智元与特斯拉前高管拆解人形机器人供应链 成本半数集中于执行器

智元与特斯拉前高管拆解人形机器人供应链：成本半数集中于执行器 手机与汽车供应链的深度复用虽降低了机器人硬件的初期组装门槛，但决定企业胜负的关键已从单点技术演变为解决多传感器标定、功耗与长期可靠性的系统整合能力。 执行器占人形机器人整机成本约51%，是当前硬件中技术最密集的部件。虽然机器人硬件与汽车、手机供应链重合度高达80%至90%，但量产壁垒已转向系统级整合与深度定制。与此同时，芯片架构正走向大小脑一体化融合，三维触觉迎来商用曙光，行业下一阶段的发展重点也转向通过视觉、触觉与微秒级控制融合实现极致的人机感控能力。 执行器（关节系统）是人形机器人硬件中成本最高且技术最密集的部件，约占整机成本的 51%，其核心减速器与伺服电机面临性能、成本、散热与抗冲击耐用度的多重平衡挑战。 (17:01) 机器人计算与感知架构正加速演进，大脑与小脑芯片呈现一体化融合趋势以应对超低延迟反射；而三维触觉感知虽受制于物理材料解耦与训练数据匮乏，但已迎来规模化商业化曙光。 (26:56) 机器人硬件与汽车、手机供应链重合度高达 80% 至 90%，但量产真正的壁垒在于系统级整合与微米级一致性标定；目前供应链已从借用成熟行业部件转向专门开模与深度定制。 (31:37) 行业对机器人下一阶段里程碑的期待不再是空翻等花哨动作，而是通过视觉、三维触觉与微秒级控制深度融合，实现如同人类本能般自然“接住一片落叶”的极致感控能力。 (37:04)

节目通过拆解人形机器人的骨架、执行器、传感与计算系统指出，机器人硬件虽大量复用汽车与手机供应链，但实现动态平衡与抗冲击仍面临严苛的物理制约；行业的真正壁垒不在于单机“拼装”，而在于大批量制造中的系统整合与精细感控融合。 骨架轻量化与执行器的“不可能三角” (1:17) 人形机器人在执行后空翻触地时，瞬间承受的加速度可高达几十个 g，相当于航天发射或汽车撞墙级别。为此，其骨架材料从早期重达160公斤的钢材逐步演进至铝合金，并在膝关节、脚踝等高负荷区域局部引入钛合金或镁合金。业内指出，骨架金属本体附加值较低，核心成本与技术门槛高度集中在占本体总成本约51%的关节执行器上。 执行器按传动分为搭配减速器的旋转执行器与搭配丝杠的直线执行器。减速器领域面临性能、成本与耐用度的平衡难题：行星减速器成本低、扭矩小，多用于手部；谐波减速器精度高、减速比大，常用于肩肘但柔性齿抗冲击较弱；RV减速器刚性强、抗冲击好，多用于腰髋与膝部但自重大。在长时间运行或跌落冲击下，微小的机械磨损便会导致控制算法失效，如何在成千上万件规模化量产中维持加工精度与一致性是主要工程瓶颈。 动力系统瓶颈：瞬时发热与动态失衡 (12:05) 关节内部广泛采用无框力矩电机，极限空间下的灵巧手则使用空心杯电机。机器人极限运动要求瞬间爆发大电流，由于电机发热呈非线性特征，瞬间电流升至平时3至5倍时，发热量将剧增至额定状态的9至25倍，短时间内温升可跳增40℃。若电机能效不足，多余发热会迅速触发过热保护并下调输出功率，导致机器人在空中“腿软”跌落。 此外，电机扭矩/转速曲线（TN曲线）受温升影响易发生漂移，一旦实际物理输出与小脑的仿真算法产生偏差，机器人便无法精准维持平衡。由于风冷和液冷会额外大幅增加体积、重量并成倍放大转动惯量，散热设计被迫在极限尺寸与功率密度之间寻找极度狭窄的平衡点。 感知与计算架构：车规迁移及大小脑融合 (20:55) 在感知层，机器人避障与定位大量复用自动驾驶技术，但技术指标存在差异：机器人仅需10至20米短距探测，但抓取小物体要求更高密度的非重复扫描点云，且高频空翻与跌落对传感器的抗震要求远超车规级标准。触觉方面，理想的三维触觉传感器在多维受力物理解耦与耐磨材料上突破难度大，且配套操作大模型数据极度匮乏，截至2025年量产机型极少搭载，业内预计2026年才显现规模化曙光。 在算力层，行业普遍采用“大脑+小脑”体系。大脑芯片负责复杂规划与端侧大模型，常用英伟达Orin、Thor或高通芯片；小脑芯片采用MCU实时维持1kHz高频运动控制。目前架构正向大小脑单芯片集成演进，如特斯拉采用的单SoC多核架构以及灵境智源的德沃夏克架构芯片，通过芯片内低延迟通信简化布线，以应对微秒级的高速反射动作。 从拼装到好用：供应链成熟驱动感控进化 (31:37) 机器人的电气与计算供应链与手机、汽车重合度高达80%至90%以上，使得企业在工程上快速攒出一台能运动的本体门槛看似不高；但实现商用面临巨大鸿沟。组装重心出现微小偏差会引发关节额外功耗剧增，成批下线的机器人在相同指令下手部物理落点可能产生数毫米误差，足以导致抓取失败，必须依赖复杂的出厂标定与在线实时标定算法进行误差补偿。 过去因需求量比汽车、手机低一至两个数量级，机器人公司曾面临供应商拒绝单独配合的困境；如今供应链开始主动为其开模定制，推动了近期马拉松与复杂动作表现的飞跃。智元机器人王闯指出，机器人技术的下一个里程碑不是更花哨的空翻杂技，而是展现微秒级视觉、触觉与运动控制极致融合的本能动作——“接住一片落叶”。 人形机器人硬件正从实验室拼装走向专用供应链定制，但突破极限发热、耐磨损一致性与三维触觉感知仍需工程积累。能否将高爆发的机械运动收敛为精准轻柔的“感控融合”本能，是其真正融入人类工作与生活环境的核心考验。

[1:17] 骨架这种东西……卖价除以它本身的金属含量，再扣除废料，这个 ratio（比率）其实是很低很低的了，最后还是卖金属加加工费。大部分成本还是里面的 metal（金属）……如果量起来了之后，它的加工费就会趋近于一个很低很低的加工费，因为它没有什么太大门槛。 [12:05] 有一些最难的动作，就是要求你在极高的速度下又有极高的爆发力。 [26:56] 特斯拉的大脑小脑集中在同一个芯片上面……一个 SOC 里面既有这个算力的 ASIC，同时它也有一个多核的 CPU，它这个多核的 CPU 可以用来处理小脑这些东西……它的延迟也非常的低。

[0:00] 机甲都出来了 [0:01] 机器人落地还会远吗 [0:03] 从转手绢、扭秧歌 [0:04] 到高难度空翻、武术 [0:06] 再到半马成绩打破人类世界纪录 [0:08] 为什么机器人本体这两年的进化如此之快 [0:13] 有人说 人形机器人几乎每天都要承受车祸般的冲击力 [0:17] 还动不动就要被人类“围殴” [0:19] 它是如何承受下来的 [0:21] 这就让我们特别好奇 [0:23] 机器人的身体里面 [0:25] 到底藏着什么秘密呢 [0:26] Hello 欢迎收看《硅谷101》 [0:28] 我是陈茜 [0:29] 为了进一步理解机器人的本体进化 [0:31] 我们和一些业内人士聊了聊 [0:33] 特别是连手机厂商造的机器人 [0:36] 在半马上都打破人类记录了 [0:38] 所以造机器人究竟有什么难点 [0:41] 我就觉得这个东西不难 [0:43] 机器人的门槛真的不高吗 [0:45] 那么公司的护城河又是什么呢 [0:47] 这期视频我们将详细地拆解 [0:49] 机器人的各个零件 [0:50] 相信看完之后 [0:51] 你也能自己拼出一台机器人 [0:59] 机器人身上硬件种类繁多 [1:01] 我们可以粗略地划分为四个系统 [1:04] 分别是撑起整个架构的骨架 [1:07] 驱动骨架运动的关节 [1:09] 感知环境的传感器 [1:10] 指挥身体的电气与计算系统 [1:13] 那我们先从骨架开始说起 [1:16] 这里有辆车 [1:18] 正以时速60公里撞向一个假人 [1:20] 由于巨大的冲击力 假人会飞出去 [1:23] 然后就七零八碎了 [1:25] 而对于人形机器人来说 [1:27] 承受这样的冲击力已经成为了“日常” [1:30] 机器人它每一次空翻触地 [1:32] 身上承受的加速度可能都是 [1:34] 比汽车和航天都要高 [1:36] 我们做过一些测试 [1:38] 它就跟汽车撞到墙那个加速度差不多 [1:41] 这么剧烈吗 [1:42] 对 有几十个g [1:43] 这就对机器人的结构材料提出了挑战 [1:46] 你看 要翻起来就得身体足够轻 [1:49] 承受如此大的冲击力还得强度大 [1:52] 否则可能一个空翻它零件就飞出来了 [1:55] 所以机器人第一项挑战就是 [1:57] 要探索骨架材料 [2:00] 世界上第一台全尺寸机器人WABOT-1 [2:03] 就是以钢材为主 [2:04] 体重当时达到了大约160公斤 [2:08] 可能它跳一下就得把地板砸个坑 [2:10] 更别说翻跟头了 [2:12] 后来 从本田的ASIMO [2:14] 波士顿动力的早期液压版Atlas [2:17] 到第一代特斯拉的Optimus [2:19] 铝合金成了主流 [2:20] 密度只有钢的三分之一 [2:22] 现在行业已经开始探索更多的材料 [2:25] 比如说镁合金 [2:26] 它的密度比铝还低了三分之一 [2:29] 局部还会使用强度更高的钛合金 [2:32] 例如经常需要承受冲击的膝关节 [2:34] 还有脚踝等等 [2:35] 有意思的是 [2:36] 这些坚硬的骨架为机器人扛下了冲击 [2:39] 但是供应商似乎赚的只是个“辛苦费” [2:42] 骨架这种东西 [2:43] 它这个最后的卖价除以它本身 [2:46] 这个金属的含量 [2:48] 再除掉抛掉的废料以外 [2:50] 这个ratio（比率）其实是很低很低的了 [2:52] 这个东西最后还是卖金属加加工（费） [2:54] 大部分成本还是里面的metal（金属） [2:56] 所以这个东西没有办法降价了 [2:58] 它的加工费还是在合理区间的 [3:00] 如果量起来了之后 [3:01] 它的加工费就会趋近于一个 [3:04] 很低很低的加工费 [3:05] 因为它没有什么太大门槛 [3:06] 除了这些核心的骨架之外 [3:08] 我们简单来聊聊外观件 [3:10] 可以分成两类 [3:12] 一类是装饰保护件 [3:14] 主要用在胸部、背部、头部 [3:16] 材料从塑料、仿皮TPU到织物 五花八门 [3:20] 主要是为了降低磨损、让触感更亲人 [3:23] 虽然有些机器人看上去是金属机身 [3:25] 其实是做了一层喷漆 [3:28] 这个就是塑料外壳 [3:29] 是塑料的 [3:30] 那看起来还蛮有金属感的 [3:32] 做了金属的喷漆 [3:33] 另一类 就是让机器人像真人的仿生皮肤 [3:37] 这些皮肤不仅触感要像人 [3:39] 还得在皮下植入触觉传感器 [3:43] 好了 骨架和皮肤我们聊完了 [3:45] 但是真正让机器人实现各种超难度动作的 [3:48] 是关节 [3:49] 这也是整个机器人硬件里面 [3:51] 成本最高、技术最密集 [3:53] 故事也最多的部分 [4:02] 你肯定看过不少机器人跳舞、空翻的视频 [4:05] 这是先通过真人动作捕捉 [4:07] 再训练模型后映射到肢体动作上 [4:10] 几年前 [4:11] 我们看波士顿动力的Atlas后空翻的时候 [4:13] 还觉得非常惊讶 [4:15] 但现在可能大家都觉得习以为常了 [4:18] 这背后的原因就在于 [4:20] 机器人的关节 [4:21] 经历了从液压系统到电机的转变 [4:24] 以前那个时候我们造不出这么牛的关节 [4:26] 那个时候的关节整个性能都很差 [4:28] 这个时候它其实空翻是很难翻得起来的 [4:31] 我觉得最近这一两年 [4:33] 关节的技术进步非常非常大 [4:35] 关节在业内被称之为“执行器” [4:37] 主要分为旋转执行器和直线执行器 [4:40] 它们是怎么带动身体运动的呢 [4:42] 我们先以肩膀来举例 [4:45] 肩膀有三个自由度 [4:46] 前后摆、上下抬、内外旋 [4:49] 被称为俯仰、滚转、偏航 [4:52] 本质上这些运动方式都是旋转 [4:54] 所以通过三个旋转执行器的组合 [4:57] 手臂就能向X、Y、Z三个方向自由地活动了 [5:01] 到了膝关节上 [5:02] 一般只需要一个自由度 [5:04] 用一个旋转执行器 [5:05] 或者直线执行器就可以了 [5:08] 直线执行器就像人体的肌肉一样 [5:10] 通过拉伸来带动上下的骨干运动 [5:13] 而做一次极限运动 [5:15] 得靠全身几十个执行器紧密地协同 [5:18] 任何一个地方反应没跟上 [5:20] 或者力量偏差了一点 [5:21] 那么后果就是摔倒 [5:23] 但这些执行器里面是一个什么样的构造呢 [5:26] 旋转执行器和直线执行器 [5:28] 都有一套伺服系统 [5:29] 由电机、编码器、驱动器、传感器组成 [5:32] 两者最大的区别就在于 [5:34] 旋转执行器是伺服电机加减速器 [5:38] 而直线执行器是伺服电机加丝杠 [5:41] 那我们先从减速器开始说起 [5:47] 或许你听过这个装置 [5:49] 第一个齿轮转动10圈 [5:51] 第二个齿轮只转1圈 [5:53] 第三个则只有0.1圈 [5:56] 总共100个齿轮 [5:57] 以此类推 如果要让最后的齿轮转一圈 [6:00] 那么第一个需要转古戈尔（Googol）圈 [6:03] 也就是1的后面有100个0 [6:06] 所需要的能量超过了整个宇宙的能量总和 [6:10] 这就是一个大型的减速器 [6:12] 本质上就是一个巨大的杠杆 [6:14] 牺牲速度换取力量 [6:16] 为什么机器人的关节需要减速器呢 [6:20] 因为电机天生是“高转速、低扭矩” [6:23] 转速可以轻松达到每分钟上万转 [6:26] 但输出的力矩却比较小 [6:28] 而机器人的关节需要精准控制 [6:30] 我们很难让电机只转几度的同时 [6:33] 还能搬动非常重的东西 [6:35] 所以需要减速来降低转数 提高扭矩 [6:38] 减速比（也就是齿轮比值）越大 [6:41] 速度降低越多 [6:42] 同时输出扭矩就越高 [6:45] 行业最常用的有三种减速器 [6:47] 