· 36 min read
人形機器人2026關鍵一役：特斯拉 Optimus 已經落後了？Figure客廳影片深度拆解
開場：兩分鐘客廳視頻，背後到底有多“真”？
Figure 最近放出的那段兩分鐘機器人做家務視頻，熱度非常高。大家看完的第一反應通常是驚豔，但如果我們想看懂人形機器人這個賽道，就必須得問一個更尖銳的底層問題：這到底是 AI 的“完全自治”，還是有人在鏡頭外偷偷“遙控代打”？
如果現在分辨不出這種差別，未來一兩年，你可能很難看清哪家公司是真的有技術護城河，哪家只是個優秀的“視頻製作公司”。
我是小梗。Figure 放出這段視頻已經好幾天了，我估計當時馬斯克也有點被驚到，特意跟帖質問，然後 Figure 的 CEO 回覆說完全是自主的，這就有點意思了：難道 Figure 已經遙遙領先？
剛好咱們的老朋友 Herbert Ong 最近做了一期訪談，我們今天就來拆解一下。
嘉賓 Scott Walter 是一位在工業機器人領域幹了幾十年的老兵。這期內容很有參考價值，因為他沒有停留在點評視頻有多酷，而是從控制、感知和商業模式的最底層出發，把 Figure、特斯拉 Optimus 以及傳統巨頭，放在了同一張座標系裡進行對比。
在各家都在瘋狂發 Demo 的今天，我們需要這種撥開迷霧的內行視角。節目一開場，Scott 就點出了 Figure 這條“一鏡到底”視頻裡真正厲害的細節：重點根本不是機器人學會了走路，而是它在一個沒有經過特殊改造的真實客廳裡，連續幾分鐘僅僅依賴同一個“AI 大腦”，就能把擦桌子、收玩具、拿遙控器這一連串的人類家務邏輯給走通。
接下來，我們就順著這位老兵的視角，看看這場演示到底透露了多少硬核的真東西。
客廳突破：為什麼 Figure 的新演示意義重大？
特斯拉準備下個月亮出第三代 Optimus，還要點亮一半的 Cortex-2 超級計算機；NVIDIA 則宣佈與 ABB Robotics 合作，聲稱能做到 99% 的抓取準確率；Rhoda AI 在視頻生成領域號稱解決了數據稀缺問題。幾條新聞疊在一起，Figure 這段客廳視頻就不只是炫技，而是直接把“通用家務機器人”擺到檯面上比高下。
Scott 拆解視頻時，重點放在幾個能力上：
全身控制
機器人不是一隻機械臂在那戳，而是身體會前傾、調整重心去夠桌面和沙發。處理柔軟物體
它能處理毛巾、枕頭這種柔軟物體，而不是隻會抓硬盒子。短到中等時間尺度的“記憶”
比如它手上已經拿了兩樣東西，還多一個，就先甩到肩上，過一會兒又記得回到那張桌子把東西收走。初級語義理解
它能區分“沙發上哪些該在那、哪些是亂放的”：知道枕頭要擺好、雜物要進籃子，這已經有一點語義理解的味道了。
關於大家最關心的“是不是在幕後有人遙控”，Scott 提醒說，Figure 一直公開表示自己的視頻是 1 倍速、自治執行，這次只是忘了在片頭打字幕。按他的經驗，遠程操控通常動作會有點抖、有點遲疑，尤其是複雜抓取，很難做到這麼順暢。再加上現在這些系統用上了視覺，物體位置差幾釐米也能找得到，不像傳統工業機器人要求一切對齊到毫米級。
我個人也傾向於相信這條是自治的，但肯定是在高度佈置好的環境裡跑出的最佳一條。
Herbert 後面引用了 Figure AI 總監 Corey Lynch 的話，說他看到同一個“本地操控策略”在這 2.5 分鐘裡，同時搞定走路、用噴壺、手裡轉動物體、精確按遙控器，就覺得方向對了，接下來就是繼續放大規模。Herbert 自己也強調，這種連續多任務比機器人做跑酷、打拳更有含金量，因為它看起來像在“想下一步要幹嘛”，而不是隻在跑一個花哨的動作庫。
