[Table_Summary] [Table_Summary] 當前人形機器人產(chǎn)品落地的主要瓶頸在于模型側。模型側對機器人多模態(tài)對齊數(shù)據(jù)有較G的 需求。數(shù)據(jù)驅動的大模型需要大量機器人多模態(tài)對齊數(shù)據(jù)投喂，對機器人數(shù)據(jù)的數(shù)量和質量 都有較G的需求。機器人廠商解決機器人數(shù)據(jù)短缺主要靠兩種途徑：1）通過為數(shù)眾多的機器人在物理世界中收集數(shù)據(jù)；2）通過 AIGC、數(shù)字孿生等方式合成仿真數(shù)據(jù)。因此建議關注模擬仿真相關標的。

機器人軟件：越過 L2，直接從具身智能開始

AI 模型的發(fā)展已經(jīng)接近關鍵節(jié)點，多模態(tài)模型具備了一定的成熟度，為人形機器人系統(tǒng)的發(fā) 展鋪平了道路。復盤特斯拉智能駕駛的發(fā)展路徑可以發(fā)現(xiàn)，人形機器人模型可以采用自上而 下的形式，直接從 L3 J開始構建模型系統(tǒng)。在機器人時代，主流軟件廠商都選擇了數(shù)據(jù)驅動 的開發(fā)范式。數(shù)據(jù)驅動的機器人模型具備較G的泛化能力，不僅可用于G復雜性場景，還能 在環(huán)境溝通中自主學習。受限于算力不足以及數(shù)據(jù)集短缺，模型控制層暫時只能以規(guī)則驅 動。特斯拉正在以數(shù)據(jù)驅動快速迭代機器人系統(tǒng)。目前特斯拉已將為數(shù)眾多的 Optimus 放進 汽車生產(chǎn)工廠，安排其協(xié)助完成工廠內(nèi)的電池分揀工作，形成了數(shù)據(jù)飛輪。

機器人硬件：性能優(yōu)化與云邊端協(xié)同

機器人從汽車感知系統(tǒng)上繼承了攝像頭、超聲波雷達、激光雷達等傳感器，并且提G了傳感 器數(shù)量和性能。此外，為了實現(xiàn)更準確的操控，機器人新增加了一維力和一維力矩傳感器、 關節(jié)電機內(nèi)部的位置傳感器、IMU、用于腕關節(jié)和腳部的六維力傳感器、觸覺傳感器(指尖、 手掌、G碰撞風險區(qū))等部件。

當前條件下，如何平衡云端的計算延遲與端側的算力不足是機器人 AI 大腦的核心矛盾之一。 放眼未來，機器人大腦在一段時間內(nèi)或采用云端大腦與端側模型并行的技術路徑。在云端， 特斯拉自研 DOJO 超算平臺支撐人形機器人的底層算力。DOJO 芯片架構平臺由 D1 芯片組 成 ， D1 芯 片 采 用 了 臺 積 電 的 7 納 米 制 程 工 藝 ， 計 算 能 力 在 BF16/CFP8 上達到 362TFLOPS，F(xiàn)P32 峰值算力為 22.6 TFLOPS，TDP(熱設計功耗)為 400W。預計到 2024 年 10 月，Dojo 超算平臺的有望匹配 30 萬塊英偉達 A100 芯片的算力。特斯拉自研的 Dojo 超 算平臺有望為公司節(jié)省超過 65 億美元的算力投入。

商業(yè)模式：從制造到運營，機器人有望復刻路徑

具身智能將帶來產(chǎn)業(yè)鏈的重構，其中軟件將在產(chǎn)業(yè)鏈中具備G價值量。未來隨著大模型的 滲透率提升，機器人智能化程度有望大幅度提G。參考智能汽車L域的“軟件定義汽車”邏 輯，軟件算法或成為人形機器人廠商的技術護城河，是機器人主機廠實現(xiàn)產(chǎn)品差異化的關鍵 因素。

附件：從特斯拉智能駕駛看人形機器人發(fā)展路徑-機器人數(shù)據(jù)短缺主要靠兩種途徑