分别是行星减速器、谐波减速器 [6:50] 还有RV减速器 [6:51] 我们用模型来给大家解释一下 [6:53] 首先是行星减速器 [6:55] 它的名字很形象 [6:57] 电机连接中心齿轮 带动三个行星轮 [7:00] 行星轮再带动外圈的大齿轮旋转 [7:03] 就像行星围绕太阳一样 [7:06] 它结构小 成本低 [7:07] 但减速比较小 [7:09] 同样的电机转数下输出扭矩较低 [7:11] 因此常用在手部关节 [7:14] 需要输出更大的力的时候 [7:16] 就会用到谐波减速器了 [7:18] 它的最中心是波发生器 [7:20] 将夹层的柔轮撑成椭圆形 [7:23] 一般柔轮与外侧固定的钢轮之间只差2齿 [7:27] 柔轮只有两个对称区域与刚轮啮合 [7:30] 这样最中心的波发生器旋转一周的时候 [7:33] 柔轮只转动2齿 [7:35] 所以减速比可以做到非常大 [7:37] 谐波减速器的输出扭矩强 且精度高 [7:40] 常用在机器人的肘关节、肩关节 [7:43] 来实现手臂的精准控制 [7:45] 我们前面说到机器人在后空翻的时候 [7:47] 承受的力相当于汽车的撞击 [7:50] 这也对特定部位的减速器提出很大挑战 [7:53] 但是谐波减速器的柔性结构 [7:55] 也意味着抗冲击力较差 [7:57] 那这个时候就得上RV减速器了 [8:00] RV减速器由第一级行星齿轮 [8:02] 和第二级摆线针轮组成 [8:04] 第一级降速后 [8:05] 通过偏心凸轮带动摆线盘做偏心运动 [8:09] 摆线盘与外壳上的针齿啮合 [8:11] 推动外壳旋转 [8:12] 这样一来不仅减速比大 [8:14] 由于摆线盘有多个齿同时啮合 [8:17] 所以刚性好、抗冲击更强 [8:19] 常用在机器人的髋关节、膝关节、腰部等 [8:23] 需要抗冲击的部位 [8:25] 相信你也看出来了 [8:27] 减速器是非常精密的部件 [8:29] 加工难度高 [8:30] 并且面对长期的磨损也很难保证稳定性 [8:34] 这就是整个关节里面最难的部分 [8:36] 当你大批量的制造使用的时候 [8:39] 那个齿轮的精度 [8:40] 还有它长时间运行的稳定性要求就很高 [8:43] 比如说用了1000个小时 [8:45] 它就发生了各种各样的异响 [8:47] 或者它的性能下降了 [8:48] 这个时候你的运控的算法可能很难去调整 [8:51] 表现在这个机器人 [8:52] 可能走路就没有以前那么好了 [8:54] 甚至说走得开始逐渐变歪了 [8:56] 它可能要做很多极限的动作 [8:58] 它可能自己也会摔倒 [8:59] 这些冲击很有可能把里面的 [9:01] 这些小的齿轮就损伤掉了 [9:03] 那我们如何能做出 [9:04] 性能又很好、成本又很低 [9:07] 长时间使用又没问题 [9:08] 同时摔倒之后它又能抗得了冲击 [9:12] 不会轻易地损坏 [9:13] 这种东西我觉得就是非常有挑战 [9:16] 就感觉是个不可能三角 [9:18] 对 [9:18] 换句话说 造一个减速器不难 [9:21] 难的是造出一万个性能一致 [9:23] 耐用的减速器 [9:25] 接下来我们看看直线执行器 [9:26] 和它的核心部件 [9:28] 丝杠 [9:32] 直线执行器可以说是最像人体肌肉的 [9:36] 你看 当我的手臂这样摆动的时候 [9:38] 并不是关节在主动旋转 [9:40] 而是连接两端骨骼的这个肌肉在收缩 [9:44] 所以直线执行器只做一种运动 [9:46] 那就是推拉 [9:48] 有些机器人的膝关节会采用直线执行器 [9:51] 通过推拉来模仿人类膝部肌肉的运动 [9:54] 当有多个直线执行器 [9:56] 通过特定的结构组合后 [9:58] 还能实现关节的旋转 [9:59] 这样的运动方式 [10:00] 会被应用到手腕、脚踝等部位 [10:03] 要做出直线执行器 [10:04] 最简单的就是液压装置 [10:06] 之前波士顿动力的老版Atlas [10:09] 就是以直线液压缸为主 [10:11] 具有高爆发、抗冲击、功率密度大等优势 [10:14] 为什么说是老版呢 [10:15] 因为新版他们也转向了电机驱动 [10:18] 主要是液压装置系统复杂 容易漏油 [10:21] 而且控制精度也不如电机 [10:23] 但是电机只能旋转 [10:25] 要输出直线运动 还需要一个“转换器” [10:28] 也就是丝杠 [10:30] 丝杠轴上有螺纹 [10:31] 旋转时会带动螺母做直线运动 [10:34] 这个过程就像拧螺丝 [10:36] 为了减小摩擦 [10:37] 丝杠内部就会加入滚珠 [10:39] 这就是滚珠丝杠 [10:41] 有的会将滚珠换成滚柱 [10:43] 寿命更长、承载更好、刚性更好 [10:46] 这就是行星滚柱丝杠 [10:48] 此外还有的会用到T型丝杠 [10:50] 现在用的可能比较多的就是滚柱丝杠 [10:52] 那个东西对加工精度要求非常非常高 [10:55] 而且在一个很长的行程内 [10:57] 你的一致性要非常好 [10:58] 如果中间有一些不好的 [11:00] 它对于不同机器之间的控制算法 [11:02] 就是一个很大的挑战 [11:03] 有的直线执行器中也会配合上减速器 [11:06] 让电机输出更高扭矩 [11:08] 但目前的行业当中 [11:09] 直线执行器的应用比较少 [11:12] 主要有三个原因 [11:13] 第一是动态性能差 [11:15] 第二是制造难 [11:16] 第三是成本高 [11:17] 目前整个这个行业量产最多的 [11:19] 应该就是这个旋转关节 [11:21] 那个直线的执行器在行业内也有一些应用 [11:24] 它的特点就是它的载荷能做到更大 [11:27] 而且它在一些状态下 [11:30] 如果不供电 [11:31] 它也是能保持一个稳定的姿态的 [11:32] 能够自锁的 [11:33] 但是我们觉得它的缺点就是 [11:35] 动态性能可能会稍微差一点 [11:36] 因为它的载荷大 减速比大 [11:38] 它的动态性能（差） [11:40] 没有那么敏捷的动作 [11:43] 它还有一个比较大的难点 [11:44] 就是说它很难大批量地 低成本地造出来 [11:48] 所以它在当前 [11:49] 我们觉得还不适合做大规模的商业化 [11:51] 也因为大家现在用得少 出货量也少 [11:53] 在客户场景中验证的也少 [11:55] 所以它整个成本都是现在居高不下的 [11:58] 说完传动 我们再来说一下动力本身 [12:00] 也就是电机与伺服系统 [12:06] 机器人身体中的常用电机是无框力矩电机 [12:10] 相比传统电机 它没有了外壳和轴承 [12:13] 只保留了最核心的部件 [12:15] 这样做是为了尽可能地缩小尺寸 [12:17] 可以直接嵌入关节内部 [12:19] 灵巧手比较特殊 [12:21] 用的是体积更小的空心杯电机 [12:24] 当然输出功率也就没那么高了 [12:26] 灵巧手的难度 [12:27] 甚至比整个机器人的本体还高 [12:29] 如果你想要详细的了解 [12:31] 欢迎去看我们之前 [12:32] 专门讲灵巧手的这期视频 [12:35] 身体电机的难点主要在于三块 [12:37] 分别是能效与散热、体积和性能稳定性 [12:40] 我们先来说一下能效与散热 [12:42] 电子产品都不可避免地会产生热量 [12:45] 当热量积压过多 [12:46] 超过了正常工作区间之后 [12:48] 性能就会下降 [12:50] 所以电机的能效 [12:51] 也就是真正有多少能量被用在了做功上 [12:54] 就格外重要了 [12:56] 一旦过热 控制系统就只能降低功率 [12:59] 比如说空翻到一半的时候突然“腿软”了 [13:02] 就会啪地一下倒地上 [13:03] 我们以前做的最早期的那个样品 [13:06] 可能10分钟之内 [13:07] 这些极限动作只能做一次 [13:10] 为什么只能做一次 [13:10] 就是因为它的那个转速转矩 [13:13] 这些性能曲线在做一次之后整个就变掉了 [13:17] 它也有可能因为里面的发热之类的原因 [13:20] 这个时候就需要你先把它技能冷却一下 [13:23] 让它温度降下来 可能它才能继续做 [13:25] 现在比较大的问题就是 [13:27] 它的能效我们非常关注 [13:29] 我输入一定的能量 有多少转化为了热量 [13:32] 比如说是5% [13:34] 它和3%就有巨大的差异 [13:36] 这些其实会限制我性能 [13:38] 我就不敢往上去抬性能了 [13:40] 哪怕我硬件能力再强我都不敢 [13:42] 你可能会问3%和5%之间 [13:45] 看着也没多大区别 [13:47] 这里需要注意的是 [13:48] 电机的发热不是线性的 [13:50] 当关节要做一次极限动作 [13:52] 瞬时电流可能是平时的3到5倍 [13:55] 发热量就是额定状态的9到25倍 [13:58] 这意味着热量的积累速度 [14:00] 远超关节被动散热的能力上限 [14:03] 做一次空翻 [14:04] 关节温度就可能从温升10度 [14:06] 直接跳到50度 [14:08] 所以做完之后电机需要冷却 [14:10] 机器人才能够继续下一个动作 [14:12] 要提升电机的能效 [14:14] 就得从电机材料、绕线工艺 [14:16] 结构设计上来下手 [14:18] 这里我们就不详细说明了 [14:19] 目前很多关节的散热主要靠被动 [14:22] 因为机身采用了大量金属 [14:23] 可以想象成巨大的散热片 [14:25] 只有在功率非常大的关节 [14:27] 才会额外加入风冷或者液冷散热 [14:29] 比如说腿部 [14:30] 而且额外加入散热措施会带来第二个挑战 [14:34] 那就是体积限制 [14:36] 工程师们也正在想方设法地 [14:37] 尽可能缩小关节电机 [14:40] 一方面是为了减轻重量、降低成本 [14:42] 更重要的是体积越大转动惯量也就更大 [14:46] 改变运动状态也就更难 [14:48] 打个比方 当你旋转一根绳子的时候 [14:50] 绳子越短 转速就会更快 [14:53] 如果绳子变长了 转速不仅会变慢 [14:55] 当你想停下来的时候 [14:57] 需要缓冲时间也会更长 [14:59] 第三个难点是性能是否稳定 [15:01] 也就是在电机在输入多少电流的时候 [15:04] 转数是多少、能够输出多大的扭矩 [15:07] 业内称为是TN曲线 [15:09] 这就会影响机器人的控制算法 [15:11] 比如说走过一段不平整的路面的时候 [15:14] 脚踝上的六维力矩传感器感受到了起伏 [15:17] 为了维持平衡就需要动态调整电流 [15:20] 来控制电机扭矩 [15:21] 如果TN曲线不稳定 [15:23] 可能控制系统下达的还是同样的命令 [15:25] 但是电机输出的扭矩产生偏差 [15:28] 结果就是摔倒 [15:34] 而且TN曲线还对算法的训练 [15:36] 有着很大的影响 [15:37] 因为机器人算法 [15:39] 是先在仿真系统当中去训练的 [15:41] 如果仿真系统中的TN曲线 [15:44] 和现实相差太大 [15:45] 那么现实表现也会产生偏差 [15:48] 我会给输入这个仿真系统一个曲线 [15:50] 实际中这个电机就是能达到 [15:53] 甚至超越这个曲线 [15:54] 那它想要的这个性能（动作）就能做到 [15:57] 如果反过来 在低转速下ok [16:00] 但是转速一高它性能就下来了 [16:02] 这个时候就肯定有一些极限动作就做不了 [16:04] 因为有一些最难的动作 [16:06] 就是要求你在极高的速度下 [16:08] 又有极高的爆发力 [16:10] 那要精确控制电机转数 [16:12] 还需要一套伺服系统 [16:13] 主要由编码器、驱动器 [16:16] 还有传感器组成 [16:17] 编码器用来测量电机转子的角度 [16:20] 速度、位置 [16:21] 让系统知道电机当前在什么状态 [16:23] 这个编码器其实很关键 [16:24] 机器人里面因为有减速器 [16:27] 所以你必须用双编码器才能知道 [16:30] 输入端和输出端两个的位置都在哪里 [16:33] 才能更精确的控制 [16:34] 驱动器会根据编码器的反馈 [16:36] 以及来自“小脑”的控制指令 [16:38] 调整给电机的电压和电流 [16:41] 传感器的种类就比较多了 [16:43] 比如说力矩传感器测输出扭矩 [16:45] 温度传感器测电机温度、防止过热等等 [16:49] 以上就是执行器里的关键部位了 [16:52] 接下来我们再说一下执行器的整体 [16:54] 为什么它是降本的关键 [16:56] 自研和采购有多大的区别 [17:03] 根据美国银行的测算 [17:05] 执行器是机器人身上成本最高的部件 [17:08] 约占51% [17:10] 无论是手也好还是要去说电机也好 [17:12] 其实motor（电机）和control（控制器） [17:14] 你的肌肉（执行器） [17:15] 是比你的骨骼 [17:16] 比你的眼睛（传感器）、脑子（芯片） [17:18] 包括你的心脏（电池） 都是要贵的 [17:20] 所以执行器是未来量产降本的关键 [17:23] 最主要的因素就在于 [17:24] 中国供应链实在是太卷了 [17:27] 此前不少需要其他国家工厂精加工的部件 [17:30] 现在国内都能够找到替代 [17:32] 比如说做电机的卧龙电驱 [17:34] 做减速器的绿的谐波 [17:36] 双环传动、中大力德等等 [17:38] 