特斯拉去年展示的那只香槟金色 Optimus,并不是下一代产品。马斯克本人已经澄清过:这是 2.5,一个过渡版本,原话是「我们还没有展示 Optimus V3,它会极为出色」。
这个区分比听起来重要。一个过渡版本告诉你,特斯拉认为哪些问题已经解决;而 Salesforce 创始人马克·贝尼奥夫在特斯拉办公室拍的那段视频告诉你,哪些问题还没有。视频里,金色 Optimus 站在一台开着 xAI Grok 的手机旁边,能出声回答问题,然后沿着走廊慢慢走,去找一瓶可乐。
值得看的不是「机器会说话」,而是说话在哪里结束、走路从哪里开始。
2.5 到底改了什么
把颜色去掉,改动都在外部。和 V2 相比,外壳边缘更顺滑,关节包覆更贴合,接缝不再像缝隙,更像有意设计的分型线。金属表面更均匀,肩部改成圆弧过渡,外露的线束和执行器比之前少。
特斯拉自己对 V2 的定位,是在受控环境里做重复任务——特斯拉餐厅里发爆米花的黑色 V2,工厂里搬运零件的那台。2.5 把轮廓从方正推向曲线,这是设计决定,背后有工程动机:一台要在人设计的房间里走动的机器,身上少一些会挂住东西的棱角是好事;一台要被房间里的人接受的机器,看起来不像实验室设备也是好事。
但这些都不是能力声明,只是身体在为能力做准备。

测试场地是一间办公室,不是工位
贝尼奥夫这段视频值得逐句看,因为场景不寻常。人形机器人的演示大多发生在布置好的工位里:一张桌子、一个箱子、地上贴好的胶带、一台摄像机。这一次发生在正在办公的办公室里,一个人走在机器人旁边,问它可乐在哪。
对话大致是这样。贝尼奥夫问它在干什么,Optimus 说自己闲着,问有什么可以帮忙。被问到去哪能找到可乐,它说自己没有实时信息——停顿了一下,然后提议带他去厨房确认一下。
那个停顿就是全部。语言层答得很顺,接下来机器人要把一句话变成一条路线,穿过一栋它没有建过图的楼。
走路本身很慢。马斯克在旁边插了两次话:先解释它需要确认更多房间,「现在它对空间有点偏执」;然后在机器人沿着走廊挪动时强调,它能走得更快。
延迟是从哪来的
一个一秒内回答问题的语音助手,和一个一秒内移动的机器人,不是同一个成就,差别也不在算力。
语言模型训练在已经描述过世界的文本上。机器人得先把它要走进去的世界建出来:门框在哪、走廊多宽、前面的地面干不干净、以及「厨房」在一栋没人给它布局图的楼里指什么。每一项都是带物理失效模式的感知与建图问题。模型不确定时,安全的行为是停下来问——这正好就是马斯克说的「偏执」。
这不是演示的 bug,这是具身系统现在的状态:语义层接近解决,空间层没有。看上去的犹豫,是机器人在拒绝瞎猜。
演示填不平的那道沟
特斯拉有一个对手短期抄不走的优势:自己的工厂、自己的工位、一支已经在大量交付复杂硬件的制造组织。但它同时有一个工厂解决不了的数据问题——机器人学会一个工位,就只是学会了一个工位。
竞争压力来自价格曲线的另一端。中国厂商已经把人形机器人卖到三四万元区间,大约一台小型车的价钱,进入教育、展陈和轻服务工作。这些机器单位能力更弱,但它们正在以台数进入现场,而特斯拉的机器还在走廊里被人陪着走。
与此同时,围绕这个项目的报道一直指向几类熟悉的问题:产能瓶颈、良率、手部灵活度,以及项目团队的人员流动。马斯克不止一次公布过宏大的量产目标,时间表每次都往后挪。对第一代硬件项目来说这不罕见;对一家把该项目写进长期叙事的公司来说,这不寻常。
V3 目前已知的部分
很少,而且是故意的。马斯克只说过 V3 存在、会很强。目前最具体的公开材料,是长期跟踪特斯拉的索耶·梅里特分享的一张照片,被认为是迄今最清晰的 V3 面部外观,据说搭载三星提供的全 OLED 显示屏。
面部屏幕是设计选择,不是能力。它说明特斯拉开始考虑交互界面——一台机器站在人面前时读起来像什么——而不只是操作器。手有没有变好、走路有没有变快、能不能被单独留在一个房间里一小时,才是真正重要的问题,而这些都不是一张脸能回答的。
三个值得盯的点
一、V3 的手能不能干活。 灵巧度是每个人形机器人项目的反复瓶颈,特斯拉也不例外。新的一代如果手更好、身体照旧,那一步比换个脸、手照旧要大得多。
二、走路这件事什么时候变得无聊。 最可靠的进度信号不是舞台上跑得更快,而是一台机器以正常步速穿过一栋真实的楼,旁边没有人替它的信心做旁白。当这不再算新闻,空间层才算通了。
三、量产能不能赶在价差消失之前。 展厅里三四万元的人形机器人,和工厂里两万美元以上的 Optimus,今天不在抢同一张采购单。两年之内它们会。到那时特斯拉要论证的必须是「每单位劳动的能力」,不是「每次演示的能力」。
金色 Optimus 是一只好看的过渡机型,贝尼奥夫那段视频则是对项目真实位置最诚实的一次记录:一台能和你聊可乐、但需要有人安慰它走廊没问题的机器。对话这部分快做完了,走廊这部分还没有。

