大摩沉磅机械人年鉴（二）：机械人“逃离工场

　　据摩根士丹利预测，到2030年全球机械人边缘计较需求将大幅增加，人形机械人、从动驾驶汽车、无人机等各类机械人形态都将贡献显著的算力需求。到2050年全球将售出14亿台机械人，将鞭策边缘AI算力需求达到数百万个B200芯片当量。

　　大摩指出，这一改变将驱动边缘算力需求迸发，及时推理芯片、模仿手艺、机械人传感器等范畴或成焦点投资从线。演讲强调，物理世界的复杂性(如抓取物体的力度节制、动态)正倒逼手艺线从“纯软件优化”转向“软硬协同”，而分布式边缘计较可能沉塑全球算力根本设备款式。

　　演讲称，晚期机械人锻炼聚焦“大脑”(AI模子)，如通用视觉-言语模子(VLM)的优化。但大摩强调，当前瓶颈已转向“身体”(物理动做施行)，焦点矛盾正在于：人类天性的根本技术(如行走、抓取)对AI而言极其复杂(Moravec悖论)，而这些技术无法通过互联网文本/图像数据简单习得。

　　大摩指出，AI赋能的新一代机械人正冲破这一，起头进入家庭、农场、城市街道、深海以至太空——例如从动驾驶汽车正在拥堵段、办事机械人正在家庭中抓取物体、无人机正在复杂地形巡检。

　　人类看似简单的动做，实则涉及手指切确、身体均衡调整、握力节制(过紧压碎、过松掉落)、湿度对摩擦力的影响等多沉变量。

　　摩根士丹利预测，到2050年全球将售出14亿台机械人，这将鞭策边缘AI算力需求达到数百万个B200芯片当量，沉塑全球计较根本设备的分布款式。

　　视频进修(Videos)：从人类行为视频中提取动做模式(如YouTube视频)，无需物理交互即可锻炼模子。谷歌DeepMind的Genie3、Meta的V-JEPA2等“世界模子”均采用雷同思，可预测物体活动轨迹取物理交互成果。

　　跟着机械人“逃离工场”后，云端核心化计较的延迟问题凸显(如从动驾驶需毫秒级决策)，边缘算力成为刚需。大摩指出，边缘算力将呈现两大趋向。

　　保守工业机械人(Pre-AI Robotics)被局限于工场的“布局化”：使命单一(如反复拆卸)、可控(固定产线)、无需取进修能力。

　　该行指出，特斯拉、英伟达、谷歌等科技巨头正正在通过近程操做、模仿锻炼和视频进修三种次要体例收集锻炼数据。

　　英伟达的Jetson Thor是典型代表，做为边缘及时推理设备，已被动力、亚马逊机械人等企业采用。其焦点劣势正在于低功耗下实现高算力，满脚机械人对及时性(如动态避障)的要求。

　　模仿锻炼(Simulation)：通过数字孪生正在虚拟中无限复现复杂场景(如极端气候、妨碍物)，连系强化进修优化动做。逛戏引擎公司(如Unreal Engine、Unity)已深度参取，NVIDIA的Omniverse平台恰是基于其逛戏GPU手艺堆集。

　　据大摩研究，取狂言语模子次要锻炼文本和图像数据分歧，机械人模子需要大量实正在世界的物理操做数据，这使得数据收集和模子锻炼变得愈加复杂且高贵。

　　12月15日，据硬AI动静，大摩正在最新发布的《机械人年鉴(第二卷)》演讲中指出，全球机械人行业正送来两大环节改变：一是机械人使用场景从工场向家庭、城市、太空等非布局化“逃逸”！

　　近程操做(Teleoperation)：人类通过动做捕获节制机械人，使其仿照行为。扩展性差，将来或逐渐被替代。

　　摩根士丹利最新指出，锻炼沉点从保守的认知能力转向物理操控能力。