主题 先锋 趋势 方法 作者
返回

iPhone包装揭示的机器人市场机会

·The a16z Show

正在生成长图…

本篇主题 具身智能与机器人量产商用
本篇先锋 Josh Gruenstein

摘要

  • iPhone包装暴露出工业领域仍有大量工作依赖人工。 Gruenstein称,美国工厂和仓库中,10家有9家没有机器人;2025年美国部署的工业机器人工作单元为3.8万个。电视节目里常见的高度自动化工厂,在他看来只是“前0.01%”;连iPhone包装也有人手工组装。
  • 面对尚不成熟的机器人市场,Tutor选择掌握全栈。 Gruenstein认为,放弃任何一层,都会“失去90%的权衡空间”,模型、硬件、软件、供应链、客户和市场拓展因此密不可分。他说,Cassie和Sunny“可能已经能完成制造和物流领域80%至90%的工作”;从长远看,平台化也不妨碍市场成熟后再次走向专业化。
  • 让机器人承接付费工作,是Tutor构建数据护城河的路径;是否追求完全自主,则是经济账。 客户付费说明采集到的经验具有商业价值;Gruenstein也把人工导师视为一项需要优化的成本。Raghuram追问,解决90%的工作后,是否仍有10%需要人类?Gruenstein回答:“那也可以。”Tutor的100台Sunny组成的Data Factory One,正在测试车队规模的真实世界强化学习。
  • 销售话术是“每小时16美元就能用上一台机器人”,客户无需预付资本开支。 Gruenstein称,从首次沟通到签约需要40至60天,部署约再花40天,之后一天内、很多时候数小时内即可投入生产。通用能力强、无需定制的机器人,加上利益一致的商业模式,让部署不再像委托定制自动化项目那样复杂。
  • 在Tutor的经济模型中,持续运营成本如今已高于前期硬件成本。 Casado追问后,Gruenstein表示,现阶段成本“更多是持续发生的”,包括推理、远程操作、维护和故障维修,以及硬件折旧。面对劳动力老龄化、利润率又薄的现实,客户把采用机器人视为“战略性”选择,因此持续成本和可靠性是这套方案的关键。
  • 成本略有下降,就可能改变哪些生产方式划算。 Gruenstein举例称,工厂建造的住宅比同等传统住宅贵约5%;如果能便宜哪怕1%,开发商的需求就会全部转向工厂生产。他更大的设想是,用“无限、灵活的劳动力底座”推动更多工厂和实体业务出现。
  • Tutor预计将更深地融入美国制造业,同时仍处于相互依存的全球供应链中。 随着Tutor的订单占供应商产出的比重上升,OEM会变成“名义上的合同制造商”,企业是否把零部件生产收回内部,也就需要重新权衡。Tutor在马萨诸塞州沃特敦制造产品,并预计美国本土零部件生产会增加;但Gruenstein强调,2026年的供应链仍然“高度互联”且“相互依存”。

精读

1. 机器人首先是一门系统工程,之后才会成为平台

  • Tutor Intelligence成立于2021年,目前约有160名员工,主要在波士顿,一边部署机器人,一边开发模型、数据集并建设制造能力。Gruenstein转述Claude前一晚给出的估算:Tutor的机器人已帮助生产并向美国消费者交付“超过2.5亿件产品”。

  • Raghuram问,难点是否在运营和单位经济性;Casado又补充了市场拓展。Gruenstein回答“不是”,但强调这些都得自己做。即便智能可以无限供应,制造、软件和客户问题仍未解决。全栈既包括模型、硬件和软件,也包括供应链、客户、产品和商业模式。拒绝碰任何一层,就等于“放弃了90%的权衡空间”。

  • Raghuram问,物理世界是否缺少让计算得以横向扩展的清晰抽象;Casado又提到在物理空间中导航的难题。Gruenstein认为,今天必须整合各环节,根源在于市场尚不成熟。他认为,人形机器人提供了类似CPU的通用抽象;但不同形态的机器人可能需要不同部件,就像计算领域有CPU、GPU和ASIC。他预期市场会先走向专用机器,再出现通用机器人,待市场规模足够大后,专业化又会回来。

