-
日期: 2025-06-19 | 來源: 虎嗅APP | 有0人參與評論 | 字體: 小 中 大
特斯拉走過的路，國內車企同樣得走壹遍。壹位接近小米機器人的供應商告訴筆者，小米現階段在靈巧手上也花了不少精力。
“小米也在做數據采集的手套。”上述人士說道。這其實延伸出車企面臨的另壹難題，即軟件層能力。
截至目前，已有多位自動駕駛技術大佬宣布入局人形機器人。他們相信從自動駕駛到具身智能，技術有相當緊密的連續性。
但人形機器人面臨的技術難題顯然更復雜。自動駕駛的任務是讓汽車在贰維層面不碰撞物體，機器人則需要在復雜的叁維世界主動碰撞各種各樣的物體。
機器人要完成更復雜的操作，對應的訓練和對傳感器的要求也更難。
汽車上傳感器配置只是數量多少的問題，人形機器人尤其需要物理交互性，需要獲取多模態數據，除了攝像頭、激光雷達這類常見傳感器之外，還需要力覺傳感器、觸覺傳感器等，這不僅對數據采集和處理提出了更高要求，而且也加大了數據獲取的難度。
自動駕駛僅有縱向速度控制和橫向轉向控制 2 個自由度，但人形機器人不僅自由度多，且復雜程度高。即使是拿雞蛋的動作，機器人除了看清楚物體後實施抓取動作，力度多大，如何松手放置等，完成壹個簡單的動作，需要聽覺、視覺、觸覺多傳感器和不同電機控制、關節的機械結構傳動配合完成。
大語言模型帶來的AI技術進展目前還沒有在機器人領域復現。即使是特斯拉也還沒找到足夠多的數據去訓練機器人模型。
人形機器人的數據規模拾分有限。何小鵬並不回避數據難題。“人形機器人的數據門檻遠高於汽車，兩者都面臨數據來源的挑戰，汽車通過駕駛員日常行駛能自然產生海量數據，但人形機器人內部並沒有人。”
業內對於人形機器人的數據獲取並沒有壹套統壹的范式。特斯拉和Google都選擇用搖操獲取數據，但背後的成本投入巨大。據悉，Google 做拾幾萬條數據，用時拾多個月，花了上千萬美元。
優必選采用真機數據和仿真生成相結合的方式，但前期真機只能采集單點動作的數據，泛化能力突破受限。
“目前大多數機器人還處在實驗室環境下，人形機器人在場景裡部署量不大，難以產生足夠的數據量。”地瓜機器人隋偉說道。
目前機器人公司采集的數據還無法驗證現有的機器人模型是否能像大語言模型那樣，學習足夠多的數據後能力明顯提升，即 scaling law。
業內認為，驗證機器人模型的scaling law至少需要1000萬條數據，而據我們了解，目前大部分機器人公司收集的數據還不到100萬條。
還難以取代人
大多數所有“造人”的車企想讓機器人進入汽車工廠打工，工業場景被視為最適合人形機器人商業化落地的場景。
大邏輯在於，工業機械臂已經很難繼續替代工人，流水線下壹步進化要靠能完成人的工作的人形機器人。
總裝線是汽車工廠最難實現自動化的場景，搬運、質檢、擰螺絲、撕膜、貼標、整理線束等並不是標准化的工作任務，即使是特斯拉、比亞迪這類拾分重視工業自動化的公司，都不得不通過雇傭數拾萬人來完成總裝產線的工作。
今年嘗試把機器人送到汽車工廠工作的優必選技術負責人焦繼超告訴筆者，他在過去壹年跑了20多家車企工廠，每家車企的廠線都不壹樣，新勢力車企新的工廠稍微好壹些，但壹些傳統車企的工廠環境較為老舊且窄，應用挑戰更大。- 新聞來源於其它媒體，內容不代表本站立場！
-
原文鏈接
原文鏈接:
目前還沒有人發表評論, 大家都在期待您的高見