Scott 對 Figure 的技術路線總體是看好的。他提到 Helix 這個“骨幹”系統現在看起來挺穩，Figure 3 這代機體也夠用，尤其是新上的那隻堪稱 3.5 版本的手，加入了手指外展，所以才能比較自然地捏起遙控器這種扁平物體。不過他也潑了點冷水，說整個行業現在還只是“春訓剛結束”，離真正看出誰能跑完全賽季還早得很。
Herbert 最後總結說，Figure 絕對是接下來值得盯緊的一家，連馬斯克都跑來問這視頻到底是不是自治，這本身就說明它戳到同行的神經了。至於現在還有多少公司在背後大量依賴遠程操控來撐場面，Scott 也只能說“很難講”，因為大家都不太願意把這部分攤開來說。
自主性的內部機制：Figure 可能如何“思考”整理客廳？
接著兩人就開始琢磨，這段兩分半到底是機器人提前規劃好了整套流程，還是做完一步再臨時決定下一步。
Herbert 拿自己打比方，說人站在那兒會先在腦子裡排個大概順序。Scott 就吐槽，現在最大的問題是，我們根本不知道給它的提示詞是什麼——是“把客廳收拾乾淨”，還是“把玩具撿起來”這種非常具體的指令。
Scott 還提到一個細節：機器人一進門手上就拿著噴壺，這其實像是給它加了個“第一步”的先驗——你都把清潔工具帶進來了，那肯定得先找地方噴一噴。不過他也說了，視頻開始之前發生了什麼，我們完全不知道。
還有一個現實問題：視頻裡的客廳起點已經挺整齊了，很多人吐槽說自己家根本達不到那個“起跑線”。但演示的重點是證明它能完成不同類型的操作，而不是還原真實的災難現場。
然後話題轉到那些細小但難度很高的動作。Scott 舉例說，行業裡讓機器人從桌上撿手機，經常要靠“把手機推到桌邊再滑下來”這種小技巧，而 Figure 直接用右手捏起來，還能準確找到遙控器的按鍵。
他馬上追問一個關鍵點：遙控器這東西形狀、按鈕佈局差別特別大，那 Figure 到底是隻在這一隻遙控器上反覆練，還是有更通用的識別辦法？他自己猜，應該還是針對這隻遙控器做了不少訓練，但就算這樣，能在接近人類的時間裡完成，也已經很能說明問題了。
Herbert 後面就推演他們可能的訓練方式。他覺得，更大概率是先把一堆“小步驟”都教會了，比如看到沙發墊歪了就擺回某個位置，看到桌上有玩具就丟進籃子。
Scott 順著說，這其實就是給每個物體定義一個“家”，一個偏好的終態。問題來了：對一個東西應該放哪兒，人類之間都很難統一——你去 Airbnb 幫忙收拾，房東回來可能第一件事就是把你擺好的抱枕全換個方向。
靈巧度與物理感知：為什麼遙控器和枕頭的動作如此突出？
看遙控器那一段，其實信息量特別大。Herbert 最喜歡的就是這裡：機器人先抓起遙控器，讓它稍微滑落一下，再用手心接住，用拇指壓住邊緣，另一根手指去按鍵。
這裡至少說明兩點：
- 有比較細膩的手指協調，不是死抓；
- 它“預判”到，如果不壓住，按鍵的時候遙控器會被頂飛。
這種對重力、摩擦的小感覺，多半是在大量示範裡學出來的“類物理直覺”。
Scott 就補充，說這些完全可以靠模仿學習堆出來：反覆看人怎麼拿不同的遙控器、怎麼按開關，最後學會一個比較穩的套路。
真正有意思的點在於決策邏輯：它是“看到電視是亮的所以去關掉”，還是“腳本里寫了拿起遙控器就按關”？如果電視本來就是關的，它還會不會做同樣動作？這個現在視頻裡看不出來。
Scott 更看重的是，Figure 算是第一個公開展示這種多步驟、人形機器人家務流程的公司，不是隻放渲染圖，而是讓你看到一整串動作接在一起。
然後是扔抱枕。Herbert 直言，這個動作肯定是針對性訓練了很多遍。但他也拋出一個挺現實的問題：機器人得學會“我可以扔抱枕，但不能照樣扔花瓶”。
