大摩机器人年鉴（二）：从“大脑”到“身体”的训练转向与边缘算力机遇
摩根士丹利最新指出，人工智能驱动的机器人正在经历从工厂车间向更广阔应用场景的历史性转移，训练重点从传统的认知能力转向物理操控能力，这一变化有望催生边缘计算需求的爆发式增长。
12月15日，据硬AI消息，大摩在最新发布的《机器人年鉴（第二卷）》报告中指出，全球机器人行业正迎来两大关键转变：一是机器人应用场景从工厂向家庭、城市、太空等非结构化环境“逃逸”，二是训练重点从传统AI“大脑”（通用模型）转向“身体”（物理动作控制）。
大摩指出，这一转变将驱动边缘算力需求爆发，实时推理芯片、模拟技术、机器人传感器等领域或成核心投资主线。报告强调，物理世界的复杂性（如抓取物体的力度控制、动态环境导航）正倒逼技术路线从“纯软件优化”转向“软硬协同”，而分布式边缘计算可能重塑全球算力基础设施格局。
摩根士丹利预测，到2050年全球将售出14亿台机器人，这将推动边缘AI算力需求达到数百万个B200芯片当量，重塑全球计算基础设施的分布格局。
机器人“逃离工厂”：从结构化牢笼到复杂现实世界
传统工业机器人（Pre-AI Robotics）被局限于工厂的“结构化牢笼”：任务单一（如重复装配）、环境可控（固定产线）、无需感知与学习能力。
大摩指出，AI赋能的新一代机器人正突破这一限制，开始进入家庭、农场、城市街道、深海甚至太空——例如自动驾驶汽车在拥挤路段导航、服务机器人在家庭中抓取物体、无人机在复杂地形巡检。
报告以“抓取冰箱中的瓶子”为例说明物理世界的挑战：
人类看似简单的动作，实则涉及手指精确位置、身体平衡调整、握力控制（过紧压碎、过松掉落）、环境湿度对摩擦力的影响等多重变量。
大摩指出，这意味着机器人必须具备实时感知、动态决策与精细动作控制能力，而非仅依赖预设程序。
训练范式转变：从“大脑”优化到“身体”控制
报告称，早期机器人训练聚焦“大脑”（AI模型），如通用视觉-语言模型（VLM）的优化。但大摩强调，当前瓶颈已转向“身体”（物理动作执行），核心矛盾在于：人类本能的基础技能（如行走、抓取）对AI而言极其复杂（Moravec悖论），而这些技能无法通过互联网文本/图像数据简单习得。
据大摩研究，与大语言模型主要训练文本和图像数据不同，机器人模型需要大量真实世界的物理操作数据，这使得数据收集和模型训练变得更加复杂且昂贵。
该行指出，特斯拉、英伟达、谷歌等科技巨头正在通过远程操作、模拟训练和视频学习三种主要方式收集训练数据。
远程操作（Teleoperation）：人类通过动作捕捉控制机器人，使其模仿行为。但该方法耗时、扩展性差，未来或逐步被替代。边缘算力需求爆发：实时推理与分布式计算
模拟训练（Simulation）：通过数字孪生在虚拟环境中无限复现复杂场景（如极端天气、障碍物），结合强化学习优化动作。游戏引擎公司（如Unreal Engine、Unity）已深度参与，NVIDIA的Omniverse平台正是基于其游戏GPU技术积累。
视频学习（Videos）：从人类行为视频中提取动作模式（如YouTube视频），无需物理交互即可训练模型。谷歌DeepMind的Genie 3、Meta的V-JEPA 2等“世界模型”均采用类似思路，可预测物体运动轨迹与物理交互结果。
随着机器人“逃离工厂”后，云端中心化计算的延迟问题凸显（如自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势：
1. 专用边缘芯片普及
英伟达的Jetson Thor是典型代表，作为边缘实时推理设备，每套件价格约3500美元，已被波士顿动力、亚马逊机器人等企业采用。其核心优势在于低功耗下实现高算力，满足机器人对实时性（如动态避障）的要求。
