印奇15年，物理AI的两种跑法：旷视的闭环 vs 特斯拉的捷径

我最近刷到一条数据：据IDC统计，2025年全球物理AI市场（机器人+自动驾驶+工业智能）规模突破800亿美元，但其中真正实现“感知-决策-执行”完整闭环的商用产品不到5%。这个数字让我想起一个老朋友——印奇。他带领旷视跑了15年，从人脸识别杀到机器人，从软件算法死磕到硬件本体，硬生生在物理AI赛道里长出了一条“闭环”逻辑。今天我想把旷视这条路和特斯拉的“捷径”做个对比，聊聊创业者的两种选择。

先看两组数据。第一组：特斯拉2025年Optimus机器人出货量预估8000台，单车成本约2万美元，核心卖点是复用自动驾驶FSD的端到端模型，同一套算法跑车也跑人形机器人。第二组：旷视自研的河图机器人操作系统，目前在全球部署超过5万台AMR（自主移动机器人），覆盖物流、制造、商业清洁三个场景，单台综合成本是特斯拉Optimus的1/3，但每部署一个新场景，平均需要6个月做定制化适配。你能看出差异吗？特斯拉走的是“算法大一统”路线，用海量数据训练一个通用模型，再降维打击到具体硬件；旷视走的是“场景纵深”路线，先从具体场景（比如仓库搬运）把硬件+软件+服务拧成闭环，再用闭环反哺算法迭代。

印奇15年干了一件最反硅谷常识的事：他拒绝做“纯软件公司”。2015年旷视刚拿到融资，投资人问他们人脸识别这么强，为什么不直接卖API？印奇说，不做应用层，算法就是空中楼阁。结果他跑去和富士康谈合作，把Face++部署到iPhone X的3D结构光模组里，一签就是4年独家协议。这步棋很险，但赌对了——他拿到了全球最顶级的真实数据闭环。后来做机器人，他又干了一件更“重”的事：自研激光雷达和运动控制芯片。为什么？因为市场上买来的传感器，反馈延迟高、精度不够，没法支撑他的“视觉-决策-执行”毫秒级闭环。这就像一个软件公司突然跑去造芯片，很多同行笑他傻，但今天看看，没有这层硬件掌控，旷视的AMR在京东物流仓库里根本跑不出99.7%的订单命中率。

对比之下，特斯拉的“捷径”是高维打低维。马斯克说，自动驾驶的神经网络直接拿来给机器人用，人形机器人不需要专用算法，因为智能的核心是“通用推理”。这个逻辑在实验室里成立，但放到真实物理世界，有个致命漏洞：物理环境的噪音和不确定性，远比车牌识别复杂一万倍。比如特斯拉的Optimus在工厂里搬箱子，遇到一个歪倒的纸箱，它可能用“端到端”模型瞎猜一个抓取点，结果抓空；而旷视的机器人会先调用3D视觉重建箱体姿态，再运行路径规划算法，最后用自研的力控关节执行。闭环越完整，误差率越低，但代价是开发周期长、场景拓展慢。

从创业角度，我反而更欣赏印奇的“笨办法”。因为物理AI的本质不是“AI”，而是“物理”。你不可能用一个云端大模型控制所有物理设备，就像你不能用一个通用大脑操作所有乐器。物理世界的约束条件是实时的、不可复制的，比如光照变化、地面摩擦系数、电池续航衰减。特斯拉的“捷径”在成本上更优，但它的容错率极低——一旦模型在某个边缘场景崩溃，整个机器人就得停机等待OTA更新。而旷视的“闭环”虽然慢，但每个场景的故障都被锁死在本地，通过硬件冗余和边缘计算兜底，这在工业场景里是生死线。

我自己的创业经历也验证了这一点。2018年我在硅谷做SaaS，当时想用通用AI模型“一键生成”所有客户的营销文案，结果被客户骂惨了，因为每个行业的专业术语和合规要求完全不一样。后来我换思路，先给金融客户做定制化闭环，再提炼通用模块，今天活下来的反而是这条“重”路径。所以给创业者的建议很简单：物理AI赛道，别信“杠杆”，信“闭环”。你的团队如果只有算法工程师，赶紧去挖硬件、供应链、现场交付的人。如果只有软件能力，找一家做硬件的老牌公司合资，把“感知-决策-执行”的链条拉通，哪怕只做一个场景，只要闭环跑通，估值就比那些“通用平台”高十倍。

最后说个细节。印奇在2025年内部信里写过一句话，大致意思是：我们花了15年，才把“从数据到智慧”的闭环在物理世界里跑通，但这才刚刚开始。我深以为然。物理AI的终局不是算法竞赛，而是系统工程的马拉松。如果你现在拿着一份商业计划书去找投资人，说要做“通用物理AI平台”，大概率会被拒绝。但如果你说“我在冷链物流场景里，用自研的AMR系统把分拣效率提升了80%，且已签下3个5000万订单”，那你的融资会顺利得多。闭环重，但抗周期；捷径轻，但怕风吹。 创业是一场耐力赛，印奇用15年证明了一件事：物理世界没有捷径，但闭环可以抵达远方。

原文链接：https://www.leiphone.com/category/transportation/MxkCgtnh6lAbGiKs.html