甚至还有公司直接可以提供完整的执行器 [17:41] 比如说三花智控、拓普等 [17:43] 既然市面上可以买到现成的执行器 [17:46] 机器人公司为什么 [17:47] 还要苦哈哈地自己研发呢 [17:49] 我们对比一下这两种模式 [17:51] 如果采购成品可以降低研发成本 [17:53] 提升开发效率 [17:55] 但是相应的物料成本会更高 [17:57] 难以根据自己的需求去定制 [17:59] 性能也会有所不足 [18:01] 大部分（执行器）公司 [18:02] 他不会给你专门去设计你想要的东西 [18:05] 他是标准件卖给你 [18:07] 然后成本相对来说也是比较高的 [18:10] 如果一个公司它本身本体的团队人又少 [18:13] 然后关节的积累也不够 [18:15] 这个肯定是去买别人的会更好一点 [18:18] 会更快速地能把这个东西做出来 [18:20] 如果自研的话 [18:21] 能够更好地匹配需求和算法 性能更强 [18:24] 但是相应的需要付出大量的研发精力 [18:27] 选择哪种路径 [18:28] 更多的是公司的规模与成本的考量 [18:31] 根据我们的调查 [18:32] 目前头部的机器人公司 [18:33] 更多的还是偏向自研 [18:35] 甚至会进驻到供应商那边去参与设计 [18:38] 所以机器人的关节 [18:39] 不仅仅是把零件装在一起 [18:41] 而是要在极小的体积内 [18:43] 实现力量、精度、耐久、成本、重量的平衡 [18:46] 可以说整个身体中是最难的部分 [18:49] 原因在于这是一个新兴的产业 [18:51] 此前供应链并不成熟 [18:53] 大家都是在探索的阶段 [18:55] 很多的产线的设备都是行业内没有的 [18:57] 我们自己还要去设计这个（生产）设备 [19:00] 光有强健的关节还不够 [19:02] 机器人又该怎么知道怎么站稳 [19:04] 如何去感知世界 [19:06] 接下来我们来聊聊传感器 [19:13] 这是一些人类“围殴”机器人的视频 [19:16] 虽然有的下手确实太狠了 [19:18] 但我们可以看到 [19:19] 大部分情况下 [19:20] 不论人类怎么干预 [19:21] 机器人都很难摔倒 [19:23] 要实现这样的平衡 [19:24] 在硬件上得依靠身体中的各个传感器 [19:28] 一方面是前面我们提到的电机伺服系统 [19:31] 它通过关节里的编码器和力矩传感器 [19:34] 实时感知每个关节当前的位置和受力情况 [19:38] 然后以每秒上千次的频率调整输出 [19:41] 另外一方面 [19:42] 光有“四肢的感觉”还不够 [19:44] 就像人类还需要靠内耳的前庭系统 [19:46] 来感知身体的倾斜与旋转 [19:49] 那么在机器人身上 [19:50] 这个部位就是惯性测量单元（IMU） [19:53] IMU非常常见 [19:55] 比如说你把手机旋转的时候 [19:57] 画面也会跟着旋转 就是靠IMU [20:00] IMU是几个传感器的组合 [20:02] 最核心的是两样东西 [20:04] 一个是加速度计 [20:05] 测量X、Y、Z三轴的加速度 [20:08] 另一个是陀螺仪 [20:10] 测量俯仰、偏航、滚转三个轴的角速度 [20:13] 此外IMU还会加入磁力计 [20:16] 相当于是电子罗盘 用于校准 [20:18] 把这几个数据融合起来 [20:20] IMU就能实时感知机器人的运动状态 [20:23] 当我们踹它一脚的时候 [20:25] 身体会瞬间获得一个加速度 [20:27] 同时还会前后左右倒 [20:29] IMU检测到这个变化之后 [20:31] 就会将数据传给“小脑” [20:33] 计算出需要给各个关节增减多少扭矩 [20:36] 然后将身体给拉回来 [20:39] 这个部件在手机、汽车等地方用得非常多 [20:42] 所以技术和应用也相对成熟 [20:44] 防摔倒靠的是IMU [20:46] 而对日常行动来说 [20:48] 更重要的是防碰撞 [20:49] 避障最依赖的就是视觉系统 [20:56] 机器人的“眼睛” [20:57] 和汽车的自动驾驶非常像 [20:59] 但又不完全一样 [21:00] 常见的方案是 [21:02] 摄像头+激光雷达+毫米波雷达 [21:04] 多传感器融合 [21:06] 其中的例外就是特斯拉的Optimus [21:08] 众所周知 马斯克是坚定的纯视觉党 [21:12] 只用摄像头 [21:13] 在传感器的使用上 [21:14] 机器人几乎和汽车一样 [21:17] 许多供应商也都是从汽车供应链上面 [21:19] 迁移而来的 [21:20] 不过注意一下 [21:21] 虽然都是同一种传感器 [21:23] 但是实际的规格大不相同 [21:25] 我们以比较贵的激光雷达来举个例子 [21:28] 首先是测距要求不同 [21:30] 汽车要跑高速 [21:31] 激光雷达需要看到 [21:32] 150到200米外的障碍物 [21:35] 机器人主要在室内活动 [21:37] 10到20米就够了 [21:38] 测距短了 就意味着激光雷达的 [21:40] 功率、体积、成本也可以更低 [21:43] 第二点是点云密度和扫描方式不同 [21:46] 汽车识别的是车、人、路障 [21:48] 这些都是大物体 [21:49] 点云密度可以低一些 [21:51] 但机器人需要在桌子上拿起螺丝刀 [21:54] 在地上捡起硬币 [21:55] 这些都是小物体 [21:57] 所以需要更高密度的点云 [21:59] 我们是希望这个点云要非常的密 [22:02] 像我们现在用的话 它是非重复扫描 [22:04] 就是说你在原地站一会儿之后 [22:07] 它的点云变得更密了 [22:08] 这个对我们来说是非常好的 [22:10] 因为我们机器人很多时候 [22:11] 并不是那么激烈地在做操作的 [22:14] 它像人一样 [22:14] 人其实做很多事情都是慢慢地去做的 [22:17] 汽车的话 [22:18] 它是要求它的稳定性、实时性 [22:21] 还有重复性 要求非常高 [22:23] 第三是安装位置和体积不同 [22:25] 车可以把激光雷达装在车顶、保险杠上 [22:28] 体积大一点也没有关系 [22:30] 但是机器人身体就比较小 [22:32] 就必须使用更小的模组 [22:35] 第四就是可靠性要求不同 [22:37] 比如说汽车常年在室外 [22:39] 对工作温度要求更高 [22:41] 而机器人受到冲击力更大 [22:43] 对抗震性要求更高 [22:45] 我以前做车规的话 [22:46] （激光雷达）它的要求是-40度到85度 [22:49] 最低的要求 [22:50] 然后机器人上完全是不需要的 [22:52] 至少现在是不需要的 [22:54] 所以汽车上有很多专门为可靠性做的设计 [22:57] 在机器人看来就是冗余的 [22:58] 汽车它可能出车祸的时候 [23:00] 那个加速度才能达到机器人 [23:02] 日常做一次空翻的加速度 [23:04] 所以说我们对这些震动状态下的稳定性 [23:07] 这些要求都非常的高 [23:08] 虽然汽车的激光雷达已经非常成熟了 [23:11] 但是机器人的激光雷达 [23:12] 还处于行业非常早期的阶段 [23:14] 比如说我们希望体积变得更小 [23:16] 我们希望这个点云更密 [23:18] 我们希望这个距离短一点 [23:19] 但是FOV（视场角）大一点 [23:21] 然后这些需求其实都是还没有被满足的 [23:23] 在摄像头上 [23:24] 前特斯拉人工智能硬件负责人就告诉我们硅谷101 [23:28] 它们选择了车规摄像头 [23:30] 但内部研发时的路径也一再变化 [23:33] 目前的方案应该是基于车上的摄像头 500万像素 [23:37] 早期最早的方案是堆了很多摄像头的 [23:39] 像素都是有区别的 [23:40] 就把帧率降低、像素提高 [23:42] 为什么这么做呢 [23:43] 是因为当时Elon提了个要求 [23:46] 说那个机器人能够做到穿针引线 [23:49] 要做到这个要求 [23:50] 当时我们算了 [23:51] 你必须得要有超过1500万像素 [23:54] 才能看得见这个事情 [23:55] 也是因为软件团队吧 [23:57] 就是说这个事情如果要是连像素、摄像头都变了的话 [24:01] 对于重新训练这个模型的要求 [24:05] 时间的要求、还有工作量 [24:07] 就都会大太多了 [24:08] 做不到怎么办呢 [24:10] 考虑在摄像头上加自动对焦 [24:14] 后来好像又说这个事情 [24:16] 也未必是一定需要的 [24:19] 所以这个事情反正就是一直在变 [24:24] 要实现触觉 主要分四种途径 [24:27] 最常见的是压阻式 [24:29] 通过将压力转化为电阻来改变电流信号 [24:32] 比如说电子秤会用到 [24:34] 第二种是电容式 [24:35] 用弹性介质隔开上下两层 [24:38] 当施加压力时电极距离会变小 [24:40] 电容值发生变化 [24:42] 第三种是压电式 [24:44] 只要材料受力就会直接产生电压 [24:46] 比如打火机里面放电的那个小玩意儿 [24:49] 第四种就是光学式 [24:51] 表面有弹性材料 [24:52] 受力之后会产生形变 [24:54] 由摄像头来捕捉 [24:56] 这是目前最热门的方式 [24:58] 触觉最好是三维的 [24:59] 不仅可以感受到压力 [25:01] 还能够感受到平面上的摩擦 [25:04] 比如说当我拿起一罐饮料 [25:06] 手会捏紧瓶子 向上抬起 [25:08] 如果手指感受到瓶子 [25:10] 有向下滑的这个摩擦力的时候 [25:12] 会加大捏的这个力度 避免它滑落 [25:15] 但这也对材料和算法提出了很大的挑战 [25:18] 第一个层面就是 [25:19] 在传感器本身这个层面 [25:20] 你想象一下 它其实本质上都是材料 [25:23] 任何的材料都很难在三个（X Y Z）方向上 [25:25] 很好地解耦开 [25:26] 所以这个本身的精度就变得比一维力难很多 [25:29] 怎么能把它弄准 [25:31] 然后其次是 [25:32] 这些三维的触觉 这么复杂的数据 [25:35] 怎么跟这个操作模型结合起来 [25:37] 这个东西也是非常难的 [25:38] 因为现在整个数据的量都非常非常少 [25:41] 在这些挑战之下 [25:43] 此前行业中的量产机器人 [25:45] 几乎不怎么搭载触觉 [25:46] 整个2025年量产的产品里面 [25:49] 触觉用得非常非常少 [25:50] 几乎就没有 [25:51] 不只是我们 就整个行业都用得很少 [25:52] 原因是什么呢 [25:54] 原因是因为这个东西不稳定 [25:55] 你要考虑它长期抓东西的时候 [25:57] 怎么能不变形 [25:59] 因为它稍微变形一点 [26:00] 可能输出的信号就完全不一样了 [26:02] 还有就是 [26:03] 不要发生性能的这些漂移 [26:06] 形状、位置这些都不能发生破损 [26:08] 那个材料又要稍微柔软一些 [26:10] 又要很耐磨 [26:11] 所以这本身也是很矛盾的事情 [26:12] 但到了今年 情况似乎有点变化 [26:15] 我们的采访嘉宾就表示说 [26:17] 到了今年 到了2026年 [26:19] 看到了规模化生产的希望 [26:21] 接下来就是如何在数据采集训练当中 [26:24] 让触觉系统更好地结合了 [26:26] 整体来说 触觉这个行业还非常的早期 [26:29] 我们也期待看着未来更多的进步 [26:32] 除了前面提到的这些传感器之外 [26:34] 机器人身上还需要温度、湿度 [26:36] 六维力矩传感器、UWB等等 [26:39] 这些都比较成熟了 我们就不多赘述了 [26:41] 传感器能够让机器人感知世界 [26:44] 关节赋予机器人活动的能力 [26:46] 但是要让这两者结合 [26:48] 还需要一个“中枢” [26:50] 那么接下来 我们就来聊聊这个中枢 [26:52] 也就是电气架构 [26:57] 我们之前讲机器人算法的时候提到过 [26:59] 业界发展出了“System 1+System 2” [27:02] 这样的双系统架构 [27:04] System 1负责操控四肢 [27:06] System 2做复杂思考 [27:08] 在芯片上 [27:09] 也是采用了“小脑+大脑”这样的组合 [27:12] 为什么不用一个芯片来干所有事 [27:14] 因为需求完全相反 [27:16] 大脑芯片要思考的是“该怎么做事” [27:19] 需要的是高算力、大内存 [27:21] 最好能够在端侧跑大模型 [27:23] 延迟个几秒基本没啥影响 [27:25] 目前绝大多数机器人大脑选用的是 [27:27] 英伟达的Orin芯片 [27:29] 2025年英伟达还推出了性能更高 [27:31] 专为机器人和物理AI设计的Thor芯片 [27:34] 预计将会成为未来的主流 [27:36] 特斯拉Optimus例外 [27:37] 它用的是自研的芯片 [27:39] 而且还是双芯片 [27:41] 机器人因为不是自动驾驶 没有这种安全考量 [27:44] Elon自己觉得 他说 [27:45] 不需要这个安全冗余的问题了 [27:47] 一个芯片就够了 [27:48] 做一个单芯片系统之后 [27:50] 他后来一想不对 [27:52] 机器人的世界模型对算力的需求 [27:57] 那是远高于自动驾驶的 [27:59] 自动驾驶两个都够呛 [28:02] 