2026 年 10 月 21 日，特斯拉发三季报，宣布 Optimus 人形机器人已经在弗里蒙特工厂「早期生产」。马斯克在电话会上给这条线定了调：爬坡会「有点颠簸」，目标是 2027 年底做到每周 2 万台。同一份财报里，净利润 7.87 亿美元，同比掉了 43%。
同一座工厂，八年前的 2018 年 4 月，他发过另一条推：「特斯拉的过度自动化是个错误。人类被低估了。」那时 Model 3 卡在产能地狱，一周只能造 2020 辆。
从「人类被低估了」到把造车的厂房腾出来造机器人，中间这八年，特斯拉到底学会了什么？我们过去一年半在美国研学课程里听了特斯拉资深工程师 David（化名）三场课，又把波音讲席教授 Suresh Kotha、前 Apple University 的 Doug Guthrie、英伟达资深工程师 Ederson（化名）的内容摆在一起，拼出来的答案比「自动化好不好」要具体得多。
第一周，先去产线当普工
David 在特斯拉做了 12 年，2014 年入职。他讲的第一件事不是技术，是手指。
「我第一个星期，我开工两个小时。他们叫我们试一下做普工，然后我两个小时，我觉得我手指开始酸了。」工程师进厂先被扔上产线，这是特斯拉工程文化的起点。他的总结是：「有些东西你不下去造你的产品的话，你不会发现什么漏洞。」
这句话决定了他后来怎么判断一个设计能不能上线。他是对产线设计有拍板权的人，判据只有一条：这个工人到底能不能把它造出来。
「这个东西机械上可行，可是实际上不行，因为这个都是看经验的。你不能说你要一个人搬一个 100、150 斤的东西，每天搬 1000 次，我写上去，很简单。可是当我尝到了一个小时没有问题，两个小时没有问题，当我持续了一个礼拜之后，我就开始怀疑人生了。」
纸面可行和人能连做八小时，是两条线。人和机器的分界，画在第二条线上，不画在第一条。
弗里蒙特那段历史正好是反例。据我们特斯拉参访时厂方讲解人员的说法，Model 3 总装当年按马斯克的意思要「全部自动化」，反复失败之后工程师重新设计，把自动化比例降到了九成左右。车身车间一千多台机械臂还在，总装线上重新站回了人。
顾客是你下一道工序的人
David 讲第一性原理，没讲物理学，讲的是流水线上的一句话。
「你的客人是你下面会做这个程序的人。比如说你做设计的，你下面的客人是生产的人。如果你是做生产的，你下面就是那些普工。这是一环扣一环的。」后面他又钉了一句：「顾客永远不是买这个产品的人。顾客是你下面的人会接手的东西。」
按这个定义，自动化该不该上，问的不是机器能做多少，是下一道工序的人接不接得住。
他讲过一个 Model S 的故事。脚踏盖板换了新物料之后按不牢，用五个为什么追到根上，是孔太小。离新物料上线只剩四个小时，重新开模来不及。他去了家具店，看到有人在粘门缝的密封条，买回来当天把问题解决了。「如果你是看到我们是一个高科技公司，我为什么要去家居店来找这个东西？」
第一性原理不等于高科技。先把生产保住，是第一性。
降本也是同一个路数。「如果我一个产品能省一块钱的话，我一年的产量是 10 万块，那我一年就能省 10 万块。当你找到了 30 个这样的同样的东西，300 万。」自动化在他那里也是这么算的：美国一个工人一年的工资加福利大概 10 万美元出头，一套 10 万美元的自动化如果能带走 3 个工人，四班倒就是 12 个人，120 万。「就是这么简单。」
一项一项算，算得过就上，算不过就留给人。这和 2018 年「全部自动化」的思路，是两种公司。
波音也走过同一条路
把场景从汽车换到飞机，Kotha 在华盛顿大学给我们波音研学那堂课，讲的是同一条弯路。
787 是波音第一款全复合材料飞机，2004 年立项，2007 年亮相。Kotha 的课件把它的模式列得很清楚：模块化设计、分布式制造、分布式工程，机翼和机身大部段连同设计工作一起交给日本、意大利和美国本土的伙伴。波音自己只做最后的总装和集成。
激进外包和激进自动化，病根是一个：把制造系统里最难的那部分，集成，当成了可以甩出去或者让机器替掉的部分。
结果是 787 连续延误。Kotha 在课件里引了 2008 年 4 月波音 CEO 麦克纳尼（Jim McNerney）的公开表态：全球伙伴模式「从根本上仍是正确的战略」，「但我们在某几个方面可能走得有点太远、太快了」。接下来的动作是重新划定「哪些事交给伙伴做」，同时「磨利我们管控整条供应链的工具」。
这段话和马斯克那条推，是同一种认错。大方向没否定，错在节奏和边界。
