2026-10-27 纳斯达克上市机器人基金创始人：可规模化的机器人商业化场景将从洗衣、搬货开始

作者：Andrew     出品：SourceMind

RoboStrategy基金创始人Andrew Kang 在 10 月 23 日发表于 RoboStrategy 的文章中判断：机器人难以复制 ChatGPT 两个月获得一亿用户的增长路径。它的普及会按年、按任务推进，前提是先把工作做得可靠、划算。

为什么重要： 这给判断机器人行业进展提供了一个具体尺度：客户能否以可接受的成本，持续获得可靠的工作成果。演示中的一次成功，距离客户愿意长期付费，还有利用率和出错代价需要考虑。

卡在哪： Kang 提出两个门槛：

“机器人闲置税”。 一台机器人即使每周只工作一小时，买家仍要承担整台设备的成本。它必须在有限的工作时间里创造足够高的价值。

“99.9% 这道墙”。 文案写错可以修改，焊接出错却可能毁掉材料。Kang 认为，许多物理工作往往需要超过 99.9% 的成功率，才能真正投入使用。

怎么做到的： 按 Kang 的描述，Dyna、Rhoda 等公司正围绕具体工作流程采集数据、微调通用机器人模型，直到它能可靠地完成任务。Dyna 已将机器人部署到酒店、洗衣店等场景。一些公司把单项任务训练到可部署水平所需的时间，已从数月缩短至数周。

接下来看什么： Kang 预计，洗衣、机床上下料、物料搬运等结构更明确的商业任务会先扩大应用，家庭市场随后跟进。沿着这条路径，值得追踪的是：每增加一项可靠技能，需要多少数据、时间和成本。

图 1|从聊天工具到折叠布料、搬运货箱的机器人工作流程，主题概念插画

以下为原文全文，经整理。

SECTION / 01

机器人不会复制 ChatGPT 的普及速度

Andrew Kang： 把时间拨回 2022 年 11 月 30 日。OpenAI 发布了 ChatGPT。

五天后，用户数达到 100 万。

两个月后，达到 1 亿。

视频 1|ChatGPT 与其他互联网产品达到一亿用户所需时间的动态图表

这是一声响彻全球的发令枪。前所未有的用户增长，只是那个“时刻”的一部分。真正重要的是，全球几乎同时完成了一次集体认知更新：AI 不再只是研究中的幻想。大家清楚地意识到，它已经成为现实，很快就会引发下一场技术革命。

各行各业的高管都把制定 AI 战略列为优先事项。投资者争先恐后地投资未来的赢家，或撤出那些即将遭到颠覆的公司。创业者开始在半导体、生物技术和机器人等领域创办公司。AI 将影响所有领域。世界各地的普通人也开始每天使用 AI 聊天机器人。

从那以后，机器人领域的每个人都被问过同一个问题：我们的 ChatGPT 时刻，什么时候会到来？

机器人领域不会有 ChatGPT 时刻。

智能机器人已经到来，也会像所有具有变革性的技术一样得到大规模应用。这个过程需要数年，而非数周。

互联网、智能手机，以及近些年的自动驾驶汽车，走的都是这条路。那些还在等待机器人领域 ChatGPT 时刻的人，错过了一个事实：发令枪早在几年前就已打响，第一波现实世界部署也已经在今年启动。

从 UPS 到宝马，再到三星，各家公司都在投入更多资源，用机器人实现运营自动化。人才正涌入这个领域，形成一个新的物理 AI（Physical AI）公司生态，资本也随之而来，尽管其规模仍然只是过去几年 AI 领域融资的一小部分。

SECTION / 02

机器人闲置税与 99.9% 这道墙

那么，我们为什么不会看到机器人像 ChatGPT 那样，在两个月内从零增长到 1 亿用户？除了生产 1 亿台机器人所涉及的硬件制造问题，机器人应用对能力的要求，也与通用 AI 模型不同。

我们常常忘记，ChatGPT 刚推出时有多糟糕。它经常产生幻觉、给出错误答案，连中学生能回答的问题都答不上来。但对于一些需求规模很大的用途，这些问题并不妨碍它发挥作用。写文案、做总结、开展基础研究，它都能帮上忙。它无法取代整套工作流程，却能让普通人每天省下一点时间。

从本质上说，它是一个有些用处的工具。愿意为它花大价钱的人不多，但很多人愿意花一点钱，或者免费使用它来提高生产力。而且，因为它运行在云端，提供服务的成本很低。没有人需要自行购买并托管 GPU；大家共享同一套基础设施。当一项服务的交付成本很低时，它只需带来不多的价值，就值得使用。

机器人面对两个聊天机器人从未遇到过的问题。

第一，机器人闲置税。 无论机器人是否在工作，买家都要为它付费，无论是作为资本支出（CapEx）一次性付款，还是通过租赁或机器人即服务（Robot-as-a-Service）转化为运营支出（OpEx）。

如果一台机器人每周只用一个小时，那它在这一个小时里就必须创造极高的价值，因为把它转移到别处、再训练它去做其他工作的成本太高。我预计，随着物理 AI 让通用机器人真正能做多种工作，并且像人一样能够灵活移动，这种情况会改变。但眼下，每闲置一个小时，就像被征了一笔税。

第二，99.9% 这道墙。 知识工作和物理世界中的工作，对“足够好”的标准截然不同。一份平庸的初稿依然可能节省时间，因为人可以保留其中好的部分，在定稿前修好其余部分。文案、幻灯片和合同，都可以修改。

