美国工厂里绝大多数活仍是人手在做：2025 年新装工业机器人工作站只有 3.8 万个，十家工厂九家一台没有。Tutor 把机器人按一小时 16 美元当服务卖，先让它去现场干活，数据和智能再慢慢长出来。

你有没有想过，你家里的洗发水、除臭剂、蜡笔，是怎么装进纸箱的？很多人脑子里的画面，是一条全自动的流水线，机器轰隆隆地转，里面几乎看不到人。可真走进美国的大型工厂和仓库，看到的是一排人站在传送带或折叠桌前，一件一件用手在装、在搬。就连 iPhone 的包装，到今天也还是人在做。

最近我看到 Tutor Intelligence（一家做工业机器人的公司）的联合创始人兼 CEO Josh Gruenstein，和 a16z 的两位合伙人 Martin Casado、Raghu Raghuram 聊了很久。公司成立五年半，大约 160 人，总部在波士顿。Josh 讲了他怎么让机器人真的走进这些工厂，我听完想了好几天，觉得值得写下来。

美国的工厂里，大部分活还是人在用手干

先说 Josh 眼里的市场。大多数人对工厂的印象，来自一档叫 How It’s Made（《制造的过程》）的电视节目，镜头里全是环环相扣的机器，几乎看不到人。那样的工厂确实有，但只占美国制造和物流业最顶尖的万分之一，所以才值得拍成节目。剩下的绝大部分，是占地上百万平方英尺的厂房，里面一群人站着干活。

这些活又累又难招人。Josh 给的数字是，三个月就有人离职，干这类活的工人平均 55 岁，很快要退休。再看机器人，2025 年美国新装的工业机器人工作站只有 3.8 万个，十家工厂和仓库里，有九家一台机器人都没有。传统的工业机器人（比如发那科、ABB 这一类）大多不在美国生产，而且是卖给系统集成商（帮工厂把机器装进产线的承包公司）的，专门干快速重复的动作，换一个活就得重新定制。

所以 Tutor 的客户，几乎都是第一次买机器人的人。Josh 管这样的市场叫 greenfield（白地，指从没被开发过的新市场）。到现在，Tutor 的机器人已经帮工厂做出并发走了超过两亿五千万件商品，客户从街角的小厂，一直到财富 50 强、100 强的大公司。大多数美国人买过的东西，往上追两三层，很可能就和这些机器人有关。

我认为这个起点很重要。机器人最缺的，从来不是一个好看的演示，而是一个真有人需要它干活的地方。那些没人想干、又招不到人的体力活，正好就在这里。

做机器人不能只做一层，要把整套东西一起做

这些活有了，机器人怎么做出来？Josh 先讲了一个假设。如果有一套无比强大的软件，能把地球上 80 亿人天生的动手能力，接到任何一台机器人身上，机器人的智能就算解决了。可然后呢？你还是得把机器人造出来，造一大批，还得有客户愿意买，有真实的活让它干。今天的机器人行业，在美国还是手工作坊的规模，就算在制造、物流这些最自动化的行业里，机器人也只能算零头。

所以他的看法是，机器人不是哪一层的问题。智能、硬件、客户，三样要一起做，才能做成一个长久的平台。他自己是做机器人研究出身的，当年的长处，就是什么都愿意碰，从制造到芯片都看。后来创业，他发现要碰的比这还多：供应链、客户、产品、商业模式，全在里面。他的判断是，只要在某一层说一句“这个我不管”，可以做取舍的空间，一下就丢掉了九成。

这也解释了一个现象：几乎所有机器人公司，都是从一层开始，最后都走向自己做全套。先说“我们有个模型”，接着开始买 3D 打印机，一步一步把别的环节接过来。Josh 认为这是行业还不成熟的表现，早期的计算机行业也一样。现在写软件的人不用关心芯片怎么设计，是因为计算早就有了成熟的分工。机器人要走到那一步，得有人先把整个平台做起来，而验证平台好不好用，最直接的办法，就是看有没有真实的业务在上面跑。

