100 个零件、一副手套和一件采集服：Optimus 卡住的地方，没有一样是 AI

关于 Optimus 的量产，公开讨论里最常混在一起的是三件性质完全不同的事。**产能数字**是一个结果，**装配工艺**是制造工程问题，**数据来源**是组织与劳动关系问题。这次报道的价值在于，它同时给了这三件事各自的一个具体切面。

把这条分界线划清楚之后，一个反直觉的结论就出来了：这次曝出的瓶颈，**没有一样在模型侧**。唯一沾边的一条——"仍需针对特定任务编程、在受控环境执行"——恰恰是行业普遍状态，不构成特斯拉独有的困难。

报道里最硬的一个数字：**手部与前臂包含超过 100 个小型零部件，其中包括大量螺丝，目前仍需工人人工组装**。

这个数字为什么关键？因为它是**可以直接折算成工时**的。一条产线每分钟的节拍是固定的，如果一只手要人工拧几十颗螺丝、装上百个零件，那么"手"这个部件的装配工时就会成为整机的**瓶颈工位**——其他环节再快，产能也由这一站决定。

"部分新生产的机器人甚至需要在下线后立即进行人工修复"这一句尤其值得注意。它不是良率数字，但它说明**下线不等于合格**——产线末端还挂着一个返修工位。在周产几十台时这不是问题，在周产几百台、目标一千台时，返修工位的面积、人手和周期会线性吃掉产能增量。

第二个细节更有工程味道：**触觉传感器被曝出可靠性问题**，特斯拉开发了一层**类似手套的传感器组件**，使其能够在出现故障时单独更换，而无需更换整只机器人手部。

这个设计动作的信息量比"传感器不可靠"这件事本身大得多。它意味着特斯拉在没有解决触觉传感器**失效率**的前提下，先解决了它的**可更换性**——把传感层从手部结构里剥离出来，做成一个独立可换的耗材式部件。

第三个瓶颈是这条报道里最有长期价值的部分。特斯拉曾要求得州和加州工厂的部分员工**穿戴能够记录身体动作的特殊服装**，在工作过程中采集训练数据。做法引发了部分员工不满，有员工认为**自己正在帮助训练未来可能取代自身岗位的机器人**。随后特斯拉把数据采集工作**转交给专门团队**，并建立了相应的"训练中心"。

这条时间线很短，但结构很完整：产线工人采集 → 出现抵触 → 转为专职团队 + 专门场地。它把具身智能数据供应链里一个长期被回避的问题摆上了台面——**高质量动作数据的第一来源是人类的身体，而人的身体是有立场的**。

把这三条瓶颈和它们各自的解法放在一起看，会出现一个清晰的分类：**零件太多是设计问题，传感器不可靠是供应链问题，采集服是组织问题**。三条路径互不相通，也没有一条能靠加大算力绕过去。

从"8 月每周数百台"到"年底每周 1000 台以上"，粗略看是 2 到 3 倍的增量；而二季度到 8 月已经完成了约 10 倍。**下一程的倍数比上一程小，难度却可能更大**——因为上一程解决的是"从无到有"，下一程要解决的是"一次通过率"和"装配工时"。