特斯拉AI负责人阿肖克·埃卢斯瓦米（Ashok Elluswamy）对部分Optimus展示给出了罕见的直白说明：这些机器人动作“基本上是远程控制的”。按他的说法，机器人会在“相当盲目地”执行指令动作的同时维持平衡；他还认为，实体机器人的AI安全难度，会让当前围绕大语言模型的安全问题“看起来像小儿科”。16

这并不表示Optimus毫无机载智能。但一段动作流畅的视频，不能自动等同于机器人已经自主理解任务、制定计划、应对意外，并在没有人类指挥的情况下安全完成工作。

人类指挥动作时，机器人还保留什么自主能力？

埃卢斯瓦米的表述把维持平衡归于机器人本身，而把更大范围的动作描述为远程控制。16 这意味着一种分工：人类提供或塑造动作指令，机器则至少承担执行过程中所需的实时稳定控制。

这依然是实打实的机器人能力。让双足人形机器人在运动时不摔倒，本身就很难。但这与“通用自主”是两回事。现有披露并不能证明，Optimus能够在陌生环境中稳定感知、选择恰当的任务方案、处理意外接触，或在每次出错后都无需人工介入地安全恢复。

因此，判断一场机器人演示时，更应追问：究竟哪一层是自主的？ 机器人可能自主完成平衡和低层运动控制，但远程操作员仍可能负责互动或任务层面的行为。

早期公开亮相与这一模式如何吻合

这一说法与2024年10月特斯拉“We, Robot”活动后的报道相符。TechCrunch援引彭博社、The Verge等媒体的报道指出，多台Optimus在不少互动环节中由人类远程操作；知情人士则称，这些原型机能够借助AI在没有外部控制的情况下行走。28

这一区别很关键：在人群互动中获得人类协助，不意味着整场展示都是伪造；但它也意味着，这不是一场能清晰证明“完全自主的人形接待员”的演示。

2025年12月，迈阿密一次演示中，一台正在分发瓶装水的Optimus跌倒，也引发类似质疑。评论者注意到它跌倒前的手部动作，看起来像远程操作员摘下VR头显。这个观察只能说明存在疑点，不能仅凭视频就确定具体控制方案；但它再次说明，特斯拉应当在公开演示中清楚区分遥操作、脚本化表演与自主行为。20

为什么实体机器人安全比大语言模型安全更棘手

埃卢斯瓦米的比较，建立在文本系统与具身系统的根本差异上。大语言模型失误，可能输出错误或有害内容；人形机器人失误，则可能立刻在人员、物体和不稳定环境旁产生真实的物理运动。16

对一台会走路、会抓取的机器而言，安全不只是“该说什么”或“该追求哪个目标”，还包括它能否：

• 在落脚点或接触状况改变时保持站立；
• 挥动手臂或移动身体时避开近处的人；
• 面对重量、形状和易碎程度不确定的物品时控制握力；
• 判断何时该减速、停下，或把控制权交还给人。

这并不证明实体机器人AI做不到，反而解释了为何“动作很漂亮”只是有限的安全信号。可靠性必须经受罕见、混乱且持续变化的真实条件考验，而非只在受控流程中表现良好。

“维度灾难”与低延迟控制：特斯拉仍须跨越的门槛

特斯拉描述其自动驾驶方法为端到端神经网络：系统接收摄像头像素、车辆运动学数据、音频、地图和导航输入，再直接生成驾驶控制指令。埃卢斯瓦米曾把高分辨率、高帧率、长上下文的现实世界输入规模称为“维度灾难”（curse of dimensionality）。14

汽车的动作空间相对受限，主要是转向、加速和制动；而人形机器人要协调更多自由度、身体接触和抓取决策。它必须同步处理双腿、躯干、手臂和双手，同时考虑平衡、物体以及近距离的人。