机器人怎么可能一个能够 [28:04] 他自己又反应过来 [28:06] 又说不对不对 把这个事情改回两个 [28:08] 另外今年初的CES上 [28:10] 高通也是发布了 [28:11] 机器人大脑芯片Dragonwing IQ10 [28:14] 并且宣布了与Figure的合作 [28:16] 而小脑芯片要“操控身体” [28:18] 不需要特别高的算力 [28:20] 但是实时性、稳定性 [28:21] 还有响应速度必须高 [28:23] 一旦延迟个几毫秒可能就会摔倒 [28:26] 比如机器人空翻、跳舞的时候 [28:28] 基本是用提前录好的动作 [28:30] 但我们会发现它的脚还是会有一些碎步 [28:33] 这就是小脑在动态的调节平衡 [28:36] 就像人类的“本能反应”一样 [28:39] 小脑它是要求速度非常快 [28:41] 所以我们在小脑里面 [28:43] 这个频率可能是1K赫兹 [28:44] 目前小脑芯片通常是MCU [28:47] 主流选择是意法半导体的STM32系列 [28:50] 恩智浦的i.MX RT系列 [28:52] 还有瑞萨的RZ系列等等 [28:54] 现在我们也看到了一个新的趋势 [28:56] 就是行业正在试图将大脑和小脑芯片 [29:00] 整合在一起 [29:01] 这方面特斯拉比较前沿 [29:03] 一开始走的就是这条路线 [29:04] 我们就先默认当时是用Hardware 4这个电脑（的）自研芯片 [29:09] 特斯拉的大脑小脑集中在同一个芯片上面 [29:12] 如何通过这一个芯片 [29:14] 用一个什么样的通讯架构来控制整身的行动 [29:18] 当时我们也是花了一些时间研究这种（方案） [29:20] 一个SOC里面既有这个算力的ASIC [29:24] 同时它也有一个多核的CPU [29:27] 它这个多核的CPU可以用来处理小脑这些东西 [29:30] 这个频率其实很高的CPU [29:32] 它的延迟也非常的低 [29:34] 除了特斯拉外 [29:35] 也有其他公司在研究集成方案 [29:38] 比如说灵境智源在今年3月份 [29:40] 就发布了德沃夏克架构 [29:42] 在一块芯片上 [29:43] 集成了“大脑 小脑 皮层”三个功能 [29:46] 统一成一块芯片会带来哪些好处呢 [29:49] 首先我觉得最大的一个优势就是 [29:50] 现在你做成一块板了 [29:52] 它整个胸腔的体积和走线都会变得很简洁 [29:55] 其次是大脑和小脑越往后 [29:58] 我觉得它之间的协调就越重要 [30:00] 比如说举个例子 [30:01] 有人向你扔了一支飞镖 [30:03] 然后你去看这个飞镖的轨迹 还有预测 [30:06] 这些东西可能都是用大脑 [30:07] 但是你手伸出去去抓到它 这个是小脑 [30:10] 这两个东西之间通讯越快 [30:13] 其实越有利于完成这种非常高难度的动作 [30:16] 如果大脑、小脑做在一起的话 [30:18] 芯片之间的通讯会非常非常快 [30:21] 可能这个大脑能够实时地 [30:22] 去控制这个小脑怎么动 [30:24] 以一个非常高的速度去反馈 [30:26] 不过根据行业内的看法 [30:27] 统一大小脑芯片还处于非常早期的阶段 [30:30] 需要等机器人出货足够多 [30:32] 市场足够大之后 [30:33] 机器人公司 [30:34] 才会像现在的智能汽车公司一样 [30:36] 逐渐转向一体化的自研芯片 [30:43] 最后还需要为全身提供能量的电池 [30:46] 就像机器人的心脏 [30:48] 核心需求是如何在更小的密度下 [30:50] 容量做到更高 [30:51] 主要供应商有宁德时代、LG、亿纬锂能等等 [30:55] 还有遍布全身的线束 就像神经与血管 [30:58] 用于设备之间的通信与供电 [31:00] 主要供应商就有立讯精密、TE Connectivity [31:04] 还有Amphenol等等 [31:05] 关于机器人的供应链是种类繁多 [31:08] 我们就不一一地介绍了 [31:09] 在这里我们放一张全景图 [31:11] 大家有兴趣可以暂停观看一下 [31:14] 看到这里 相信你已经学会了 [31:15] 怎么造一台机器人了 [31:17] 但是先别急 [31:18] 如果你真的自己去做了 [31:20] 会发现哪哪都是问题 [31:22] 因为造机器人最大的难点 [31:24] 其实是各个工程之间的平衡 [31:27] 最后我们再来聊聊 [31:28] 组装与量产的难题 [31:30] 以及这两年机器人突飞猛进的原因 [31:37] 如果你看过前段时间的机器人马拉松比赛 [31:40] 会发现现场有不少有趣的事 [31:47] 有的随地大小坐 [31:48] 引来隔壁机器人拍手叫好 [31:51] 有的跑着跑着脚崴了、喝醉了 [31:53] 胳膊掉了、冲上绿化带了 [31:55] 或者被减速带绊倒之后“粉身碎骨”了 [31:58] 当然也有表现非常亮眼的 [31:59] 比如说荣耀的机器人 [32:01] 不仅是包揽了前六名 [32:03] 还刷新了人类的半马纪录 [32:04] 机器人也算是人吧 [32:06] 不过这也是引发了一些讨论 [32:08] 连手机厂商做机器人都能够表现得这么好 [32:11] 是不是意味着这行业没什么门槛呢 [32:17] 业内人士的回答是 [32:19] “Yes and No” [32:20] 我们先来说“Yes”的部分 [32:22] 大家发现没有 [32:23] 前面我们提到的各个零部件 [32:25] 供应商和手机、汽车行业是高度重合的 [32:29] 再往上 算法也有部分能和自动驾驶复用 [32:32] 这也是为什么荣耀、小米、特斯拉、小鹏 [32:35] 会下场做机器人的原因 [32:36] Electrical & Power system（电气与计算） [32:39] 这个东西基本上就供应商来说 [32:41] 可以重合度达到百分之九十几 [32:44] 然后mechanical system（骨架结构） [32:45] 你就算模具不一样 [32:47] 供应商也可以有很多类似的吧 [32:50] 电驱这一块是唯一可能和车 [32:52] 相关性没有那么高的 [32:53] 因为车里面不需要有这种 [32:55] 提供太多扭矩的东西 [32:57] 但是你说你减速器、齿轮这种 [33:00] 汽车里面肯定是大大有的 [33:02] 当然了 现在减速器或者变速箱用得少了 [33:04] 但是齿轮这种东西 [33:06] 在汽车里面是不可能不存在的 [33:08] Sensor（传感器）一样的 [33:09] 也就是说你基本上 [33:11] 就80%以上的东西是可以同质的 [33:13] 理论上 只要你认识这些供应商 [33:16] 就能够自己搓出一台机器人 [33:19] 