物理世界中的工作，容错空间要小得多。一次糟糕的焊接，就可能毁掉金属材料。一次错误的给药剂量，则可能带来不可逆的后果。

图 2|知识工作与物理工作在错误可挽回程度、质量容忍度上的差异

知识工作的性质，允许人在 AI 输出成为最终成果之前加以修正。对于物理世界中的工作，人类依然可以介入，但要挽回一次物理操作失误，成本往往远高于修改一段文字。

这类工作通常对错误的容忍度很低，因此对可靠性的要求很高。要真正有用，执行物理工作的机器人必须稳定地把工作做好，不能只在 99% 的情况下做到，往往需要超过 99.9%。这让部署门槛高出很多。

一次演示还不够。机器人必须能够以足够高的可靠性、足够低的成本完成任务，客户才愿意让它真正投入工作。

SECTION / 03

从通用模型到能执行长流程的机器人大脑

ChatGPT 发布以来的四年间，机器人领域取得了巨大进步，其中一部分进步得益于其他领域。通用 AI 模型和视频模型既加快了机器人研究，也成为机器人大脑的基础。

如今，许多前沿机器人模型采用双系统设计，借用了心理学家描述人类思维的命名方式。

系统 2（System 2）是那个缓慢、深思熟虑的思考者：它由通用 AI 模型改造而来，负责理解场景、规划和推理。系统 1（System 1）则反应迅速、依靠直觉：它是一个动作模型，在某些设计中由视频预测模型改造而来，负责把规划转化为实时运动指令。

这意味着，OpenAI、Anthropic、Google DeepMind、英伟达、阿里巴巴以及高校实验室的每一次进步，都会直接或间接地推动物理智能发展。下表大致对比了前沿机器人模型的能力，以及 ChatGPT 刚发布时和今天的能力。

下列评分及描述沿用原文图表，均以 5 分为满分。

学习与记忆

自主性与执行

可靠性

我认为，在许多维度上，前沿机器人模型已经超过了 ChatGPT 发布时搭载的 GPT-3.5。Dyna Robotics、Rhoda AI 等公司的模型，如今已经能够处理长时程工作流程、进行推理、持续跟踪更长的上下文、发现自身错误，并重新尝试。

SECTION / 04

从演示到部署：专用模型与微调

与此同时，我们看到，首批物理 AI 公司已经走出实验室和试点阶段，开始扩大现实世界中的部署规模。事实上，Waymo 多年来一直在做这件事。

过去几年，出现过许多展示通用机器人出色完成工作的视频。问题始终在于，你无法判断这些短视频是否是从数十次、甚至数百次尝试中精挑细选出来的（事实就是如此）。

FigureAI 持续超过 200 小时、展示其人形机器人分拣包裹的直播，可以被视为机器人领域的一个小型 ChatGPT 时刻。它首次提供了实时证据，证明通用机器能够从事像人类一样的工作。

Path Robotics 如今已将焊接机器人部署到能源、国防、造船等领域的客户现场，并在今年早些时候宣布与 HII 签订了一份高达 6 亿美元的合同。

Dyna 的机器人则已在餐饮连锁网络、酒店和洗衣店中落地，执行多种工作流程。

图 3|机器人在制造、餐饮、洗衣与包裹分拣场景中的部署报道汇编

这是怎么做到的？靠专用模型和微调。为 Waymo 开车、为 Path 焊接的模型，并不会堆叠周转箱。但它们对应的市场足够大，值得专门为一项技能训练模型，并让它在各种不同条件下都能工作。

Dyna 和 Rhoda 这样的公司，从通用机器人模型出发，针对某项具体工作流程采集数据，再持续微调，直到模型足以可靠地完成这项工作。它们会先攻下应用范围最广的工作流程，然后随着融资增加，扩大数据采集范围。这与通用 AI 实验室先攻软件工程的做法，并没有太大区别。

直到最近，要让单项任务达到可部署的可靠性水平，还需要数月时间。随着基础模型变得更聪明，一些公司已经开始看到，这个过程正缩短到数周。

今年早些时候，多家公司发布研究结果，称已找到机器人模型遵循缩放定律（scaling laws）的证据。换句话说，它们声称，只要扩大模型的数据量和算力，模型就能显著进步，每项技能所需的微调数据也会减少。

每当后训练变得更便宜，应用阻力就会下降，通用机器人能做的工作清单也会随之变长。

SECTION / 05

先实现可靠性，再走向规模化

那么，机器人的应用普及会是什么样子？

图 4|原文自动驾驶车辆规模曲线：2021—2025 年为报告值，2026 年约 1,600 万辆为估计值

可以参考自动驾驶汽车的路径，它被视为物理 AI 的一个细分领域。过去几年，驾驶模型开始变得非常出色，自动驾驶汽车的规模也扩大到了 1,000 多万辆。

自动驾驶汽车还面临许多其他机器人没有的挑战。它对可靠性的要求高出两到三个数量级，因为一次错误可能意味着有人死亡。各国的国家级安全法规，以及州和城市的许可，都需要逐一处理。Waymo 和 Cybercab 还需要在每座城市建立各自的实体运营体系，包括场站、充电、清洁、维护、远程协助以及路面支援团队。

与 ChatGPT 和 Waymo 不同，我预计，机器人会先在商业领域得到可观的应用，之后才会在消费市场迅速普及。我相信，未来拥有家用机器人，会像拥有汽车一样平常。但短期内，训练机器人可靠地完成洗衣、机床上下料、物料搬运等结构更明确的工作，在开发上更容易实现。

扩大应用规模的努力已经开始，物理智能的能力上限也正在一周又一周地被突破。

ChatGPT 时刻，或许并不是恰当的类比。 对 ChatGPT 而言，普及走在可靠性之前；对机器人而言，则必须先有可靠性，才能实现普及，而通往可靠性的路径如今已经得到验证。我们正处在各行各业类似自动驾驶的应用普及曲线的起点。历史不会重演，但会押韵。