一场由埃隆·马斯克账号转发的GTC讨论也提到：与自动驾驶车辆相比，人形机器人拥有更多传感模态和更高的自由度，而其最底层控制信号仍须实时生成。13

这才是控制问题的核心。识别场景或选定宏观目标还不够；从感知到动作的完整闭环，必须足够快且足够安全，才能避免跌倒、避开接触，或及时调整抓握。特斯拉披露的FSD以36 Hz作出决策，是相关经验，但不能单独证明它已具备人形机器人所需的全身控制与操作能力。12

用FSD路径类比Optimus：先积累数据，再提高自主性

特斯拉更大的策略，是把端到端神经网络思路同时用于自动驾驶和机器人。有关埃卢斯瓦米工作的报道提到，一个统一的“世界模拟器”将FSD与Optimus训练路径联系起来。2

这使数据采集成为Optimus项目的核心。弗里蒙特的Gen 3试产，据称重点是收集真实世界数据；特斯拉在得州超级工厂建设的更大专用设施，则以2027年实现高产量生产为目标，长期目标为年产最多1,000万台。这些都是目标，并不等同于已确认的产能，更不是机器人已具备面向公众部署的自主能力。33

与FSD的类比很清楚：从人类参与和监督开始，收集运行数据、训练模型，再逐步扩展系统能处理的范围。不过，在人群周围行走和操作物体的机器人，面对的是比车辆转向、油门和制动更广泛、接触更密集的长尾场景。

已展示的能力，与尚未被证明的能力

特斯拉已经展示Optimus可完成协调动作，也表明公司正投入软件、数据和制造能力以持续改进。但特斯拉尚未公开按每场演示逐项说明，哪些动作由自主系统完成、哪些动作由远程操作完成。18

埃卢斯瓦米的说法提供了目前最明确的解读：部分令人印象深刻的动作由人类指挥，机器人则凭借机载平衡能力协助执行。16 特斯拉端到端方案真正尚待验证的问题是，它能否从这种混合模式，走向能够在非结构化人类环境中独自安全行走、抓取并从突发状况中恢复的机器人。

在这件事被透明、反复地证明之前，量产目标和吸睛视频应被视为一条研发路径的证据，而不是通用人形机器人自主能力已经到来的证明。

特斯拉AI负责人阿肖克·埃卢斯瓦米（Ashok Elluswamy）对部分Optimus展示给出了罕见的直白说明：这些机器人动作“基本上是远程控制的”。按他的说法，机器人会在“相当盲目地”执行指令动作的同时维持平衡；他还认为，实体机器人的AI安全难度，会让当前围绕大语言模型的安全问题“看起来像小儿科”。16

这并不表示Optimus毫无机载智能。但一段动作流畅的视频，不能自动等同于机器人已经自主理解任务、制定计划、应对意外，并在没有人类指挥的情况下安全完成工作。

人类指挥动作时，机器人还保留什么自主能力？

埃卢斯瓦米的表述把维持平衡归于机器人本身，而把更大范围的动作描述为远程控制。16 这意味着一种分工：人类提供或塑造动作指令，机器则至少承担执行过程中所需的实时稳定控制。

这依然是实打实的机器人能力。让双足人形机器人在运动时不摔倒，本身就很难。但这与“通用自主”是两回事。现有披露并不能证明，Optimus能够在陌生环境中稳定感知、选择恰当的任务方案、处理意外接触，或在每次出错后都无需人工介入地安全恢复。

因此，判断一场机器人演示时，更应追问：究竟哪一层是自主的？ 机器人可能自主完成平衡和低层运动控制，但远程操作员仍可能负责互动或任务层面的行为。

早期公开亮相与这一模式如何吻合

这一说法与2024年10月特斯拉“We, Robot”活动后的报道相符。TechCrunch援引彭博社、The Verge等媒体的报道指出，多台Optimus在不少互动环节中由人类远程操作；知情人士则称，这些原型机能够借助AI在没有外部控制的情况下行走。28

这一区别很关键：在人群互动中获得人类协助，不意味着整场展示都是伪造；但它也意味着，这不是一场能清晰证明“完全自主的人形接待员”的演示。

2025年12月，迈阿密一次演示中，一台正在分发瓶装水的Optimus跌倒，也引发类似质疑。评论者注意到它跌倒前的手部动作，看起来像远程操作员摘下VR头显。这个观察只能说明存在疑点，不能仅凭视频就确定具体控制方案；但它再次说明，特斯拉应当在公开演示中清楚区分遥操作、脚本化表演与自主行为。20

