车企「造人」：算法可复用，通用仍是难关

特斯拉把 Optimus 人形机器人视作向 AI 公司转型的关键棋子。今年 5 月，最后一批 Model S/X 在加州工厂下线，46 天后同一条产线就被拆除，改建为 Optimus 的首条量产线。更引人注目的是，Optimus 的「大脑」直接移植了 FSD 算法，硬件产线与软件栈均与 Model 3/Y 共享。木头姐（Cathie Wood）此前公开承认，其 2029 年 2600 美元的目标价模型中「根本没算进 Optimus 的价值」，马斯克也在多场财报会上反复为 Optimus 站台，称第三代产品是「真正意义上的通用机器人」。然而，从概念首次提出至今已过去五年，特斯拉的 Optimus 仍未真正实现量产，这段尴尬的时间差，恰恰折射出车企跨界造机器人背后的真实挑战。

算法可移植，但通用仍是难题

特斯拉并非唯一尝试将自动驾驶算法迁移到机器人的玩家。据外界估算，Optimus 复用了约 60% 的 FSD 算法，小鹏汽车创始人何小鹏更为激进，认为人形机器人和汽车在软件层面的共通性高达 90%。原因在于二者本质相似：都需要让机器理解物理世界、与环境动态交互，并遵循「感知-决策-控制」这一经典链路。OpenAI 创始成员、前特斯拉 AI 负责人 Andrej Karpathy 在 2024 年的一次播客中无意间透露，「早期版本的 Optimus 一度以为自己是辆汽车，因为它使用了相同的计算机、摄像头，还有运行在汽车上的算法」。

不过，智驾算法与人形机器人算法在目标上存在根本差异。自动驾驶所有复杂度都服务于「从 A 点移动到 B 点」这一目标，核心挑战是识别红绿灯、应对鬼探头和加塞等驾驶博弈。但人形机器人面对的是更开放的物理操作场景——识别桌面上的水杯是为了拿起来，看到房间脏乱差要做的是整理衣物、打扫卫生。以「拿起鸡蛋」为例，机器人需先判断鸡蛋光滑易碎的属性，下达抓取指令，再根据触觉反馈实时调整握力，这中间涉及多体动力学与摩擦学，往往不是智驾算法会优先处理的事项。智驾算法做得再好，充其量是一个专用机器人系统；真正的通用，意味着「全能」二字。

硬件优势：供应链与制造能力

相比算法层面的有限迁移，车企在硬件上确实拥有更扎实的能力，主要体现在两方面。

• 供应链管理：电机、减速器、丝杠等核心关节零部件与汽车供应链高度重叠，恒帅、中鼎、双林、三花智控、舍弗勒等汽车供应商均已切入人形机器人产业链；协调成百上千家供应商的精细化管理经验，也可系统迁移到机器人业务。
• 生产制造：汽车是人类历史上最复杂的工业品之一，组织大规模标准化生产的能力本身就是壁垒。车企拥有高自动化产线、成熟的四大工艺与严格的质量管控体系，能够将造车经验复用至机器人量产环节。

这也是为何小鹏、特斯拉集中展示的依然是硬件与行动能力，而非软件算法突破。

数据瓶颈：车企与原生机器人公司站在同一起跑线

人形机器人要打破莫拉维克悖论（人觉得容易、AI 觉得难的任务，如抓鸡蛋捏豆腐），必须依赖大规模、多样化的训练数据。近两年，VLA 模型、世界模型与强化学习的快速发展为机器人走向通用提供了技术底座，但在数据采集环节，车企与原生机器人公司面临的挑战基本一致。

传统真机遥操方案依赖操作员佩戴 VR 头显与力反馈手套进行 1V1 教学，成本高且效率有限。最近两年兴起的 UMI、EGO 等无本体数据采集工具，虽然让采集效率有所提升，但本质上仍是「脏活累活」——在印度等地的工厂里，工人几乎零报酬地一边工作一边录制操作数据，教机器人学会抢自己的饭碗。从这个角度看，无论车企还是创业公司，在人形机器人这场全新竞赛中，都没有掌握直接通关的密码。

车企能把车造出来，也大概率能把机器人造出来；但造出来的机器人能否真正「活干得好」，终归要回到数据与算法本身。