組裝量大、重複性高，適合機器人操作
零組件運輸	在 Gigafactory 生產線工站間移動零件；推拉台車	半自主	中——減少人員步行/運輸時間
品質控制檢驗	使用機載攝影機進行零件目視檢測；標記異常	監督式	中高——運用與 FSD 相同的視覺模型
線纜管理	在組裝過程中佈線與接線	測試中（對機器人極困難——線纜可變形）	成熟度低——線纜任務是最困難的操作挑戰之一
鎖螺栓	在組裝中對緊固件施力矩	測試中	中等難度——需要精確力量控制
訓練資料生成	Optimus 執行任務的同時，攝影機與感測器持續生成下一代模型的訓練資料	始終開啟	關鍵——工廠中的 Optimus = 機器人 AI 的資料飛輪

從這份任務矩陣可觀察到兩點。第一，Tesla 刻意從最適合當前機器人能力的任務起步——高量、重複、結構化物件操作（如電池電芯搬運）——並將最困難的任務（線纜管理、布料處理、食品處理）延至後續世代。這對需要在擴規模前先驗證生產力的爬坡策略而言是正確的順序。第二，訓練資料生成這一欄在結構上最為重要：每台在 Tesla 工廠運作的 Optimus 同時是生產性資產，也是資料收集節點，加速下一代模型的訓練。這與 FSD 的飛輪邏輯完全相同，只是應用於機械操作領域。

第二節——產量爬坡目標與現實（估）

Musk 公開發表的 Optimus 產量目標遵循了 Tesla 車輛爬坡的既有模式：雄心勃勃的時間表，實際上通常推遲 1–3 年，但底層軌跡方向正確。下表區分了 Musk 的聲明目標與方向性現實估算。

時間節點	Musk 目標（估）	方向性現實（估）
2024 年	「數十台」Optimus 機組	首批機組在 Fremont 和 Giga 德克薩斯進行監督式測試部署；與報導部署數量一致
2025 年	約 1,000 台	主要為內部工廠部署；Giga 上海產能爬坡；外部銷售可能有限（估）
2026 年	50,000–100,000 台（Musk 目標）	5,000–15,000 台（估）——內部部署加早期外部銷售；尚未達大規模商業規模
2027 年以後	「數百萬台」（Musk 長期目標）	若 2026 爬坡驗證核心經濟模型且達到可靠性目標，則進入量產（估）

Musk 的 50,000–100,000 台 2026 目標與方向性 5,000–15,000 台現實估算之間的差距，並非失敗——這是 Tesla 正常的爬坡模式。Model 3 爬坡同樣經歷了目標與交付之間約 12–18 個月的延遲。對長期論點而言，重要的不是 2026 年達到 50,000 台還是 10,000 台，而是實際部署的機組在可靠性、任務執行和經濟性上是否驗證了商業模型。

Giga 上海進入 Optimus 生產是 2026 年擴規模的關鍵解鎖。以行業領先成本和速度生產 Model Y 的同一製造基礎設施，正在為 Optimus 生產進行改造。若 Giga 上海能以 Model Y 同等的學習曲線速度生產 Optimus，2027–2028 年高量生產的路徑將變得可信。

第三節——技術挑戰差距：工廠示範與商業可行性

評估 Optimus 的核心挑戰在於：「在受控工廠示範中完成任務」與「在真實工廠中無人監督地可靠完成任務」之間的差距巨大。

挑戰	細節	當前狀態（估）
靈巧操作	人手有 27 個自由度；可靠抓取不規則或可變形物件（線纜、布料、食品）極為困難	線纜任務仍未達商業品質；結構化物件（電池、螺栓）更易處理
泛化能力	訓練抓取電池 A 的機器人，若電池 B 形狀或重量略有不同可能就失敗	Tesla 採用基礎模型方法（端到端學習策略，與 FSD 相同）；持續改善但尚未完全通用
雙足穩定性	在有障礙物、濕滑地面、坡道的工廠中行走；在碰撞後恢復平衡	持續改善；受控工廠環境比戶外自駕駕駛更寬容
速度與精度	工廠機器人必須達到接近人類的產出；目前 Optimus 對多數任務比訓練有素的人類工人更慢	訓練任務約達人類速度的 30–60%（估）；每代模型持續提升
訓練資料稀缺	訓練通用操作策略需要比駕駛更多樣化的資料；駕駛有明顯結構（道路），操作是開放性問題	Tesla 工廠部署生成操作訓練資料；飛輪邏輯適用但初始規模較小
與人類的安全共存	Optimus 在人類工人附近運作；力量控制與碰撞迴避必須符合共同工作安全認證標準	開發中；商業銷售的安全認證增加監管時程
正常運作時間與可靠性	工廠機器人需要 95% 以上的正常運作時間才有商業價值；早期 Optimus 需要較頻繁的人工介入	早期世代可靠性；隨每次部署周期持續改善

速度與精度的取捨值得深入說明。在給定訓練任務中達到人類速度的 30–60%（估），若相應的人類工人能夠留任，Optimus 機組在成本上尚不具競爭力。損益平衡門檻取決於具體任務。對於高度重複、人體工學要求高、人員流動率高且傷害率高的任務（電池電芯搬運是好例子），即使是 50% 的人類速度，若機器人能 24/7 全天候工作且無需支付休息、福利或傷害賠償，在經濟上可能仍是合理的。

