摩根士丹利最新指出，人工智能驅(qū)動(dòng)的機(jī)器人正在經(jīng)歷從工廠車間向更廣闊應(yīng)用場(chǎng)景的歷史性轉(zhuǎn)移，訓(xùn)練重點(diǎn)從傳統(tǒng)的認(rèn)知能力轉(zhuǎn)向物理操控能力，這一變化有望催生邊緣計(jì)算需求的爆發(fā)式增長(zhǎng)。

12月15日，據(jù)硬AI消息，大摩在最新發(fā)布的《機(jī)器人年鑒（第二卷）》報(bào)告中指出，全球機(jī)器人行業(yè)正迎來兩大關(guān)鍵轉(zhuǎn)變：一是機(jī)器人應(yīng)用場(chǎng)景從工廠向家庭、城市、太空等非結(jié)構(gòu)化環(huán)境“逃逸”，二是訓(xùn)練重點(diǎn)從傳統(tǒng)AI“大腦”（通用模型）轉(zhuǎn)向“身體”（物理動(dòng)作控制）。

大摩指出，這一轉(zhuǎn)變將驅(qū)動(dòng)邊緣算力需求爆發(fā)，實(shí)時(shí)推理芯片、模擬技術(shù)、機(jī)器人傳感器等領(lǐng)域或成核心投資主線。報(bào)告強(qiáng)調(diào)，物理世界的復(fù)雜性（如抓取物體的力度控制、動(dòng)態(tài)環(huán)境導(dǎo)航）正倒逼技術(shù)路線從“純軟件優(yōu)化”轉(zhuǎn)向“軟硬協(xié)同”，而分布式邊緣計(jì)算可能重塑全球算力基礎(chǔ)設(shè)施格局。

摩根士丹利預(yù)測(cè)，到2050年全球?qū)⑹鄢?4億臺(tái)機(jī)器人，這將推動(dòng)邊緣AI算力需求達(dá)到數(shù)百萬(wàn)個(gè)B200芯片當(dāng)量，重塑全球計(jì)算基礎(chǔ)設(shè)施的分布格局。

機(jī)器人“逃離工廠”：從結(jié)構(gòu)化牢籠到復(fù)雜現(xiàn)實(shí)世界

傳統(tǒng)工業(yè)機(jī)器人（Pre-AI Robotics）被局限于工廠的“結(jié)構(gòu)化牢籠”：任務(wù)單一（如重復(fù)裝配）、環(huán)境可控（固定產(chǎn)線）、無(wú)需感知與學(xué)習(xí)能力。

大摩指出，AI賦能的新一代機(jī)器人正突破這一限制，開始進(jìn)入家庭、農(nóng)場(chǎng)、城市街道、深海甚至太空——例如自動(dòng)駕駛汽車在擁擠路段導(dǎo)航、服務(wù)機(jī)器人在家庭中抓取物體、無(wú)人機(jī)在復(fù)雜地形巡檢。

報(bào)告以“抓取冰箱中的瓶子”為例說明物理世界的挑戰(zhàn)：

人類看似簡(jiǎn)單的動(dòng)作，實(shí)則涉及手指精確位置、身體平衡調(diào)整、握力控制（過緊壓碎、過松掉落）、環(huán)境濕度對(duì)摩擦力的影響等多重變量。

大摩指出，這意味著機(jī)器人必須具備實(shí)時(shí)感知、動(dòng)態(tài)決策與精細(xì)動(dòng)作控制能力，而非僅依賴預(yù)設(shè)程序。

訓(xùn)練范式轉(zhuǎn)變：從“大腦”優(yōu)化到“身體”控制

報(bào)告稱，早期機(jī)器人訓(xùn)練聚焦“大腦”（AI模型），如通用視覺-語(yǔ)言模型（VLM）的優(yōu)化。但大摩強(qiáng)調(diào)，當(dāng)前瓶頸已轉(zhuǎn)向“身體”（物理動(dòng)作執(zhí)行），核心矛盾在于：人類本能的基礎(chǔ)技能（如行走、抓取）對(duì)AI而言極其復(fù)雜（Moravec悖論），而這些技能無(wú)法通過互聯(lián)網(wǎng)文本/圖像數(shù)據(jù)簡(jiǎn)單習(xí)得。