但是“能动”和“好用”之间 [33:20] 却隔着一道巨大的鸿沟 [33:23] 这就是“No”的部分 [33:24] 比如说组装之后重量分布不均 [33:27] 机器人的重心就偏 [33:28] 走路的时候为了保持平衡 [33:30] 某些关节就要额外出力 [33:32] 功耗增加 续航减少 [33:34] 甚至影响步态的稳定性 [33:35] 你所做的每一次尝试、每一个选择 [33:37] 无论是为了让机器人的散热性能更好 [33:39] 还是为了减轻它的重量 [33:42] 都会让另一端的其他性能变差 [33:45] 比如 如果你试图让它变轻一点 [33:47] 那就意味着它没办法承受多少重量 [33:49] 又或者在实验室里面 [33:51] 跑了1个小时没有问题 [33:52] 但是放到真实环境里面去跑100个小时 [33:55] 各种毛病就出来了 [33:56] 比如说某个螺丝松了、某根线磨损了 [33:59] 某个关节的润滑脂干了 [34:00] 某个传感器开始漂移了 [34:02] 这些都必须经过不断的调试 [34:05] 才能够找到平衡点 [34:07] 每一个零部件 [34:08] 我把它拆成每个供应商 [34:10] 我觉得供应商的难度都不高 [34:12] 我觉得最后是系统整合才是比较难的东西 [34:16] 更多是说你给它上了constraint（约束） [34:18] 就比方说你要把这个东西减重 [34:20] 轻量化做到什么（程度） [34:22] 但是你以人形把它框住了之后 [34:23] 它的力矩的大小以及它的精密度上 [34:26] 你都要达到一个人类的高度 [34:28] 这才是难点 [34:29] 更多的是工程路径上的trade off（权衡） [34:31] 你往往市面上买到的标品 [34:33] 都是不能让人满意的 [34:34] 都离我们真正算法应用的要求来说 [34:38] 有差距的 [34:38] 所以这些都是核心零部件 [34:39] 我们要自己动手去做 [34:44] 要做出可商业化、能量产的机器人 [34:47] 还会面临一致性的问题 [34:49] 因为每台的关节背隙、传感器零点 [34:52] 电机参数都不一样 [34:53] 要让同一套算法 [34:55] 能够稳定应用在不同批次的本体上 [34:58] 还需要对各个细节去做调整 [35:00] 你放10个机器人在那 [35:02] 它其实 每一个人 [35:03] 你给它发同样的参数（指令） [35:05] 它的手伸出去位置是不一样的 [35:06] 但是如果做操作 [35:07] 你可能差个几毫米 [35:09] 你就从能抓住它变成了把它撞倒 [35:11] 那这个时候怎么做 [35:13] 所有机器人的这些传感器和执行器的标定 [35:17] 把这个标定方案做好 [35:18] 这个其实就非常难 [35:19] 还有就是 你标定完了之后 [35:21] 你能不能保证在它使用一年之后 [35:23] 它很多地方老化了 [35:25] 传感器也有畸变了 [35:26] 这个时候它还能保持稳定 [35:28] 这个时候可能你还需要一些在线的标定 [35:30] 就是自己能把这个误差分析出来 [35:32] 这些东西都是看不见的功夫 [35:34] 但是如果你不做的话 [35:35] 你后面很多问题都解决不了 [35:37] 所以真正的难点不是“拼起来” [35:39] 而是系统级的整合 [35:42] 我们回到机器人马拉松 [35:43] 今年不仅速度进步了不少 [35:46] 整体的完成度也是提升了 [35:48] 再看这两年机器人动作上的进化 [35:51] 从走路到转手绢再到跳舞、武术 [35:54] 为什么这两年的进化如此得之快 [35:57] 最重要的原因就在于供应链的成熟 [36:00] 说实话 在过去一两年 [36:01] 机器人行业还不像现在这么的被大家看好 [36:05] 那个时候大家不会为机器人去做激光雷达 [36:07] 大家只会说我这个为物流车做的 [36:10] 你拿来直接用吧 [36:11] 那个时候是求着别人 [36:13] 那个时候跟现在不一样 [36:14] 大家对机器人这个都是将信将疑的 [36:17] 正如我们前面所说到的 [36:18] 机器人产业链很多环节都和汽车重合 [36:21] 此前对供应商来说 [36:23] 存在内部资源博弈的问题 [36:25] 在产量有限的情况下 [36:26] 是优先供给商业化成熟的行业 [36:29] 还是修改产线 [36:30] 去押注商业市场尚未成熟的机器人 [36:33] （以前）市场我觉得还没有到这个水平 [36:35] 就是你的数量跟工业级 [36:37] 或者说跟真的跑量的 [36:38] 比方说手机、汽车这个数量级 [36:41] 还可能差一到两个数量级 [36:43] 供应商也是在博弈 [36:44] 因为他内部资源也有限 [36:46] 而随着机器人赛道越来越热 [36:49] 供应商开始愿意为机器人 [36:50] 专门开模、定制产品 [36:52] 相信随着需求越来越大 [36:54] 商业化路径更加明确 [36:55] 供应链会像滚雪球一样去成长 [36:58] 那么下一个里程碑的动作会是什么呢 [37:03] 我前几天去了上海马戏城 [37:06] 然后我看了一场表演之后我的感觉就是 [37:08] 机器人里面还要进步的东西太多太多了 [37:12] 那个蒙着眼睛在几十米高空走钢丝的演员 [37:16] 那位用一根筷子 [37:17] 让几十只碗同时旋转的杂技师 [37:20] 他们展示的是人类 [37:21] 用了上百万年才进化出来的东西 [37:24] 极致的感知、本能级的平衡 [37:26] 毫厘之间的触觉反馈 [37:28] 虽然现在机器人能够空翻、能武术 [37:31] 但是它依然离人类遥远 [37:33] 那我就问王闯 [37:34] 对机器人的下一个里程碑时刻 [37:37] 有着什么样的期待 [37:38] 他的回答其实让我有点惊讶 [37:41] 他的答案不是什么 [37:42] 更加复杂 更加fancy的动作 [37:44] 而是一个非常非常基础 [37:46] 具备人类“感控融合”的本能的 [37:49] “接住一片落叶” [37:50] 有一片树叶 [37:52] 我能走过去 [37:53] 然后手伸起来正好就捏到那片树叶 [37:58] 仅仅是一阵风飘过 穿过一片树林 [38:01] 而“它”走过去 伸出手 [38:03] “恰好”接住了一片落叶 [38:07] 这一天到来的时候 [38:08] 机器人距离我们的生活又近了一大步 [38:12] 好了 这就是这期视频的全部内容 [38:14] 非常感谢大家收看到这里 [38:16] 你们的留言、点赞和转发 [38:18] 是支持我们《硅谷101》 [38:19] 做好深度科技和商业内容的最佳动力 [38:22] 我是陈茜 [38:23] 那我们就下期视频再见了 拜