彭博社报道：微软、OpenAI、英伟达、亚马逊、英特尔、三星、LG等科技巨头投资了人形机器人初创企业Figure AI，本轮融资约6.75亿美元，投后估值超过26亿美元。为什么Figure AI的估值高达26亿美元？机器人是AI落地的重要场景，Figure AI的优势不仅在硬件技术上，更体现在AI能力上。
　　Figure AI的人形机器人Figure 01采用端到端的AI系统，特斯拉Optimus基于FSD控制系统和Dojo算力也可以实现端到端。24年1月，Figure AI发布了Figure 01通过10小时学习学会煮咖啡的视频，如果咖啡胶囊没放正，他还可以自主调整，无需人为遥控，这意味着只要获得某个应用的人类数据（如煮咖啡、叠衣服、仓库工作等），就可以在Figure 01的基础上对AI系统进行端到端的训练。2023年9月25日特斯拉展示了Optimus自动分类不同颜色的积木的视频，它同样具备自主纠正能力，积木倒了，可以自主拿起来再摆正。Optimus这套基于神经网络的AI系统来自于AI自动驾驶系统FSDBeta V12，可以实现输入图像，输出转向、刹车、加速等车辆控制信号的能力。
　　端到端架构的优势：可以克服传统方式依赖先验环境建模的问题，直接实现通过从感知到控制功能的映射。传统的AI/机器人的决策逻辑是输入（视频/图片/文本）→判断→输出（决策），每个子系统之间常常会有部分Rule-based的后处理流程。端到端是输入（视频/图片/文本）→模型（神经网络）→输出（决策）：通过筛选输入，把“大师级”的能力赋予模型（神经网络），模型在某些场景下就具备了“大师级”。端到端的优势是全流程可微，系统变得相当简洁，效率大幅提升，减少了很多后处理模块例如传感器后融合的的维护成本，还能避免编写大量规则引入的人为偏见。理想情况下，可以去采集类似的数据加入训练集来解决泛化问题。
　　端到端架构存在的关键问题：1)端到端深度神经网络模型是个黑盒子，出了差错，也不知道它为什么出差错，哪里出了问题，该如何避免。只能通过不断训练、调参、增加参数量，尽可能提高模型的准确率；2)闭环训练不充分：AI没有完成控制，那就没有完成闭环，在NLP+CV+世界模型突破的情况下，如果AI找到了很好的控制训练方法，机器人领域才能突破奇点。传统的感知模型训练时，需要的是经过标注的图片和视频，比较容易获得。端到端的神经网络模型需要学习的是智能体的行为，需要大量标注有智能体行为的数据才能进行训练，素材采集和标注都很困难。特斯拉23Q2财报电话会议上，马斯克介绍了端到端FSD的训练规模：“特斯拉花了约一个季度完成了1000万个视频片段的训练，勉强可以工作；200万个，稍好一些；1000万个，它的表现就变得难以置信。”
　　端到端的实现需要海量数据和强大的算力做支撑，Sora覆盖了传感器仿真和交通流仿真两个任务，能够大幅提升数据生产效率。1）海量数据（可以是图形/文字/视频/语音）需要涵盖在应用场景中可能会发生的所有情形（例如咖啡胶囊放歪了，积木倒了），这样才能让机器人在遇到相似的情况下不需要依靠程序规则，直接模仿已有的相似的视频做出决策。Sora的视频编辑和操纵功能，可以作为自动驾驶系统中的场景重构和仿真工具，也能为机器人生成多样化的训练场景，减轻现实世界数据稀缺所带来的限制，使机器人能够与环境互动，理解任务并以前所未有的复杂性和精确度执行任务。2）强大的算力是支撑运行海量数据的基础设施。TESLA在其官网平台TESLAAI上预计：2024年10月特斯拉的算力将达到100ExaFlods，相当于30万块英伟达A100显卡的算力总和。
　　风险提示：1）新技术出现；2）投资过度。