據(jù)大摩研究，與大語(yǔ)言模型主要訓(xùn)練文本和圖像數(shù)據(jù)不同，機(jī)器人模型需要大量真實(shí)世界的物理操作數(shù)據(jù)，這使得數(shù)據(jù)收集和模型訓(xùn)練變得更加復(fù)雜且昂貴。

該行指出，特斯拉、英偉達(dá)、谷歌等科技巨頭正在通過遠(yuǎn)程操作、模擬訓(xùn)練和視頻學(xué)習(xí)三種主要方式收集訓(xùn)練數(shù)據(jù)。

遠(yuǎn)程操作（Teleoperation）：人類通過動(dòng)作捕捉控制機(jī)器人，使其模仿行為。但該方法耗時(shí)、擴(kuò)展性差，未來或逐步被替代。

模擬訓(xùn)練（Simulation）：通過數(shù)字孿生在虛擬環(huán)境中無(wú)限復(fù)現(xiàn)復(fù)雜場(chǎng)景（如極端天氣、障礙物），結(jié)合強(qiáng)化學(xué)習(xí)優(yōu)化動(dòng)作。游戲引擎公司（如Unreal Engine、Unity）已深度參與，NVIDIA的Omniverse平臺(tái)正是基于其游戲GPU技術(shù)積累。
視頻學(xué)習(xí)（Videos）：從人類行為視頻中提取動(dòng)作模式（如YouTube視頻），無(wú)需物理交互即可訓(xùn)練模型。谷歌DeepMind的Genie 3、Meta的V-JEPA 2等“世界模型”均采用類似思路，可預(yù)測(cè)物體運(yùn)動(dòng)軌跡與物理交互結(jié)果。

隨著機(jī)器人“逃離工廠”后，云端中心化計(jì)算的延遲問題凸顯（如自動(dòng)駕駛需毫秒級(jí)決策），邊緣算力成為剛需。大摩指出，邊緣算力將呈現(xiàn)兩大趨勢(shì)：

1. 專用邊緣芯片普及

英偉達(dá)的Jetson Thor是典型代表，作為邊緣實(shí)時(shí)推理設(shè)備，每套件價(jià)格約3500美元，已被波士頓動(dòng)力、亞馬遜機(jī)器人等企業(yè)采用。其核心優(yōu)勢(shì)在于低功耗下實(shí)現(xiàn)高算力，滿足機(jī)器人對(duì)實(shí)時(shí)性（如動(dòng)態(tài)避障）的要求。

2. 分布式推理網(wǎng)絡(luò)

特斯拉提出“機(jī)器人即算力節(jié)點(diǎn)”的構(gòu)想：若全球部署1億臺(tái)具備2500 TFLOPS算力的機(jī)器人，50%利用率下可提供125000 ExaFLOPS算力，相當(dāng)于700萬(wàn)顆NVIDIA B200 GPU（單顆18 PetaFLOPS）。這種分布式模式不僅降低對(duì)數(shù)據(jù)中心的依賴，還能通過機(jī)器人間協(xié)同提升整體效率。

據(jù)摩根士丹利預(yù)測(cè)，到2030年全球機(jī)器人邊緣計(jì)算需求將大幅增長(zhǎng)，人形機(jī)器人、自動(dòng)駕駛汽車、無(wú)人機(jī)等各類機(jī)器人形態(tài)都將貢獻(xiàn)顯著的算力需求。到2050年全球?qū)⑹鄢?4億臺(tái)機(jī)器人，將推動(dòng)邊緣AI算力需求達(dá)到數(shù)百萬(wàn)個(gè)B200芯片當(dāng)量。