为什么实体机器人安全比大语言模型安全更棘手

埃卢斯瓦米的比较，建立在文本系统与具身系统的根本差异上。大语言模型失误，可能输出错误或有害内容；人形机器人失误，则可能立刻在人员、物体和不稳定环境旁产生真实的物理运动。16

对一台会走路、会抓取的机器而言，安全不只是“该说什么”或“该追求哪个目标”，还包括它能否：

• 在落脚点或接触状况改变时保持站立；
• 挥动手臂或移动身体时避开近处的人；
• 面对重量、形状和易碎程度不确定的物品时控制握力；
• 判断何时该减速、停下，或把控制权交还给人。

这并不证明实体机器人AI做不到，反而解释了为何“动作很漂亮”只是有限的安全信号。可靠性必须经受罕见、混乱且持续变化的真实条件考验，而非只在受控流程中表现良好。

“维度灾难”与低延迟控制：特斯拉仍须跨越的门槛

特斯拉描述其自动驾驶方法为端到端神经网络：系统接收摄像头像素、车辆运动学数据、音频、地图和导航输入，再直接生成驾驶控制指令。埃卢斯瓦米曾把高分辨率、高帧率、长上下文的现实世界输入规模称为“维度灾难”（curse of dimensionality）。14

汽车的动作空间相对受限，主要是转向、加速和制动；而人形机器人要协调更多自由度、身体接触和抓取决策。它必须同步处理双腿、躯干、手臂和双手，同时考虑平衡、物体以及近距离的人。

一场由埃隆·马斯克账号转发的GTC讨论也提到：与自动驾驶车辆相比，人形机器人拥有更多传感模态和更高的自由度，而其最底层控制信号仍须实时生成。13

这才是控制问题的核心。识别场景或选定宏观目标还不够；从感知到动作的完整闭环，必须足够快且足够安全，才能避免跌倒、避开接触，或及时调整抓握。特斯拉披露的FSD以36 Hz作出决策，是相关经验，但不能单独证明它已具备人形机器人所需的全身控制与操作能力。12

用FSD路径类比Optimus：先积累数据，再提高自主性

特斯拉更大的策略，是把端到端神经网络思路同时用于自动驾驶和机器人。有关埃卢斯瓦米工作的报道提到，一个统一的“世界模拟器”将FSD与Optimus训练路径联系起来。2

这使数据采集成为Optimus项目的核心。弗里蒙特的Gen 3试产，据称重点是收集真实世界数据；特斯拉在得州超级工厂建设的更大专用设施，则以2027年实现高产量生产为目标，长期目标为年产最多1,000万台。这些都是目标，并不等同于已确认的产能，更不是机器人已具备面向公众部署的自主能力。33

与FSD的类比很清楚：从人类参与和监督开始，收集运行数据、训练模型，再逐步扩展系统能处理的范围。不过，在人群周围行走和操作物体的机器人，面对的是比车辆转向、油门和制动更广泛、接触更密集的长尾场景。

已展示的能力，与尚未被证明的能力

特斯拉已经展示Optimus可完成协调动作，也表明公司正投入软件、数据和制造能力以持续改进。但特斯拉尚未公开按每场演示逐项说明，哪些动作由自主系统完成、哪些动作由远程操作完成。18

埃卢斯瓦米的说法提供了目前最明确的解读：部分令人印象深刻的动作由人类指挥，机器人则凭借机载平衡能力协助执行。16 特斯拉端到端方案真正尚待验证的问题是，它能否从这种混合模式，走向能够在非结构化人类环境中独自安全行走、抓取并从突发状况中恢复的机器人。

在这件事被透明、反复地证明之前，量产目标和吸睛视频应被视为一条研发路径的证据，而不是通用人形机器人自主能力已经到来的证明。