a16z谈机器人：先让它去工厂干活，数据和智能才会跟着来
美国工厂里绝大多数活仍是人手在做：2025 年新装工业机器人工作站只有 3.8 万个，十家工厂九家一台没有。Tutor 把机器人按一小时 16 美元当服务卖，先让它去现场干活，数据和智慧再慢慢长出来。
你有没有想过，你家里的洗发水、除臭剂、蜡笔，是怎么装進纸箱的？很多人脑子里的画面，是一條全自动的流水线，机器轰隆隆地转，里面几乎看不到人。可真走進美国的大型工厂和仓库，看到的是一排人站在传送带或折叠桌前，一件一件用手在装、在搬。就连 iPhone 的包裝，到今天也还是人在做。
最近我看到 Tutor Intelligence（一家做工业机器人的企业）的联合创始人兼 CEO Josh Gruenstein，和 a16z 的两位合伙人 Martin Casado、Raghu Raghuram 聊了很久。厂商成立五年半，大约 160 人，总部在波士顿。Josh 讲了他怎么让机器人真的走進这些工厂，我听完想了好几天，觉得值得写下来。
美国的工厂里，大部分活还是人在用手干
先说 Josh 眼里的市场。大多数人对工厂的印象，来自一档叫 How It’s Made（《制造的过程》）的电视节目，镜头里全是环环相扣的机器，几乎看不到人。那样的工厂确实有，但只占美国制造和物流业最顶尖的万分之一，所以才值得拍成节目。剩下的绝大部分，是占地上百万平方英尺的厂房，里面一群人站着干活。
这些活又累又难招人。Josh 给的数字是，三个月就有人离职，干这类活的工人平均 55 岁，很快要退休。再看机器人，2025 年美国新装的工业机器人工作站只有 3.8 万个，十家工厂和仓库里，有九家一台机器人都没有。传统的工业机器人（比如发那科、ABB 这一类）大多不在美国生产，而且是卖给操作系统集成商（帮工厂把机器装進产线的承包公司）的，专门干快速重复的动作，换一个活就得重新定制。
所以 Tutor 的顾客，几乎都是第一次买机器人的人。Josh 管这样的赛道叫 greenfield（白地，指从没被打造过的新行业）。到现在，Tutor 的机器人已经帮工厂做出并发走了超过两亿五千万件商品，顾客从街角的小厂，一直到财富 50 强、100 强的大企业。大多数美国人买过的东西，往上追两三层，很可能就和这些机器人有关。
我认为这个起点很核心。机器人最缺的，从来不是一个好看的演示，而是一个真有人需要它干活的地方。那些没人想干、又招不到人的体力活，正好就在这里。
做机器人不能只做一层，要把整套东西一起做
这些活有了，机器人怎么做出来？Josh 先讲了一个假设。如果有一套无比强大的软件，能把地球上 80 亿人天生的动手能力，接到任何一台机器人身上，机器人的智能化就算解决了。可然后呢？你还是得把机器人造出来，造一大批，还得有用户愿意买，有真实的活让它干。今天的机器人行业，在美国还是手工作坊的规模，就算在制造、物流这些最自动化的行业里，机器人也只能算零头。
所以他的看法是，机器人不是哪一层的问题。智能、硬件、客户，三样要一起做，才能做成一个长久的平台。他自己是做机器人研究出身的，当年的长处，就是什么都愿意碰，从制造到芯片都看。后来创业，他发现要碰的比这还多：供应链、顾客、产品、商业模式，全在里面。他的判断是，只要在某一层说一句“这个我不管”，可以做取舍的空间，一下就丢掉了九成。