Scott 順著往下拆解，說如果它只在固定距離練同一種拋法，換成更遠的沙發角，很可能就傻掉了。要想擁有靠譜的“世界模型”，訓練裡必須涵蓋不同距離、不同物體、不同重量。
他還糾正了一個常見誤解：大家總說在給模型建“世界模型”，聽起來好像裡面真的內置了一套牛頓力學。其實更準確的說法是“很好用的物理近似”，而且是被經驗塑造出來的。
Scott 還提到一個我個人也挺在意的點：所謂“湧現行為”到底是真聰明，還是人類遙操作習慣的混合產物。
訓練數據裡有大量人類遠程操控的片段，每個人都有自己的小習慣——有人甩毛巾特別誇張，有人扔東西喜歡帶點旋轉。模型學久了，可能會把某個操作員的怪癖當成“最優策略”。表面上看像是機器人突然學會了新花樣，實際上只是把幾個人類動作攪在一起，變成一道“重口味”的菜。
所以，看到它會扔抱枕、會順手借重力省力，我們接下來就得追問一句：這些走位和偷懶，是它在主動優化效率，還是在復刻某個工程師的日常動作？
運動、空間與“機器人懶惰”：行走行為透露了什麼？
接著看客廳這個段落，Herbert 就開始逐幀吐槽了：一進門手裡拿著噴霧，本來要擦桌子，先把咖啡杯挪一下，然後只噴白色那塊桌面。咖啡杯最後也沒進水槽，而是被暫時放桌上，結尾才把三個物件一起拿走。
兩個人一邊吐槽，一邊又承認，這些都算小問題，更關鍵的是結果：你出門買菜，回來客廳是整潔的就行，速度沒那麼重要。
Scott 還提醒，現在這些人形機器人離“在人旁邊安全工作”差得遠，那就乾脆讓它單獨在客廳幹活，人當成天然安全圍欄，誰進來它就停或換任務。這裡他順帶強調了一句，在家這種空間裡，兩條腿真的很重要。
他指著茶几和沙發中間那條窄縫說，這距離太小了，輪式底盤根本轉不開，這正是雙足的優勢所在。
然後 Herbert 注意到一個細節：機器人收玩具時，並非老老實實一個個撿，而是把一堆一起滑進籃子，藉助重力幫忙，最後只剩兩三個才彎腰撿起。兩人開始猜測，這究竟是機械地模仿示教動作，還是模型真的學會了“滑一下更省事”的竅門。
Scott 笑著說，人類本來就很懶，他自己也會一把全推下去，能少彎幾次腰就少彎幾次。
Scott 接著把這段清理視頻與上個月的洗碗機視頻做了對比。他說當時看洗碗機那段時，有種“第六感”，會提前猜到下一步——比如機器人抬腳去頂洗碗機門，他腦子裡剛冒出“現在應該用腳”，畫面裡就真的發生了，整個人都愣住了。
這次也一樣，很多觀眾看到機器人撿起遙控器，下意識以為它要坐沙發看電視，這說明大家已經開始對這類行為形成直覺預期，覺得它不是在執行一串死板腳本，而更像一個懂得偷懶的同事。
然後 Herbert 點名一個動作：機器人往右挪半步的時候，沒有停下、轉身、走兩步再轉回來，而是側向小碎步“蹭”過去。
Scott 的解釋挺有意思，他說這背後其實是個決策問題：當目標位移很小，模型會覺得側向挪一挪更划算；如果要從沙發一頭走到另一頭，那就會選擇完整轉身、正常行走。
在他看來，這就是大量訓練數據加上獎勵函數的結果，模型在不同場景裡反覆試，慢慢學出一個規則：什麼距離用小碎步，什麼距離該轉身走路。
對我來說，這種“偷懶感”反而是智能的信號，因為它說明機器人開始在意效率，而不是隻顧動作好看。
家庭 vs 工廠：人形機器人最先會真正在哪兒工作？
順著這個“偷懶感”，Herbert 就把視角拉回這些公司的定位。
Figure 發 2.5 分鐘視頻是在家裡修遙控器，1X 直接打標籤說自己是做家庭場景的公司，特斯拉官網上 Optimus 的介紹也幾乎全是幫你在家裡幹活的畫面。
但他話鋒一轉，說真實情況可能完全相反：未來 5 年你在客廳裡見到人形機器人，概率其實挺低。
他給了兩個核心理由：