2. 付费工作让机器人部署形成学习闭环

  • Gruenstein用拿咖啡杯举例说明数据缺口:人拿起杯子时,互联网上不会留下指尖压力或手部姿态的记录,这与邮件和社交媒体帖子不同。Tutor将已部署的机器人连接到远程操作人员,也就是它的“导师”,由他们教机器人完成任务并积累经验。目标是让机器人在创造实际价值的同时,搭建“机器人训练数据互联网”,而不是在几乎没有数据的情况下凭空造出智能。

  • Raghuram质疑生成式AI的类比:图像和文本的训练分布与人们购买的产品相符,但有用的机器人任务可能恰好落在训练分布之外。Gruenstein对比了两种做法:派人戴着头戴摄像设备在印度尼西亚采集影像,和让机器人为客户完成付费工作。后者能提供市场信号,证明数据具有经济价值。他说:“如果你能靠这门生意赚钱,那你大概也在靠数据赚钱。”

  • Raghuram的第二个质疑是长尾问题:如果解决了90%,剩下10%可能仍需要人类很长时间。“那也可以,”Gruenstein回答。是否保留人工导师,关乎利用率和单位经济性,类似于在H200上运行模型:要权衡运营复杂度和成本,与把可靠性的“最后一个9”靠工程实现之间的取舍。“我们不是纯粹主义者”;仿真和互联网规模的数据也能扩大覆盖范围。

  • 被问到Astra这类模型时,Gruenstein称空间推理带来了“巨大变化”。实验室出于商业目的,针对CAD和3D建模进行后训练,把前沿模型的知识与动作扩散Transformer连接起来;机器人技术因此向前跃进了很多年。Tutor在2021年就从卷积神经网络起步,因此熟悉架构变化。在他看来,能形成长期优势的资产是“数据流”,以及它所加速的部署闭环。

3. iPhone包装暴露工厂与自动化之间的落差

  • Gruenstein说,《How It’s Made》呈现了一幅失真的图景:节目中那些高度自动化的工厂,在他看来只代表美国制造业和物流业“前0.01%”。即便是占地百万平方英尺的设施,仍有人在传送带旁和折叠桌前工作。连iPhone包装也是由人组装的。对于体力负担极重的搬运工作,他提到员工入职3个月内的离职情况,以及55岁的平均工龄年龄;这批工人即将退休。

  • Cassie用一条机械臂、多个吸盘和参数规模在“2亿至4亿”之间的基础模型来处理重物搬运。模型预测物体的可供性和抓取方式,再由硬件执行。Gruenstein将设计与货物运输方式联系起来:商品通常装在托盘或纸箱中,因此需要大量人工搬箱和搬托盘。硬件、模型能力和客户任务是一起设计的。

  • Sunny是一款“工业半人形机器人”,设计目标是在工厂以人类的作业节奏和可靠性运行3至10年。抛光工业地面适合轮式底盘;更高的负载能力、更快的移动速度和工业协作安全标准,则支持它与人并肩工作。不断扩大的外部车队正在执行更多灵巧的双手操作任务。Gruenstein认为,这些设计改动能把类似Unitree的概念变成经久耐用的工厂设备。

  • Gruenstein称,在制造业和物流业中,Cassie和Sunny现在“可能已经能完成80%至90%的工作”。现有硬件无法应对碎石,因此建筑业和垃圾填埋场的物料回收,要等到配备腿部的下一代形态。家用机器人仍受技术和经济条件限制:现有设计太偏工业用途,而家庭愿意支付的金额,无法匹配工厂场景能创造的价值。尽管如此,他表示:“我们会去任何地方。”

4. 每小时16美元,改变客户购买和采用机器人的方式

  • 美国工厂和仓库中,10家有9家没有机器人,因此Tutor开门见山地打出「每小时16美元就能用上一台机器人」(a robot for 16 bucks an hour)的销售话术。Gruenstein称,从首次沟通到签约需要40至60天,再过约40天机器人就能在现场工作;投入生产后一天内、很多时候数小时内即可运行。提供通用能力较强的机器人,不要求客户预付资本开支,也不需要定制工程,降低了客户的投入门槛。他将快速拓展客户归因于利益一致的商业模式,以及不让客户承担经济风险。

  • Raghuram问,为什么Tutor的客户大多是本地企业,而不是《财富》50强公司里的机器人试验者。Gruenstein说,中小型企业占据市场大多数,客户的多样性也迫使产品必须通用。他提醒,常见的错误路径是:先拿下一个大客户,花两年开发定制系统,最后发现系统不管用,或者客户的问题已经变了。他看过这种情况反复发生“5到10次”。