第四節——Optimus 經濟模型

Optimus 的經濟案例建立在一組特定輸入值上。若這些輸入成立，投資回報將是非凡的；若不成立，在更後期的爬坡前經濟賬就無法打平。

經濟維度	細節
目標單機價格	Musk 曾引用「長期低於每台 $20,000」作為目標；當前生產成本估計遠高於此（估）
可比勞動成本	美國製造業工人薪資中位數：約 $45,000/年加約 $15,000/年福利 = 約 $60,000/年總成本；能 24/7 工作的 $20,000 機器人在不到 1 年內回收對比單一工人
潛在市場	僅美國汽車/電子製造業就約有 200 萬名製造工人（估）；全球約 3 億名製造工人（估）；即使 1% 滲透率 = 300 萬台
Tesla 內部部署 ROI	每台在 Gigafactory 替代人工任務的 Optimus 機組，估計節省約 $50,000–$60,000/年（估）；1,000 台內部部署時，年節省約 $5,000 萬–$6,000 萬（估）
外部銷售毛利（估）	售價 $20,000、成熟生產成本 $10,000–$15,000（估），每台毛利 25–50%；年銷 10 萬台，年營收貢獻約 $20 億（估）
Musk「最有價值產品」論點	若通用人形機器人能執行大多數體力勞動任務，潛在市場規模超越 Tesla 所有現有業務之和；這是所謂「$10 兆以上機會」的主張

$20,000 目標單機價格是關鍵輸入。在當前生產量下，Optimus 機組的生產成本遠高於 $20,000。達到該成本水平的學習曲線需要量產——量產需要商業部署——商業部署需要足夠的可靠性。這種循環依賴關係是 Optimus 爬坡的核心挑戰。Tesla 此前已成功駕馭同樣的循環依賴三次（Model S、Model 3、Model Y）。Optimus 版本更困難，因為產品更複雜，性能門檻（可靠的自主任務執行）高於「勉強能駕駛」或「穩定充電」。

第五節——Optimus 與人形機器人競爭格局

公司	機器人	支持者	商業狀態（估，2026 年中）
Tesla	Optimus Gen 2	上市公司（TSLA）	工廠部署加早期外部銷售（估）
Figure AI	Figure 02	OpenAI、Microsoft、Bezos、Nvidia、BMW	BMW 工廠試點；商業試驗（估）
Physical Intelligence (pi)	pi-zero（策略模型，多硬體平台）	Google DeepMind 團隊創始人；4 億美元 B 輪（估）	軟體/策略層；非硬體公司
1X Technologies	NEO	OpenAI	早期階段；有限部署（估）
Boston Dynamics	Atlas（電動版）	現代汽車	在現代工廠測試；頂尖移動能力但成本高（估）
Agility Robotics	Digit	Amazon（1.5 億美元以上投資，估）	Amazon 倉庫試點；規模有限（估）
Apptronik	Apollo	NASA 衍生；三星 SDI、Google	製造業試點（估）

三項結構性觀察。第一，Tesla 是唯一同時也是複雜機電系統高量製造商的人形機器人公司。Figure、1X、Boston Dynamics、Agility 和 Apptronik 必須從零建立製造能力或外包。Tesla 的 Gigafactory 基礎設施是任何競爭對手在 2–3 年時間框架內無法複製的現有製造護城河。第二，Physical Intelligence 追求完全不同的策略——可在多個機器人硬體平台上運行的軟體/策略層。若 pi-zero 的基礎模型方法實現強大的泛化能力，它可能為包括 Optimus 在內的任何硬體平台提供操作策略層。第三，Amazon-Agility 和 BMW-Figure 合作是大型工業客戶在完全商業可行性確立前就願意為人形機器人試驗買單的最清晰信號。

第六節——為何 Optimus 是風險最高的押注

Physical AI 基準系列至今已涵蓋 101 篇文章，橫跨自動駕駛和人形機器人爬坡的每個維度。Optimus 代表 Tesla Physical AI 組合中風險最高押注的結論，基於三個結構性論點。

市場規模論點。 全球製造業勞動力市場的規模遠超全球叫車和物流市場。Waymo 在美國機器人計程車叫車的總潛在市場約為每年 $1,000–$2,000 億（估）。全球製造業勞動年度總成本估計在 $10–$15 兆（估）。能夠奪取 1% 市場的人形機器人，代表年規模百億美元以上的營收機會。

護城河論點。 Tesla 在自動駕駛領域的競爭護城河，主要來自 FSD 訓練資料飛輪——一個 600 萬輛以上車隊生成的影子模式里程，沒有競爭對手能在沒有類似消費車隊的情況下複製。在人形機器人領域，類比護城河是操作訓練資料飛輪。最先在真實工廠環境中部署最多機器人小時的公司，將積累最多樣化且標注最密集的操作資料。Tesla 在 Gigafactory 內部的部署正是這一飛輪中的先行者優勢——在商業市場開啟之前正在構築的資料護城河。

風險論點。 Optimus 是風險最高的押注，恰恰是因為失敗模式比 FSD 或 Cybercab 更多。FSD 的主要風險是監管性的；Cybercab 的主要風險是運營性的。Optimus 面臨所有這些風險，加上一個更難的底層技術問題：在非結構化環境中的靈巧操作仍是未解決的問題。若 Tesla 的基礎模型方法能充分泛化以解決操作問題，Optimus 勝出。若不能泛化，爬坡將停滯於結構化工廠任務，「$10 兆機會」將停留在理論層面。

注意： 本文所有產量數字、機組數量、成本估算、競爭格局評估和市場規模估算，均為基於截至 2026 年中公開公告、法說會聲明、新聞報導和分析師研究的方向性估算。不確定或估算的數字均標注「（估）」，應視為方向性而非確定性數字。本文不構成投資建議。