众力资讯网

机器人炫技退潮,有效工时崛起

《机器人炫技退潮,有效工时崛起》

——决定机器人身价的,不是它会不会后空翻,而是它一天能顶几个工时

想象这样一幕:发布会上,一台机器人翻了个漂亮的后空翻,掌声雷动。三个月后,它站在车间里,面前是一盒摆歪了的螺丝。它愣住了。

这一愣,就是整个行业过去十年的心病。

过去十年,AI拼的是“会不会说”;未来十年,AI拼的是“会不会干”。而“会干”的真正门槛,从来不是做成一次,而是每天做成。

一、换个活,不必从头教

今年最安静、也最要紧的一件事,是海外一个具身模型第一次做到了“看一遍就会”。

给它一段三到十二秒的人类示范,不改一行参数,它就能把这件没学过的活干出来。研究者管这叫“物理提示”——过去的提示词是文字,现在的提示词是一段动作。

说白了,机器人第一次有了“上下文学习”。语言模型三年前跨过的那道门,机器人今年才摸到门框。

语言模型学会了读,具身模型才刚学会看。

为什么这是临界点?因为机器人最贵的从来不是本体,是适配。

每进一家新工厂、每换一道新工序,都要重新采数据、重新训练、重新调试,这笔账永远算不平。只有换个活不必从头教,机器人才能从“项目”变成“产品”。一次示范省下的,不只是训练时间,还有重复部署的全部成本。

这种能力也不是天上掉下来的。更多的物理交互数据、更大的模型、更长的训练,三条曲线一起推,能力在某个点上自己冒了出来——Scaling Law在机器人身上也成立了。

不过先踩一脚刹车:一次示范能迁移,不等于什么活都能干。真正该盯的,不是模型有多大,而是数据加一倍之后,陌生任务的成功率涨了多少。

二、训练场搬进了算力里

第二件事,是世界模型从“画画”变成了“推演”。

早期的世界模型像一台放映机,给一句话,吐一段很像真的视频。今年的版本成了实时交互的模拟器:你推一下,它反馈;你改个条件,它重算。

为什么这很关键?因为真实世界的试错太贵。

机器人摔一跤,几十万没了;在模拟器里摔一万跤,电费而已。危险场景、罕见故障、长尾工况,过去靠现实慢慢攒,现在可以批量生成。

模拟负责扩大练习范围,现实负责检验学习成色。

但模拟不是现实的替身。摩擦、遮挡、材料形变、接触误差,随便一项都能让仿真里的满分到了产线变成零分。所以行业分出了三层:顶层理解任务、做规划,中层生成动作策略,底层管毫秒级实时控制。

上面是会思考的大脑,下面是不会犹豫的脊椎。大脑可以慢慢想,脊椎必须马上动。

三、账本从“台数”翻到了“工时”

讲完技术,讲账本。这才是普通人更该看的部分。

国内一家头部机器人公司今年提了个新指标:有效智能工时。它把三样东西塞进同一个公式——多少台在干活、每台自主干了多久、每小时干出了多少合格产出。

指标一换,世界就变了。

过去评价一台机器人,看它能不能完成一次演示;现在看它能不能连续、稳定地创造价值。同样进车间,一台十分钟就要人接管一次,一台能连干一整班,身价当然不一样。

演示是给投资人看的,工时是给财务看的。

这和当年新能源车的转折一模一样:早期拼续航,后来拼每公里成本。谁先把指标从“能跑多远”换成“跑一公里多少钱”,谁就先进了真正的商业周期。

出货量记录机器去了哪里,有效工时回答机器做成了什么。

四、飞轮转起来了,但别跟着口号加速

这家公司还披露了一组数字:六个月内,量产规模从一万台跳到两万台,工业机型已进入手机代工、芯片封测和机床车间;模型训练也切成预训练、后训练、部署后三段,现场数据回流,模型变好,部署效率再提升。

部署不是终点,是数据的起点。每多一台机器人在干活,就多一份别人拿不到的真实失败数据。飞轮一旦转起来,领先者的优势会越拉越大。

海外也在同一节拍上:某车企的人形机器人已在工厂启动早期生产,计划一年后周产能两万台,再过一年对外交付。注意,这是三个阶段——启动生产、形成产能、实现交付,每一步都有各自的验收条件。

急刹车一句:很多人还在问机器人什么时候落地,行业已经在讨论怎么扩产能了。

但披露不等于验证,产能规划也不等于实际交付。量产翻倍之后,更该追问的是:运行稳不稳,客户买不买第二次。

五、聪明的钱先搬家

人才和资本已经在用脚投票。过去两年,大模型领域的核心研究者成批转向物理AI;一级市场的钱,也从“做一个机器人”转向数据、仿真和训练基础设施。

机器人是果子,数据是土壤;抢果子的人多,种土壤的人少。

接下来半年,产品展示、模型开源、海外展会、端侧芯片升级会接连出现。催化提高关注度,却替代不了商业验证。

看这个行业,盯四件事就够:陌生任务迁移是否更稳,真实环境运行是否更久,人工介入是否更少,单位合格产出的成本是否下降。

对中国产业来说,路径其实很清楚:先在任务边界清楚、收益能核算的场景里做深,再逐步放大能力半径。庞大的工业场景加上完整的供应链,本身就是别人拿不到的那块土壤。

风险当然要摊在明处:泛化不及预期、高质量数据不足、仿真到现实迁移卡壳、芯片与端侧算力受限、量产节奏滑档、估值随之起伏。但把这些摊开看,它们都是“快慢”问题,不是“有无”问题。

圣经里说,撒种的人要有耐心,因为收成从来不在撒种的那一天。物理AI正在从“撒种”走向“看苗”,这一轮周期奖励的,不是跑得最快的,而是种得最深的。

慢就是新的快。

机器人革命不会来自某个惊艳的后空翻,而会来自第一批安安静静干满一整班的机器。

这一轮周期里,决定胜负的不是谁最像人,而是谁最先把智能变成有效工时。

(唐加文,笔名金观平;本文成稿后,经AI审阅校对)