马斯克认可大胆预判：14 年后的地球，将有大约 10 亿个人形机器人！

2025年8月的北京，一座旧奥运滑冰馆里挤满了机器人。它们在跑、在跳、在跳舞、在拳击、在踢球。 首届世界人形机器人运动会刚刚落幕不久，热闹还没散去。就在人们讨论这场"钢铁奥运"的同时，有行业人士提出，到 2040 年，地球上将有大约十亿台人形机器人，马斯克也对此判断表示大致认同。 十四年之后，十亿台。这个数字第一眼看上去像科幻，第二眼看上去像期货，第三眼才让人愿意坐下来认真算一笔账。 要理解这句话到底是判断还是话术，得先看看今天的人形机器人到底走到了哪一步。一个被广泛引用的演示画面是这样的：一台号称由人工智能自主驱动的机器人在做家务，动作流畅、姿态自然。 但真相是——它当时被一个真人在幕后远程操控，而这位操控者的名字，恰好叫图灵。这台机器叫Neo，出自一家名为1X的初创公司，创始人是伯恩特·伯尼奇。 按照他的说法，Neo几乎整个行为都是AI在驱动：它接收图像、力觉、触觉以及关于世界的一切信息，输入一个庞大的神经网络，输出的是驱动电机的指令，一直细到它施加的力和扭矩，从而完成从平衡、行走到抓取的动作。 和传统机器人每次用同样方式重复固定任务不同，靠AI驱动的机器人理论上能在不可预测的环境里边干边学。这套东西有个专门的名字——物理AI，涵盖人形机器人、通用机器人和无人驾驶汽车。 凡是靠电机、传感器、摄像头加AI模型去理解周围世界的，都算。数据和任务成功率之间存在非常清晰的相关性：数据越多、能做的任务越多、做得也越成功。 AI带给机器人领域最深刻的改变正在于此——不再需要为每一个任务单独写代码，一切最终都变成了数据。而把这团火烧旺的，是两个字母：A、I。 过去几年AI投资井喷，无数人抓住这个风口去做各种沾边的事，机器人是其中一支。真正把预期推到天上的，是几张最有影响力的面孔。 英伟达的黄仁勋不断在公开场合强调，这么多人形机器人所需要的，正是物理AI来充当大脑。而英伟达既有能塞进机器人体内的芯片，又几乎垄断了训练大模型所需的数据中心GPU。 因为人形机器人的真实世界模型，和生成式AI用的是同一套技术底座。OpenAI、谷歌、特斯拉都在押注同一件事：把AI从屏幕里搬到现实里，能挖出巨大的钱。 马斯克的口径一向最夸张，他曾预测特斯拉的Optimus每年能带来数以万亿美元计的收入。数字一旦大到这个地步，吹嘘也就随之而来。 问题是，吹嘘既建不起供应链，也改写不了全球劳动力市场。要真正做到这些，缺一样东西。 加州大学伯克利分校的肯·戈德堡研究机器人几十年，他一句话点到要害：ChatGPT这类大语言模型是"书本聪明"，它做的是根据一串词去预测下一串合适的词。可机器人要生成的不是词，是动作。 它需要一串图像、一段视频，再配上一串发给机械臂的动作指令。而这类"物理经验"，几乎从来没有被系统记录过。 摄像头输入对应着什么样的动作输出，没人认真采集过。戈德堡把这道鸿沟称作"机器人数据缺口"。 想让机器人叠衣服，你得先有海量关于衣服怎么叠的信息，它才能从中看出规律。可你想过没有，光是捏起一块布料而不把它攥坏、又不让它滑掉，对一双机械手指来说有多难？ 关节要多灵活？力度要多精细？为了填这个坑，全球各家在拼命造数据。 一是仿真——在虚拟世界里让成千上万台机器人同时学习，长处是规模，短处是虚拟世界缺乏真实细节。二是扒YouTube等平台上人操作物品的现有视频，可从二维画面里还原三维结构极其困难。 三是遥操作，戴着VR眼镜的人在幕后当"提线木偶"，把机器人的动作和画面一并录下来当训练数据。慢是真慢，但确实有一批"数据农场"的人正在这么干。 Neo演示里那位"图灵"，做的正是这件事。它没有那么科幻，但确实是当下机器人训练里最实在的一环。 后来1X越来越多地用一种"世界模型"——像AI视频生成一样，先预测机器人下一步该做的动作画面，再让真实机器人去执行，从结果里反过来改进预测。 戈德堡把这种越滚越强的循环叫"飞轮"：机器人边工作边采数据，数据用来训练更大的模型，新模型比旧模型更强，然后再上岗。问题在于，飞轮要转起来，前提是机器人得先走出实验室。 谁跑得最快？答案不在硅谷。首届世界人形机器人运动会办在北京的一座旧奥运滑冰馆里，全球厂商齐聚一堂，把机器人拉出来做力学、耐力、协同的公开检验。 有参赛工程师说，第一次和自家机器人面对面时其实有点怕，那是一台很重的机器，就在你身边跑来跑去，你会不自觉想保持距离。 可相处久了，一种类似"搭档"的情感就慢慢冒出来了。比赛项目从拳击、足球一路排到搬运作业，本质上是把机器人扔进"真实节奏"里。 这背后是国家层面的长远布局。早在《中国制造 2025》规划中，机器人就被列为重点发展方向。近年来中央与地方持续加大对人形机器人等未来产业的扶持力度，多批次专项政策与产业基金持续落地。 据国家发改委公开信息，2025 年国内已有超过 150 家企业