特斯拉训练自动驾驶，靠的是路上跑着的几百万辆车。 但训练一个人形机器人，它去哪里弄数据？

特斯拉训练自动驾驶，靠的是路上跑着的几百万辆车。 但训练一个人形机器人，它去哪里弄数据？ 总不能把一个站都站不稳的机器人卖到普通人家里，让它天天在客厅摔盘子吧？

2026 年 10 月 21 日的特斯拉财报电话会上，有分析师专门问了这个问题： 能不能靠众包来给 Optimus 收集训练数据？比如找一大批人戴着设备隔空遥操作。 马斯克说，众包根本解决不了问题。 现在的瓶颈是算法架构得理顺，而要拿到足够的训练数据，特斯拉得先自己造出一批机器人。 造多少？ 一万到两万台。 把它们集中放进一个叫 Optimus 学院的地方，让它们在里面自己跟自己玩，不断试错。

造一两万台机器人，就为了让它们在屋子里瞎折腾？ 听起来像在开玩笑。 但这正掐中了整个人形机器人行业最头疼的一个死结。

做自动驾驶的时候，特斯拉手里有一张别人没有的底牌。 全球路上跑着几百万辆特斯拉。 车主每天自己开车上班，人类就是那个免费的顶级测试员。 只要系统判断不准，车主伸手踩刹车接管，这个关键片段就会自动传回服务器。 车主自己掏电费、自己买车，特斯拉每天躺着就能拿到上亿公里的真实行驶数据。

人形机器人完全没有这个条件。 一台走路还打晃、手指抓不准杯子的机器人，没有哪个家庭愿意买回家当祖宗供着。 没有普通人买回家，你就拿不到日常生活里的海量互动数据。 而没有这些物理数据喂给大模型，这台机器人就永远只会机械迈步。 这就是具身智能的冷启动死循环。

那其他做机器人的团队怎么解决这个问题？ 最常见的路子有两个。 第一个路子，是找人戴着虚拟现实头显，在实验室里做遥操作。 人做一个动作，机器人跟着学一个动作。 抓苹果、叠毛巾、拧瓶盖。 这个方法确实有效，但太慢了。 一个人一天撑死演示几百次。 大模型需要的是数以亿计的物理世界样本，靠人工这么一口一口喂，人力成本能把一家公司活活拖垮。

第二个路子，是在电脑里做虚拟物理仿真。 把机器人的三维模型丢进英伟达或者自研的仿真软件里，开一万倍速让它自己跑。 这叫从虚拟到真实的迁移。 在显卡里跑得顺风顺水，一放到现实世界就容易抓瞎。 因为虚拟世界里的重力是一个干净的公式，摩擦力是一个固定的常数。 现实世界可没有这么干净。 一块抹布被水泡湿了阻力有多大？ 玻璃杯边缘带一点油渍会不会打滑？ 阳光突然照在反光的不锈钢水槽上，摄像头会不会过曝？ 这些充满随机噪声的物理细节，虚拟世界根本模拟不全。

特斯拉选的，是一条用制造能力硬砸的自举路线。 既然外界不能给数据，虚拟世界又不够真实，那就用工厂造出一个属于机器人自己的测试车队。 造出一万到两万台 Optimus。 把它们放进特斯拉自己的工厂和 Optimus 学院里，天天做实体探索。 马斯克打了个比方：就像两岁的小孩学生活。 小孩可不是靠父母给每根神经输入参数学会生活的。 刚学会站立的时候，两条腿直打晃。 到处爬，撞到桌角，把积木扔在地上听动静，摔无数个跟头。 有孩子的人都知道，小孩哪天学会自己擦屁股了，那可是天大的进步。 接着学会拿勺子吃饭，再学会认字和阅读。 人类认知真实世界，全是在现实物理环境里通过玩耍和试错摸索出来的。

当两万台机器人在真实的物理世界里开始这样试错，量变就来了。 两万台机器人每天运转十几个小时。 每一天，特斯拉内部就能产生几十万小时的高密度物理交互数据。 哪一台机器人因为抓握力度差了零点几牛顿把杯子捏碎了，这个失败样本就会被立刻上传。 哪一台机器人调整了脚踝角度更稳地迈过了电缆，这个成功路径也会被记录下来。 每天晚上，数据回流到中央超级计算机重新训练网络。 第二天早上，两万台机器人的神经网络统一更新。 前一天一台机器摔过的跟头，第二天所有机器人都自动学会了避开。 这就是实体数据的飞轮效应。

很多人总觉得，人工智能的竞争全在算法模型。 但在具身智能领域，没有物理接触，就没有高质量的训练样本。 造不出低成本、高可靠的硬件本体，你连入场收集数据的资格都没有。 特斯拉能玩这种一两万台机器人的自弈训练，依赖的是它在造车过程中磨出来的电机、关节、减速器和规模化制造链条。 只有把单台制造成本压下来，这种规模的实体试错才烧得起。

等这两万台机器人在学院和车间里把该摔的跟头全部摔过一遍，把抓取、搬运、避障的物理反馈全部炼成算法的直觉反应。 等它们走出这所学院的时候，才算真正做好了进入人类社会的准备。