这也解释了一个现象：几乎所有机器人企业，都是从一层开始，最后都走向自己做全套。先说“我们有个模型”，接着开始买 3D 打印机，一步一步把别的环节接过来。Josh 认为这是行业还不成熟的表现，早期的计算机行业也一样。现在写软件的人不用关心芯片怎么设计，是因为计算早就有了成熟的分工。机器人要走到那一步，得有人先把整个平台做起来，而验证平台好不好用，最直接的办法，就是看有没有真实的业务在上面跑。
至于更远的将来，他觉得会先从定制的专用机器，走向通用机器，等行业足够大了，再重新分出各种专用的。就像计算机，先有 CPU，后来有了 GPU，再后来有了各种专用芯片。
我觉得这个看法有点反常识。很多人以为做机器人要先攒出一个最强的模型，再去找场景。Josh 正好反过来：先做出一台能進工厂干活的整机，在干活里把模型、硬件和开销一点点磨出来。这條路慢，也辛苦，好处是每一步都有真实的客户在给反馈。
厂商叫 Tutor，因为机器人学东西靠真人来教
Tutor 这个名字，来自一个很具体的判断。互联网上有海量的人写下的文字、发出的照片，没人刻意去收集，却自然变成了训练大模型的统计结果。可物理世界的动作没有这样的记录：你端起一个咖啡杯，指尖用了多大的力，手指放在哪里，没有人会记下来。
既然没有现成的数字，Josh 的办法就是自己造一个网络。把机器人放進真实的工作现场，需要的时候，远程的真人操作员接手，教机器人怎么做新的任务。这些远程操作员，公司就叫他们 tutors（导师）。机器人干活的同时，动作统计结果也记了下来，一个会自己转起来的循环就形成了：机器人干得越多，数字越多；数字越多，机器人越能干；越能干，能接的活也越多。
他还强调，这样来的数字一定值钱。因为每一條，都是用户花钱让机器人去做的任务，市场已经替你筛过一遍。相比之下，给很多人头上绑个摄像头，满世界去拍，拍出来的东西有没有用，谁也没法保证。
有意思的是，顾客常常分不清，眼前这一下，到底是真人在操作，还是模型自己在干。Josh 觉得这反而是好信号。用户想给的反馈，应该是“我们做的洗发水便宜了五美分”，而不是“这个机器人真漂亮”。
那远程操作员，会不会有一天用不上？Josh 没有给肯定的答案，他把它当成一道开销题来算。就像算用一块 H200 这样的 GPU 业务模型，每次要花多少钱一样，真人的智能化，也能算出要花多少。再看工程师要多花多少力气，才能把模型最后那一点准确率补上，哪个划算就用哪个。所以他说自己不是教條的人，模拟环境、互联网上的大规模数字，只要能把机器人学到的东西拓宽，都会用。
花费结构也有个让人意外的地方。过去大家看机器人，是一次性花一大笔钱买设备，十年回本。Tutor 现在的情况，是持续的开销更大，包括模型推理的费用、远程操控，还有维护。Josh 说这一点连很多业内人都没想到。想想也合理，机器人要比的，是一个人的工钱，每一项都得压到很低。
我觉得这里有个容易被忽略的转变：机器人正在从一件设备，变成一项按小时收费的业务。设备卖掉就结束了，服务却要一直做得好，客户才会继续付钱。这会逼着公司把可靠性、维护和模型改進，放在同样重要的位置上。
大模型变强，对机器人是帮忙，不是威胁
做机器人的人最怕的，是通用大模型哪天一下把自己的路堵死。Josh 倒不担心。他讲，这几年最大的变化是，做大模型的厂商，开始用三维空间的数据继续训练模型，比如 CAD（计算机辅助造型）和 3D 建模。成因很实际：这类数据有真实的行业，做出来马上就能卖钱。可这恰好就是机器人最需要的空间推理能力。
以前大家都知道，大模型里装着关于世界的很多常识，却表达不出来。从語言模型懂的东西，到控制机械臂的动作模型能用的东西，中间差着最后一段距离。现在这段距离在缩短，在 Josh 看来，机器人一下子被推到了几年之后的位置。
本文由News整理發布，僅供參考。