2. 分布式推理网络
特斯拉提出“机器人即算力节点”的构想：若全球部署1亿台具备2500 TFLOPS算力的机器人，50%利用率下可提供125000 ExaFLOPS算力，相当于700万颗NVIDIA B200 GPU（单颗18 PetaFLOPS）。这种分布式模式不仅降低对数据中心的依赖，还能通过机器人间协同提升整体效率。
据摩根士丹利预测，到2030年全球机器人边缘计算需求将大幅增长，人形机器人、自动驾驶汽车、无人机等各类机器人形态都将贡献显著的算力需求。到2050年全球将售出14亿台机器人，将推动边缘AI算力需求达到数百万个B200芯片当量。
相关攻略
智通财经APP获悉，摩根士丹利发表报告，表示对OpenClaw相关产品能否现阶段在内地获得大规模采用存疑，指该框架目前仍是实验性质的自主智能体框架，而非可供消费者直接使用的成熟应用程序。以其目前的型
2026 年 2 月 25 日，摩根士丹利发布了一份标题颇为直白的研报：《Picks & Shovels Robot Plays: Bearings》（“铲子与镐”式机器人投资机会：轴承）。所谓“铲
摩根士丹利首次覆盖MiniMax，给出“增持”评级与930港元目标价，并将其定位为“全球AI基础模型领导者”。在这份报告里，大摩真正押注的并非短期盈利，而是两条主线：模型能力是否站在全球第一梯队，以
摩根士丹利最新指出，在AI技术快速演进的背景下，投资者需要区分 "受益于AI发展的基础设施提供者 "与 "可能被AI颠覆的服务提供者 "。2月14日，据追风交易台消息，摩根士丹利最新量化研究揭示，在AI主题
市场终于意识到，AI颠覆不再是遥远的威胁。2月14日，据追风交易台消息，摩根士丹利在最新研报中称，随着AI模型以非线性、加速度推进，市场对颠覆风险的定价也开始呈现多米诺骨牌效应仅仅一个月前，市场认为
热门专题
热门推荐
近日，国家能源局联合发改委、工信部、国家数据局正式印发《关于促进人工智能与能源双向赋能的行动方案》。这份重磅文件的核心思路非常清晰：一方面，以坚实的能源基础支撑人工智能（AI）的快速发展；另一方面，利用AI技术赋能能源行业转型升级。其核心目标是推动能源、算力、应用场景、数据与算法模型五大关键要素深度
在挑选文生视频工具时，若您正在智谱清影与Runway Gen-3之间权衡，那么了解两者在生成效果上的具体差异，将有助于您做出更明智的选择。本文将从画质清晰度、细节纹理、运动自然度与视频连贯性等核心维度，通过实测对比为您详细解析。 一、画质与分辨率表现 首先对比硬性指标。智谱清影基于CogVideoX
想用通义万相生成一张科技感十足的数据可视化背景，但出来的画面总觉得少了点“内味儿”？数字界面、粒子流、电路纹理这些关键元素一个不见，画面平平无奇？这通常不是工具的问题，而是提示词没有精准锚定科技可视化的核心要素，或者模型参数没调到最佳状态。别急，下面这几种方法，能帮你把想法精准地“翻译”成画面。 一
想要在Vidu生成的视频中实现流畅的慢动作或快进效果？虽然模型界面没有提供直接调整播放速度的滑块，但通过巧妙的提示词设计、利用内置功能，或结合后期处理工具，你完全可以精准掌控视频的节奏与时间感。本文将为你详细解析四种实用方法，从生成前到生成后，全方位满足你的创作需求。 一、通过精准提示词引导运动节奏
当您使用海螺AI生成的英文论文在提交查重时遭遇高重复率或AIGC检测异常，请不要急于归咎于工具本身。核心原因在于，尽管AI生成的文本格式标准、语法地道，但其语言模式和常见短语组合，并未针对知网、维普、万方等中文查重数据库的语义比对逻辑进行专门优化。换言之，机器认为流畅自然的表达，在查重系统的算法看来