至于更远的将来，他觉得会先从定制的专用机器，走向通用机器，等市场足够大了，再重新分出各种专用的。就像计算机，先有 CPU，后来有了 GPU，再后来有了各种专用芯片。

我觉得这个看法有点反常识。很多人以为做机器人要先攒出一个最强的模型，再去找场景。Josh 正好反过来：先做出一台能进工厂干活的整机，在干活里把模型、硬件和成本一点点磨出来。这条路慢，也辛苦，好处是每一步都有真实的客户在给反馈。

公司叫 Tutor，因为机器人学东西靠真人来教

Tutor 这个名字，来自一个很具体的判断。互联网上有海量的人写下的文字、发出的图片，没人刻意去收集，却自然变成了训练大模型的数据。可物理世界的动作没有这样的记录：你端起一个咖啡杯，指尖用了多大的力，手指放在哪里，没有人会记下来。

既然没有现成的数据，Josh 的办法就是自己造一个网络。把机器人放进真实的工作现场，需要的时候，远程的真人操作员接手，教机器人怎么做新的任务。这些远程操作员，公司就叫他们 tutors（导师）。机器人干活的同时，动作数据也记了下来，一个会自己转起来的循环就形成了：机器人干得越多，数据越多；数据越多，机器人越能干；越能干，能接的活也越多。

他还强调，这样来的数据一定值钱。因为每一条，都是客户花钱让机器人去做的任务，市场已经替你筛过一遍。相比之下，给很多人头上绑个摄像头，满世界去拍，拍出来的东西有没有用，谁也没法保证。

有意思的是，客户常常分不清，眼前这一下，到底是真人在操作，还是模型自己在干。Josh 觉得这反而是好信号。客户想给的反馈，应该是“我们做的洗发水便宜了五美分”，而不是“这个机器人真漂亮”。

那远程操作员，会不会有一天用不上？Josh 没有给肯定的答案，他把它当成一道成本题来算。就像算用一块 H200 这样的 GPU 服务模型，每次要花多少钱一样，真人的智能，也能算出要花多少。再看工程师要多花多少力气，才能把模型最后那一点准确率补上，哪个划算就用哪个。所以他说自己不是教条的人，模拟环境、互联网上的大规模数据，只要能把机器人学到的东西拓宽，都会用。

成本结构也有个让人意外的地方。过去大家看机器人，是一次性花一大笔钱买设备，十年回本。Tutor 现在的情况，是持续的开销更大，包括模型推理的费用、远程操控，还有维护。Josh 说这一点连很多业内人都没想到。想想也合理，机器人要比的，是一个人的工钱，每一项都得压到很低。

我认为这里有个容易被忽略的转变：机器人正在从一件设备，变成一项按小时收费的服务。设备卖掉就结束了，服务却要一直做得好，客户才会继续付钱。这会逼着公司把可靠性、维护和模型改进，放在同样重要的位置上。

大模型变强，对机器人是帮忙，不是威胁

做机器人的人最怕的，是通用大模型哪天一下把自己的路堵死。Josh 倒不担心。他讲，这几年最大的变化是，做大模型的公司，开始用三维空间的数据继续训练模型，比如 CAD（计算机辅助设计）和 3D 建模。原因很实际：这类数据有真实的市场，做出来马上就能卖钱。可这恰好就是机器人最需要的空间推理能力。

以前大家都知道，大模型里装着关于世界的很多常识，却表达不出来。从语言模型懂的东西，到控制机械臂的动作模型能用的东西，中间差着最后一段距离。现在这段距离在缩短，在 Josh 看来，机器人一下子被推到了几年之后的位置。

他自己经历过好几次这样的技术换代。公司 2021 年成立的时候，用的还是卷积神经网络（convolutional neural network，一种早期常用的图像识别模型）。每换一次，唯一一直有价值的，都是数据流。各种模型上的小技巧，能让循环转得更快就做，不能就不做。真正长期值钱的，是这个循环本身。

