摩根士丹利最新指出，人工智能驅動的機器人正在經歷從工廠車間向更廣闊應用場景的歷史性轉移，訓練重點從傳統的認知能力轉向物理操控能力，這一變化有望催生邊緣計算需求的爆發式增長。

12月15日，據硬AI消息，大摩在最新發布的《機器人年鑒（第二卷）》報告中指出，全球機器人行業正迎來兩大關鍵轉變：一是機器人應用場景從工廠向家庭、城市、太空等非結構化環境“逃逸”，二是訓練重點從傳統AI“大腦”（通用模型）轉向“身體”（物理動作控制）。

大摩指出，這一轉變將驅動邊緣算力需求爆發，實時推理芯片、模擬技術、機器人傳感器等領域或成核心投資主線。報告強調，物理世界的復雜性（如抓取物體的力度控制、動態環境導航）正倒逼技術路線從“純軟件優化”轉向“軟硬協同”，而分布式邊緣計算可能重塑全球算力基礎設施格局。

摩根士丹利預測，到2050年全球將售出14億臺機器人，這將推動邊緣AI算力需求達到數百萬個B200芯片當量，重塑全球計算基礎設施的分布格局。

機器人“逃離工廠”：從結構化牢籠到復雜現實世界

傳統工業機器人（Pre-AI Robotics）被局限于工廠的“結構化牢籠”：任務單一（如重復裝配）、環境可控（固定產線）、無需感知與學習能力。

大摩指出，AI賦能的新一代機器人正突破這一限制，開始進入家庭、農場、城市街道、深海甚至太空——例如自動駕駛汽車在擁擠路段導航、服務機器人在家庭中抓取物體、無人機在復雜地形巡檢。

報告以“抓取冰箱中的瓶子”為例說明物理世界的挑戰：

人類看似簡單的動作，實則涉及手指精確位置、身體平衡調整、握力控制（過緊壓碎、過松掉落）、環境濕度對摩擦力的影響等多重變量。

大摩指出，這意味著機器人必須具備實時感知、動態決策與精細動作控制能力，而非僅依賴預設程序。

訓練范式轉變：從“大腦”優化到“身體”控制

報告稱，早期機器人訓練聚焦“大腦”（AI模型），如通用視覺-語言模型（VLM）的優化。但大摩強調，當前瓶頸已轉向“身體”（物理動作執行），核心矛盾在于：人類本能的基礎技能（如行走、抓取）對AI而言極其復雜（Moravec悖論），而這些技能無法通過互聯網文本/圖像數據簡單習得。

據大摩研究，與大語言模型主要訓練文本和圖像數據不同，機器人模型需要大量真實世界的物理操作數據，這使得數據收集和模型訓練變得更加復雜且昂貴。

該行指出，特斯拉、英偉達、谷歌等科技巨頭正在通過遠程操作、模擬訓練和視頻學習三種主要方式收集訓練數據。

遠程操作（Teleoperation）：人類通過動作捕捉控制機器人，使其模仿行為。但該方法耗時、擴展性差，未來或逐步被替代。

模擬訓練（Simulation）：通過數字孿生在虛擬環境中無限復現復雜場景（如極端天氣、障礙物），結合強化學習優化動作。游戲引擎公司（如Unreal Engine、Unity）已深度參與，NVIDIA的Omniverse平臺正是基于其游戲GPU技術積累。
視頻學習（Videos）：從人類行為視頻中提取動作模式（如YouTube視頻），無需物理交互即可訓練模型。谷歌DeepMind的Genie 3、meta的V-JEPA 2等“世界模型”均采用類似思路，可預測物體運動軌跡與物理交互結果。

邊緣算力需求爆發：實時推理與分布式計算

隨著機器人“逃離工廠”后，云端中心化計算的延遲問題凸顯（如自動駕駛需毫秒級決策），邊緣算力成為剛需。大摩指出，邊緣算力將呈現兩大趨勢：

1. 專用邊緣芯片普及

英偉達的Jetson Thor是典型代表，作為邊緣實時推理設備，每套件價格約3500美元，已被波士頓動力、亞馬遜機器人等企業采用。其核心優勢在于低功耗下實現高算力，滿足機器人對實時性（如動態避障）的要求。

2. 分布式推理網絡

特斯拉提出“機器人即算力節點”的構想：若全球部署1億臺具備2500 TFLOPS算力的機器人，50%利用率下可提供125000 ExaFLOPS算力，相當于700萬顆NVIDIA B200 GPU（單顆18 PetaFLOPS）。這種分布式模式不僅降低對數據中心的依賴，還能通過機器人間協同提升整體效率。

據摩根士丹利預測，到2030年全球機器人邊緣計算需求將大幅增長，人形機器人、自動駕駛汽車、無人機等各類機器人形態都將貢獻顯著的算力需求。到2050年全球將售出14億臺機器人，將推動邊緣AI算力需求達到數百萬個B200芯片當量。