  • Casado问机器人会不会成为同事。Gruenstein区分了工厂经理这一买家和每天实际使用机器人的工人。他引用一条记不起作者是谁的推文说:“机器人就是机器人;只有能干活时,它才是机器。”对工人来说,给机器人起名字能增进感情;有些客户会用孩子的名字给机器命名,回头客也可以给新机器人起名。

  • 自己掌握制造,让Tutor能每两周调整一次生产流程。代码每天发布,重大版本每两周更新;产品、客户成功和实施团队则紧密协作、贴近客户。研究团队可以针对具体客户需求调整资源,获取数据并尝试高风险、高回报的创新项目,再围绕建模突破共同设计产品。Gruenstein希望实体产品的迭代速度能接近软件,让新近实现的能力尽快落地。

5. 运营经济性决定机器人能开辟哪些新市场

  • Gruenstein用“交付的工作量除以成本”来定义价值。Casado追问成本包括什么、哪一项占主导;Gruenstein起初说Tutor在压低所有成本,随后明确表示,如今持续成本已经高于前期成本。除了硬件折旧,还要计入推理、远程操作、维护和故障维修。过去把机器人视为一次资本采购、靠10年回本的思路,正在让位于持续运营经济性的考量。

  • Raghuram问,客户买机器人是为了应对黑色星期五的需求,还是为了长期劳动力规划。Gruenstein称,这是一项“战略性”选择:劳动力老龄化、需求增长和履约成本上升,正在挤压利润空间有限的企业。客户希望找到长期机器人合作伙伴,同时保留自己对产品的专业知识。他以除臭剂生产为例:客户负责除臭剂,Tutor负责机器人。

  • Gruenstein举了一个拐点案例,来自一位曾在住宅工厂工作的人;他记得那家工厂可能在威斯康星州。工厂建造的住宅比同等传统住宅贵约5%。他说,如果价格能便宜哪怕1%,开发商的需求就会全部转向工厂生产。他希望机器人劳动力底座能推动其他行业改变生产方式;商品降价可以扩大消费,物料回收也可能跨过类似的可行性门槛。

6. 规模化推动制造与研究融入平台

  • Gruenstein称,2025年美国部署了3.8万个工业机器人工作单元。Casado追问,这一数字是否不包括FANUC等传统机器人;Gruenstein的简短回答并未明确说明统计口径。他还说,如果Unitree机器人有在美国部署,应该会被计入这些数字,但实际上很可能一台都没有。现有机器人供应链规模小,而且在他看来“方向不对”:FANUC和ABB的机器人大多不在美国制造,设计上面向系统集成商和快速、重复性动作,而不是与前沿模型共同设计。Tutor在马萨诸塞州沃特敦制造机器人本体,同时从规模更大的OEM采购执行器、摄像头等零部件。

  • 当Tutor的采购量占OEM产出达到相当比重时,Gruenstein称供应商会变成“名义上的合同制造商”。选择指定零部件还是转为内部制造,也会成为一道不同的决策题。他预计Tutor会继续纵向整合,并增加美国制造的零部件;Tutor需要成熟的本土机器人供应链,因此有“义务”也有“机会”参与建设。

  • 谈到中国时,Gruenstein强调,“在2026年的今天”,供应链依然“高度互联”且“相互依存”,中国企业在美国投资,美国企业也在中国投资。他还称,美国新建工厂采用自动化是“一个很好的均衡器”:中国早年在自动化上的投资,未来可能变成“巨大的错误”,因为它将不得不拆除现有系统。如果灵活的机器人劳动力变得触手可及,他预计工厂会更多,实体企业也更容易创立;这就像云软件降低了数字企业的起步门槛。

  • Data Factory One是Tutor在波士顿部署的100台Sunny组成的车队,用于采集内部数据并测试真实世界强化学习。Gruenstein称,据他们所知,这是美国规模最大的半人形机器人数据采集场。他认为关键在于规模:强化学习“小批量时确实行不通”,而大型车队能让此前不切实际的实验成为可能。在他的数据层级里,真实世界的强化学习轨迹处于最顶端。

核实说明

对话并未明确说明,3.8万个工作单元这一数字是否包括FANUC等传统机器人。