我觉得这个立场很稳。模型会一代一代地换，今天最好的架构，两年后可能就过时了，可客户现场每天积累的真实干活记录，换哪个模型都用得上。把重心放在数据流上，比盯着某个具体的模型，更不容易被时代甩开。

为什么要自己造机器人，而且造了两种

说到硬件，Josh 的判断很直接：美国现有的机器人供应链，既太小，也不对路。传统工业机器人是为快速重复的动作设计的，和今天要跟大模型一起设计的机器人，要做的取舍完全不同。所以 Tutor 只能从头来，自己设计，自己制造。执行器、摄像头这些零件，还是向别的厂商采购，但机器人整机，是在马萨诸塞州的 Watertown 自己造的。

现在有两款。第一款叫 Cassie，是个干重活的好手，只有一条手臂，上面装了很多吸盘，用的是 2 亿到 4 亿参数规模的基础模型，先预测哪里能抓、怎么抓，再去执行。美国的货物，不管哪个行业，都要装在托盘或纸箱里运，搬托盘、搬纸箱占了大量人工，Cassie 就是为这件事设计的。

第二款叫 Sonny，是一台工业用的半人形机器人。Josh 打了个比方：如果你想把市面上现成的人形机器人，改成能在工厂里按人的速度稳定干三到十年，设计就会很不一样。Sonny 用轮子，不用腿，因为工厂室内大多是平整的地面；载重更高，动作更快，也符合能和人一起干活的工业协作安全标准。它能做更需要灵巧的双手操作，比如装配。

这两款合起来，Josh 估计能干掉制造和物流行业里 80% 到 90% 的活。剩下的，主要在室外：铺着碎石的工地，或者要从垃圾填埋场回收材料的地方，这些要有腿的机器人才行。至于家里，他觉得 Cassie 和 Sonny 太有工业的气质，放进家里不合适，而且机器人在家里能创造多少价值，消费者愿不愿意为此付钱，这笔账也还没算清。他的态度是不预设立场，哪里有活，就去哪里。

对大多数客户来说，这是他们买的第一台机器人

客户既然大多没买过机器人，怎么卖？Josh 的办法是，打电话时根本不提 AI、模型、远程操作员，只问一句：有没有考虑过，用一个一小时 16 美元的机器人？这个说法对他们是全新的。

因为不用先掏一大笔设备钱，客户几乎不承担经济风险，决定就快。从第一通电话到签合同，平均 40 到 60 天；签完合同到机器人进场干活，平均 40 天左右；机器人一到现场，几个小时到一天，就能开始正式干活。机器人出厂时就是通用的，不用为每个客户改造，直接从工厂发到客户那里。传统工业自动化动辄几年的事，他们压到了两三个月。

客户还可以在线上用一个计算器，输入自己仓库或工厂的运营数据，估一估部署之后每年能省多少钱。Josh 的算法很简单：一台机器人的价值，就是它能干多少活，除以它的成本，其他都是注脚。只要在这些人人都能参与的劳动力市场里，能用更低的成本，提供同样的能力，市场就是所有的体力活。

他们的客户，大多是小企业和中等规模的企业，这有两个原因。一是这本来就是市场的主体，美国制造和物流业里，绝大多数公司都不大。二是创业之前，Josh 看过太多机器人公司倒下：拿到一家大公司的意向书，花两年做一套定制系统，部署上去多半不灵，因为产品从来不是一次就能做成的；就算灵了，那家客户的问题可能也已经变了。这样的事他看了五到十次，心里想，如果发生在自己身上，那就太丢人了。跟各种各样的客户打交道，才会逼着你做出真正通用的机器人，而不是只为一个大客户打造的复杂装置。

客户用起来之后，反应也很直接。负责运营的人看到机器人真的在干活，就会说，那行，所有该放它的地方，咱们都放上。所以不少客户，从一个工厂的一台，很快扩到好几个工厂的十几台。