安全問題
家裡有小孩、老人、殘障人士，還有狗狗貓貓，這些在安全評估裡都算“脆弱人群”。一臺沒完全成熟的 200 斤機器人在這種環境裡出事，誰都扛不住。付費能力
普通家庭一年願意為一個機器人付的，大概也就車的級別，2 萬到 3 萬美元，差不多 20 萬到 30 萬人民幣。
但工廠呢，同樣一臺機器人，一年付 10 萬到 20 萬美元也能算得過賬，而且可賣的崗位是“幾十萬、幾百萬”個，遠沒到天花板。
所以在 Herbert 眼裡，這些公司現在拼命拍家庭場景視頻，其實更像是兩件事：
- 給大眾和投資人看，營造一種“未來就在你家客廳”的想象；
- 拿家庭這種高度多樣的環境當訓練場，先不急著真賣給你，而是用來採集各種亂七八糟的長尾數據，讓機器人在工廠裡上崗時更快、更聰明。
Scott 基本全盤同意。他也直接算賬：既然有工廠願意一年掏 10 萬、20 萬美元租一臺機器人，那企業沒理由先去賣給只出得起 2 萬、3 萬的家庭。
只有當機器人的產能多到有點“供過於求”，才會慢慢往家裡走。而且就算進家，也很可能是那種“房間裡沒人它才動”的模式，離大家想象中端茶倒水的“機器人管家”，還得好幾年。
兩個人最後達成一個挺有意思的共識：從商業邏輯看，早期最合理的落地一定是工廠、倉庫這種商業場景。所以大家嘴上都在講“家庭助手”，心裡想的卻是“工業勞動力”。
在這種反差下，Figure 現在能在視頻裡展示的那些能力，其實已經是一個不小的里程碑。
那接下來問題就來了：如果真正的大頭在工廠，誰在背後搭這套“人形機器人經濟”的基礎設施？特斯拉現在押注的 Optimus、還有叫 Cortex 的那塊“超級大腦”，到底想把盤子鋪多大？
特斯拉的規模賭注：Optimus、Cortex 與“機器人經濟”
Herbert 這段講得很直白：Gen 3 Optimus 最快這個月、最慢下個月亮相，目標是能量產“幾萬臺”，後面還有 Gen 4。可他反覆強調，真正關鍵不是外面的那層鐵皮，而是 Cortex-2 這個“腦子”。
他引用 Peter Diamandis 的說法，說現在看不起人形機器人經濟，就像 1993 年說互聯網沒用一樣。基礎設施正在你眼前搭起來，只是很多投資人只盯著有沒有酷炫演示，忽略了背後的算力和數據中心。
Herbert 的判斷是，特斯拉這波最值得盯的就是 Cortex-2。FSD 那套大腦已經有了，但要讓 Optimus 聰明一個數量級，需要一個超大的超級計算機，再加上“幾萬臺人形機器人”的數字遊樂場去訓練。
他提到 Joe Tegtmeyer 拍到的現場，機房樓已經起來，6 個冷卻裝置就位，馬斯克說大概 1 個月能先點亮一半機櫃，剩下邊建邊擴容，一直拉到夏天。
更狠的是產能佈局。Fremont 那邊準備停掉 Model S 和 Model X 產線，改成第一條人形機器人生產線，目標是每年 100 萬臺。德州 Giga 旁邊又開新工地，規劃是每年 1000 萬臺。
我自己聽到這個數字的感覺是：這不是做個小眾高端玩具，而是直接按“未來勞動力”在規劃供應鏈和工廠。
Scott 接著把現在的人形機器人，類比成當年的 General Magic。那家公司在 1980 年代末就想做“智能手機”，有觸摸屏、有表情符號、有移動郵件，但當時還在模擬電話時代，網絡、芯片、運營商合作都沒到位，結果願景太超前，商業上失敗了。
他認同 Peter Diamandis 的觀點：1993 年大家剛聽說互聯網時，只能想象“家裡有臺上網電腦”，根本想不到會變成口袋裡的手機。人形機器人現在也在類似階段，很多人只看到幾段笨拙的視頻，就下結論說不行。
