摩根士丹利机器人年鉴揭示：机器人迈向“身体智能”时代，边缘计算需求将激增
摩根士丹利最新发布的《机器人年鉴（第二卷）》指出，在人工智能的推动下，机器人行业正经历一场深刻变革。传统上主要用于工厂生产的机器人，正逐步进入家庭、城市、农业乃至太空等非结构化环境。与此同时，行业训练重点也从以通用AI模型为主的“大脑”优化，转向更注重物理操控能力的“身体”控制。
这一转型不仅意味着机器人应用场景的拓宽，也预示着边缘计算需求的大幅上升。报告强调，机器人在复杂现实环境中执行任务时，需要更高水平的实时感知与精准操作，这将促使分布式边缘算力成为关键技术基础设施。
从工厂“结构化牢笼”走向开放世界的挑战
传统工业机器人受限于结构化环境，通常用于固定产线上的重复性任务，其运行依赖预设程序，对环境感知和学习能力的要求较低。
而如今，AI赋能的新一代机器人已开始在更复杂的场景中运作，例如：自动驾驶汽车在城市交通中导航，服务机器人完成家庭物品抓取任务，以及无人机在复杂地形执行巡检。这些场景对机器人的实时感知、动态调整和精细操作提出了更高要求。
报告以“从冰箱中取出一瓶饮料”这一日常动作举例，指出看似简单的操作背后，涉及多维度的技术难题，包括手指位置的精确控制、身体平衡调整、抓取力度的判断，以及环境湿度对摩擦力的影响等。这些挑战表明，现代机器人必须具备更强大的实时决策与动作执行能力。
训练模式演进：从AI“大脑”到“身体”控制
早期的机器人训练主要聚焦在AI模型层面，如优化视觉-语言模型（VLM）。然而，随着技术发展，当前的瓶颈已转向物理执行层面，尤其是在行走、抓取等人类本能技能方面。
报告指出，这类基础动作对于AI来说极具挑战性，因为它们无法通过常规的文本或图像数据训练获得。机器人必须依赖大量现实世界的操作数据，才能掌握复杂环境下的精准控制。
为此，科技巨头如特斯拉、英伟达和谷歌正在探索三种主要的数据收集方式：远程操作、模拟训练以及视频学习。
- 远程操作（Teleoperation）：通过动作捕捉设备由人类远程控制机器人，虽然直观但扩展性有限。
- 模拟训练（Simulation）：利用数字孪生技术在虚拟环境中复现真实场景，结合强化学习优化动作控制。游戏引擎厂商如Unreal Engine和Unity已深度参与相关开发。
- 视频学习（Videos）：通过分析人类行为视频，提取动作模式用于模型训练。谷歌DeepMind的Genie 3和Meta的V-JEPA 2等模型，正尝试通过视频数据预测物理交互与物体运动。
边缘算力需求将迎爆发，分布式计算重塑未来
随着机器人逐步“逃离工厂”，进入需要实时响应的复杂场景，中心化云计算的延迟问题日益凸显。边缘计算因此成为关键支撑，报告指出未来边缘算力将呈现两大发展趋势：
- 专用边缘芯片的普及：英伟达Jetson Thor是当前典型代表，支持低功耗下的高算力操作，广泛应用于机器人实时决策与避障。
- 分布式推理网络的兴起：特斯拉提出“机器人即算力节点”设想，若部署1亿台具备2500 TFLOPS算力的机器人，在50%利用率下，可提供相当于700万颗NVIDIA B200芯片的算力总量，极大降低对传统数据中心的依赖。
根据摩根士丹利预测，到2030年全球边缘计算需求将显著增长。而到2050年，全球机器人出货量预计将达14亿台，推动边缘AI算力需求达到数百万个B200芯片当量，进一步重塑全球计算资源的布局。