我认为这个卖法的关键，在于把风险从客户那里拿走了。工厂老板过去对机器人的印象，是大笔投入、定制几年、出了问题没人管。现在换成按小时付费，机器人干得好，才会继续用下去。对 Tutor 来说，客户越多、场景越杂，机器人和模型就磨得越通用。两边的利益，是一致的。

机器人有了名字，工人才愿意和它一起干活

机器人这个行业有个特别的地方：买机器人的人，和用机器人的人，往往不是同一个。买的是公司的 COO（首席运营官）或者厂长，天天跟机器人一起干活的，是一线工人。Josh 讲，对厂长来说，机器人干得好，就是一台普通设备；可要让一线工人接受它，得专门用心。再说，Tutor 也不是把整家工厂全自动化，只是替下其中的几个岗位。

办法之一是，每台机器人都有名字。客户复购的时候，可以自己给新机器人起名。有人用自己孩子的名字，有人用喜欢的橄榄球球员、流行歌手的名字。起了名字，就有了归属感。这背后其实有一整个学术方向，叫 HRI（Human-Robot Interaction，人机交互），Josh 的不少同行，都花过大量时间琢磨。公司自己早年给机器人起名，用的是飓风的命名法，后来字母表轮了太多遍，记不住，现在造机器人的技师，想叫什么就叫什么。

对一线工人来说，机器人替他们做的，是最伤腰背的那部分活，他们有机会升到更高的岗位；对厂长来说，招人的难题也轻了很多。我认为这说明，机器人真正走进工作现场，最后卡住的往往不是技术，而是人愿不愿意接受它。把“让一线的人觉得这是自己的帮手”，当成产品的一部分去做，比单纯讲效率有用得多。

一百台机器人在波士顿专门练手

除了客户现场，Tutor 还在波士顿搭了一个叫 Data Factory 1（数据工厂一号）的地方，里面有 100 台 Sonny，专门用来收集数据，推进研究。据 Josh 所知，这是美国最大的半人形机器人数据采集场。

它的用意，是做真实世界的强化学习（reinforcement learning，让机器人在真实环境里反复尝试，再根据结果调整）。Josh 从大语言模型的经验里看到，数据的来源可以很多样，但最顶端的那一层，永远是在真实世界里做目标任务留下的强化学习记录。强化学习在小规模下基本没用，必须有足够大的机器人队伍，这些方法才能试出来。这是学校和多数公司都没条件做的。

产品迭代的节奏，他们想尽量接近软件。机器人是自己造的，生产流程每两周就能调整一次；代码每天都在推到机器人上，每两周有一个大版本。产品团队、客户成功团队和落地实施团队坐在一起，当成一个整体运转，离客户越近越好；研究团队一边扎在客户的具体问题里，一边也能做些大胆的尝试。模型有了新能力，就能围绕它重新设计产品，很快送到现场。

我自己的一点思考

听完 Josh 的讲述，我最大的感受是，他一直在绕开“我们的模型有多强”这个最容易讲的故事，反复讲的是客户、成本、供应链和一线工人的心情。这些听起来像运营的事，在机器人这里恰恰是核心。机器人想真正普及，最后比的是每一小时的活，干得值不值那 16 美元。

他还讲了一个我很喜欢的例子。他前阵子听一个在房屋工厂干过的人说，工厂预制的房子，现在比在现场传统施工贵大约 5%，可只要便宜 1%，开发商的需求就会一下子全部转过去。很多市场都有这样的临界点，成本一过线，需求整个换方向。机器人如果能把成本压下去，改变的可能就不只是哪一家工厂，还有哪些东西值得被造出来，以及谁能开一家做实体东西的公司。Josh 的想法是，云计算让任何人都能开软件公司，灵活的机器人劳动力，也可能让任何人都能开一家实体的公司。

当然，这条路上还有很多没答案的事：远程操作员什么时候能少下来，成本到底能压到多低，机器人走出工厂，走到室外和家里，又要多久。但方向是清楚的：不用等机器人变得完美再去用，先让它去干活，在干活里变好。

机器人想变聪明，得先有人愿意花钱让它干活。