但從基礎設施角度看，像 Cortex 這樣的算力、推理能力、數據採集，再加上傳感器、零部件供應鏈，都在很快補齊。
他還說，人形機器人領域的“General Magic 時刻”其實已經出現過了，比如本田的 Asimo、早期 Boston Dynamics，那時候幾乎只有他們在做，大家覺得有點酷，但沒啥用。而現在是很多家公司一起衝，同步啃供應鏈和規模化的問題。
當 Herbert 問到“特斯拉是不是落後了”時，Scott 的回答挺冷靜：不同公司走的路不一樣，如果基礎沒打好，後面就容易塌。特斯拉現在看起來節奏慢、曝光少，有可能是在把底層打厚，等到機器人、神經網絡、超級計算機都到一定規模，反而能突然加速。
我個人也偏向這個判斷，真正的勝負手不在一兩段炫酷視頻，而在誰能把算力、數據和產能拉到那個量級。
仿真 vs 真實世界：為什麼僅靠模擬還不夠？
順著這個“量級”的事，Herbert 就搬出了馬斯克那套“仿真加機器人操場”的說法：光有大算力和虛擬環境不夠，他要的是幾臺超級計算機，再加上 2 萬到 3 萬臺 Optimus，在真實的“遊樂場”裡摸索、擺弄東西，把帶真實物理的經驗喂回仿真，仿真再反哺現實，這樣滾雪球。
然後他就拋出了一個問題：Figure 現在既沒 Colossus 那種超算，也沒上萬臺機器人，怎麼還能推進得這麼快？
Scott 的態度挺剋制，他說自己一輩子都在做仿真，但仿真永遠只是工具，核心是幫你加快設計迭代、提前踩坑，而不是替代現實。你可以用 CAD、數字孿生去看可達性、碰撞、節拍，大量問題能提前發現，但最後一定要在真實機器人和產線裡跑一遍，才知道哪些假設是錯的。
接著他舉了 ABB 和 NVIDIA Omniverse 的例子，現在大家都在把 CAD 模型搬進這種高保真虛擬世界，看起來特別真，光影、材質都像工廠實拍。但他提醒說，這種只是“皮相”，真正難的是把機器人和機構在現實裡的運動方式、關節極限、柔性這些都建進去。
仿真畫面再像照片，如果機器人從 A 點走到 B 點的軌跡、加減速跟真機不一樣，那對工程決策意義就很有限。
Scott 還專門強調，工業機器人運動根本不是“聽物理引擎的”，而是聽控制器裡工程師寫的啟發式規則。所以想要高保真，你得把真實控制器的軟件整個塞進 Omniverse，變成“虛擬控制器”。
ABB 這次就是把自家控制器抽出來接進仿真，讓虛擬機器人在 Omniverse 裡的節拍、路徑選擇，和真機能做到大概 99% 的吻合。不過他也說了，這個 99% 只侷限在“機器人本體怎麼動”，旁邊的輸送線、夾具、工藝過程，差距還很大。
比如噴漆、鑽孔、打磨這種工藝，現在根本做不到 99% 仿真，你在軟件裡調一堆參數，最後還是得上線試，發現噴塗不均、孔位偏差，再回頭改。
所以他認同馬斯克那種思路：仿真適合做預訓練，把策略、路徑先練個七七八八，但要真正變得成熟可靠，還是得進現實世界的“健身房”，讓機器人去抓真的瓶子、摸真的物料，把仿真和實機來回對齊。
Herbert 這時又把尺度拉滿，說馬斯克要的是全球最大級別的超算集群，什麼 Cortex-1、Cortex-2，還有 Colossus-1、2、3，再配 2 萬到 3 萬臺人形機器人一起訓練。然後他提到 ABB 和 NVIDIA 說“sim-to-real 差距已經彌合到 99%”，問這是不是意味著規模不再重要。
Scott 立刻潑了個冷水，說這個 99% 只是指 ABB 機器人在 Omniverse 裡的動作和真機很像，不代表整個工廠、所有工藝都被完美還原。鑽孔在仿真裡可能就是“畫面一黑，洞就出現了”，真正的力、材料去除這些沒人算。