Kotha 用四张生产网络图画出了波音的「退回」：2008 年设生产集成中心，把管控从「出了事再反应」改成「提前预判」；到 2009 年底，南卡罗来纳州的关键工厂已经收到波音自己名下。退回不是失败，是把关键能力重新握回手里。
苹果为什么留在中国：供应链里的人
Guthrie 在 Apple University 待过，研究中国三十多年。他开场先把「创新」这个词拆了：「谈企业创新不能只谈产品创新，还得谈制造和供应链的创新。」然后给了一个判断：人们通常不把做运营的人当创新者，「但库克恰恰是最有创新力的人之一」。
他接着纠正了一个常见误会。「人们常以为 iPad 是富士康造的。不是，富士康只做总装。是 1600 家中国企业在做零部件、模组和产品。」
苹果留在中国，靠的是这 1600 家织成的网络，不是哪一座超级工厂。而网络的核心资产是人。他讲触摸屏玻璃那段最直白：「即使苹果总部的工程师设计出了怎么做这些触摸屏，你仍然得每天生产 10 万片。只有在中国我们才做到了。」
设计在库比蒂诺完成，量产爬坡在东莞完成。卡点从来不在图纸，在被训练过的工程师和班组长身上。
苹果怎么训练他们？「苹果会派供应链经理去帮这些人变得更高效。这些供应商都在互相竞争苹果的生意，他们都愿意为苹果零利润干活。」据现场同传，后半句是：学会了之后，他们可以去华为、OPPO、vivo、小米那里把钱赚回来。
今年 9 月 21 日，宝马官网公布了斯帕坦堡工厂人形机器人试点的结果：Figure 02 在十个月里协助生产了 3 万多辆 X3，每周五天、每班十小时，搬了 9 万多个钣金件。宝马列出的经验教训里，排在前面的不是机器人多能干，是「修改安全方案，增加围栏和隔断」和「改善车间 5G 覆盖」。机器人进厂，先改的是围绕人的规则。
AI 的直觉还很差
Ederson 在英伟达做推理优化。他在美国研学现场讲物理 AI，先讲了机器人为什么难：「如果它对这个世界的因果关系没有建模能力，没有预判能力的话，它就没有办法完成现实生活中的各种各样的任务。」
难点不在手脚够不够灵活，在看不懂工况变化。日常工况好办，卡住自动化的是那 1% 的极端情况。他拿自动驾驶举例：卡车上的床垫掉到马路上这种片段，「哪怕特斯拉有百万辆级的车在街上跑，它日常很难捕捉到这样的片段去帮助训练它的模型」。工厂里的异常数据，同样靠自己攒不够。
今年 10 月他再来，把话说得更直接：「当出现模棱两可情况，AI 的第一反应、AI 的直觉还是非常差的。」他的结论是，在需要做判断的领域「还是非常需要人」。他举了一个四大会计师事务所朋友的例子：初级分析师确实招得越来越少，但要签字的中层注册会计师，需求反而变大了。AI 把业务量做大之后，最后把关的人要更多，不是更少。
还有一个问题他在英伟达内部天天面对：「他们才能有一个可维护、可追责的东西。追责很重要对吧？这些东西到最后不好用了，出错了，你去找谁呢？」
工厂里引进 AI 和机器人，先问的也是这句。出了错找谁。人机协同的价值之一，是责任能分清。
那条线到底画在哪
把四位嘉宾的内容并排放，线其实画得很清楚。David 画在「人能不能连做八小时」和「下一道工序接不接得住」上。Kotha 画在「集成不能外包」上。Guthrie 画在「量产爬坡靠被训练过的人」上。Ederson 画在「模棱两可的判断和出事之后的责任」上。
四条线说的是同一件事：机器接的是重复、稳定、算得过账的部分，人留在集成、爬坡、判断和担责的位置上。激进自动化和激进外包，错的不是方向，是把第二类当成了第一类。
每次企业家研学课后聊起来，推 AI 转型的制造企业一号位手里的难题，和弗里蒙特八年前的一样：方案很多，账要一项一项算；交出去容易，收回来难。接班的二代面对的更具体：上一代靠人堆出来的工艺，哪些该固化成机器，哪些是不能丢的手艺。
David 讲过一个画面。Model S 和 Model X 停产，是为 Optimus 腾地方，「工厂就这么大」。「我个人第一辆 Model X 是我当年亲手推出去的 final line，然后最后的一辆 Model X 就是一个月前，也是我亲眼看着它从产线下来的。」那条线现在在造机器人。
2026年，越来越多的企业开始进行AI转型，但这个过程中会踩哪些坑，硅谷企业积累了更多经验。领途LeadPath依托于12年来构建的美国硅谷专家网络，致力于以美国企业游学研学、美国专家线上咨询、美国商务活动邀约等模式，助力中国企业探索AI转型、实现品牌出海。
欢迎扫描文末二维码咨询合作