他還翻出自己 30 年前做的“Robot Realistic Simulation”，當時 ABB、FANUC、KUKA 都不肯公開控制器細節，他們最後只能讓廠商把控制器代碼封成黑盒，插進仿真軟件裡，這樣虛擬 ABB 就像 ABB，虛擬 FANUC 就像 FANUC，因為不同品牌機構不一樣，路徑規劃的“小心思”也不一樣，這些都得靠真實控制器來還原。
以視頻為策略：Rhoda AI 和機器人學習的新路徑
接著他就把鏡頭拉回現實，說你看仿真再真，落地還得靠數據，但機器人最大的問題就是數據不夠。
然後他提到一個剛從隱身狀態出來的公司，叫 Rhoda AI，在帕洛阿爾託，說自己通過一個“direct video action model”，把機器人控制整個換成“生成視頻”：先用上千萬小時人類視頻做預訓練，再用大概 10 小時針對某個任務的演示，就能搞定很難的工業任務，比如從供應商來的零件箱裡，把零件一件件倒出來上線。
這個思路其實挺直白：
- 預訓練階段，全吃人類視頻，看人手怎麼抓、怎麼擰、怎麼挪；
- 微調階段，只給它看具體產線怎麼倒這個型號的零件。
因為前面已經學了各種人類操作模式，後面那 10 小時更像是在告訴它“在這個場景裡，哪些動作組合是對的”。
Scott 就說，這跟 NVIDIA、1X 最近講的東西很像，有點像給 Sora 一幀畫面，讓它想象接下來幾秒會發生什麼。Rhoda 現在就是讓機器人看到當前畫面和目標，然後預測接下來幾幀應該長什麼樣，再按這個“預告片”去執行動作。
關鍵難點在於中間那塊逆動力學模型，把人手的軌跡翻譯成機器人關節角度和力，這個 IDM 是整套系統的“翻譯官”。
他還挺欣賞 Rhoda 的一點，是官網放了好幾個連續幾小時的原始視頻，不剪輯那種。你能看到機器人反覆搬箱子、拿零件，也能看到各種翻車現場。比如有一段是兩臺機器人抬箱子，綁帶突然滑掉了，本來按傳統方案，這種就要人來救場，但視頻裡能看到它倆自己重新調整抓取姿勢，把局面救回來。
所以 Rhoda 的野心，就是用這種視頻預測加 IDM，把互聯網上已經存在的海量人類視頻變成機器人訓練集，而不是每個新任務都去錄成百上千小時示教數據。
Herbert 馬上聯想到特斯拉 FSD，說這不就跟 Ashok Elluswamy 之前做的那個演示很像嗎。
當時他放了一段車在城市街道開車的視頻，看起來就是正常行車記錄，結果最後才揭曉，其實那整段畫面都是網絡自己生成的，是車載電腦在預測“接下來我會看到什麼”。特斯拉就是先把海量行車視頻餵給神經網絡，讓它學會往未來幾幀去推，然後再在這些“想象出來的未來”裡做規劃。
Scott 說他管這個叫“奇異博士模式”，系統在腦子裡同時跑很多條未來時間線，試不同的路徑，再選一個最好的來執行。
結語：從“看視頻”到“動手”，鋼鐵身體裡的時間線
一個人形機器人，在普通客廳裡，笨拙但完整地把一件事做到底。它不是跑酷、不是跳舞，而是像個實習生一樣，把桌子擦完、把東西收好、把電視關掉。
這一幕背後，是好幾層東西疊在一起：
- 有“把房間變成某個目標狀態”的任務理解能力；
- 有靠海量視頻和示教學出來的手部操作；
- 有在狹窄空間裡怎麼走、什麼時候偷懶用滑的而不是搬的那種效率判斷；
- 還有現實世界和仿真世界來回迭代的訓練路徑。
對我來說，更重要的不是今天誰的 demo 更順、更像樣，而是一個趨勢：從 Figure、特斯拉，到 Rhoda AI，這些團隊都在同一條時間線上，把“看視頻、想未來、再動手”的能力，一點點塞進鋼鐵身體裡。
現在看還很幼稚、很貴、很不安全，但如果把時間軸拉長到 5 年、10 年，再回頭看今天的客廳視頻，它大概率會像當年的撥號上網、磚頭手機一樣：土是很土，但方向沒錯。
