2026年初特斯拉首席执行官马斯克在公司季度财报会议上指出中国将成为特斯拉在人形机器人领域最主要的竞争对手。

马斯克提到中国在规模化制造和人工智能方面的结合能力突出这一现实直接对应过去几年全球机器人市场的变化轨迹。美国媒体报道显示马斯克强调中国企业凭借制造基础和AI迭代速度正在快速形成竞争优势这一表态出现在2026年1月29日左右的电话会议中。

同一时期英伟达首席执行官黄仁勋也在公开场合多次提到美国对华AI芯片出口管制的实际效果。

他在2025年5月台北展会上表示这些管制措施推动中国本土企业加快自主开发导致英伟达在中国市场的份额从过去95%大幅下降。黄仁勋指出全球约一半AI研究人员与中国相关这一人才分布让美国政策面临长期影响。

在AI和机器人快速发展的今天，机器人大脑这个概念大家听得越来越多。可真正要让机器人在复杂工业场景里像人一样去感知、判断和决策，背后靠的到底是什么技术？微牌科技给出了自己的答案。

他们坚持用海量真实数据来喂养AI，而不是靠模拟数据。通过和英国第三大基建集团保富集团的合作，在200多个工地持续采集数据，他们练就了全球领先的HFR算法。这个算法在德国汽车协会ADAC的实测路测中，6项关键指标拿下4项第一。

先说边缘AI这个事儿。它其实不是什么新概念，几年前就已经出现了。可很快它就暴露出一个大问题：没有自成长能力，不会自己学习。

这成了所有边缘AI绕不开的门槛。要想突破，就得给它快速成长的能力。这里面得结合现在的网络发展、数据传输技术和机器算法学习的各种条件，最后形成一种混合AI。

它既要保持边缘化的直接好用，用边缘端的算力，又要网络化，还得有中枢化的概念。这样边缘端就像人体的一个器官，可能是眼睛，也可能是触觉，而整个系统是边缘加大脑两部分组成的。说白了，边缘AI光有感知还不够，得让它真正长脑子，能不断进步。

要让它变得更聪明，还得额外下功夫。微牌科技的办法听起来挺老土，但简单粗暴，就是用大量真实数据。

他们不是靠模拟，而是通过业务手段打通数据渠道，获取海量真实样板数据，先提升大AI，再利用优势网络环境和设备条件来优化本地边缘AI能力。处理数据的时候，他们的思路跟别人不太一样，总是从未来应用要更聪明好用的角度去考虑。

他们的AI算法已经在很多复杂工业环境里落地，尤其是在工地场景。很多人对这个场景不太熟悉，不清楚AI怎么改变它，或者客户为什么愿意用。说到底，像人体识别、行人识别或者工程机械障碍物识别，这些概念其实早就有了。

但客户愿意用他们的产品，关键在于他们识别的是客户真正需要识别的物体，而不是所有东西。比如用毫米波或雷达是为了识别周边所有障碍物，可客户在工程操作中真正要避让的只有人，其他东西是要主动接近的，不能产生误报。这就是他们的核心优势。

为什么他们能识别这么多的人？因为他们在各种复杂环境中采集了大量样本，通过业务手段拿到真实的學習素材。这项技术导入工地特殊场景时，最大的技术挑战其实和其他做视觉识别语义算法的开发商一样。

就像特斯拉花很长时间攻克雪糕筒，他们比对方早大概三个月解决，就是因为采集了更多雪糕桶数据，涵盖各个角度、颜色、天气、镜头遮挡等不同形态，然后通过算法不断提炼。这本质上还是工作量的积累，没什么捷径，打标签的苦活得有人实打实干。

他们现在已经拥有全球最大的施工场景图片数据集，这事儿是真的，还有一定机缘巧合。疫情前他们接触到一个天使客户，就是欧洲第三大基建集团保富集团，它也是英国本土最大的基建集团。

在他们算法还比较初级、漏报误报较多的时候，对方就在200多个工地布置数据采集点，让他们拿数据去学习。这成了起点。

后来保富集团推动英国相关立法，把他们也带进场，持续合法采集数据。英国在这方面隐私等法律问题已经解决，所以采集工作还在继续，只是现在精度上来了，需要标记的错报漏报少了，就适当减缓了节奏。

国内其实不用特别推广，本来就有政策趋势在推动类似安全要求，只是标准不太一样。

再说算力平衡这个实际问题。边缘设备算力有限，工业场景实时性要求又高，怎么在精度、实时性、算力、硬件成本和存储成本之间找平衡？

客户预算不可能无限。刘超说，算力成本其实本来就在可控范围内。他们的边缘设备本身就像一个器官，不会做本地过多处理，除了识别，主要就是给司机直接反馈，要么声音，要么本地屏幕信息，最多通过操作接口实现刹车或制动。这样本地算力资源压力不大。

硬件成本和实时性方面，他们早就突破了瓶颈。因为公司本身是做硬件起家的，整个硬件布局和组合都是自己设计的，所以这个不再是挑战，已经过了那个阶段。

他们现在强调AI小模型加大模型的架构。小模型直接布局在边缘设备，大模型作为云脑存在于中枢。

小模型像插件，大模型是底座，可以用同一个大模型提炼出不同小模型，去完善更多业务场景。这其实是他们后台的运营思路，不直接影响客户体验，但能优化自己的运营成本和效率。

所以定义他们是算法公司还是硬件公司？准确说是“有硬件能力的算法公司”。为什么非要做硬件集成？因为软硬一体化对公司来说，人员、部门、体量都会比纯软件多很多。但这是必然选择。

他们试过只做硬件，结果软件受制约；后来聚焦算法，又发现硬件被制约。所以必须软硬集成。现在连自己摄像头和关键硬件的测试都放在自己工厂做，能快速控制整体质量。尤其是出口海外，错件率要非常低。

售后成本太高了，比如在英国，一个摄像头坏了，员工可能得开车一整天到郊外换，往返成本大概2000英镑，远超几个摄像头本身的价格。所以出厂检验测试必须深入，基本是CEO亲自把关的级别，这样成本账才能算过来。

不同场景对AI算法要求差异很大。除了工程机械施工场景，他们现在还拓展了新板块——工业建设机器人。

这块已经走到下一个层次，目前落地的是太阳能板建设，不是大家热议的人形机器人，因为人形更多还是民用基础为主。他们的工业机器人基于太阳能板基建，做整个搭建和运输过程，海外和国内都有市场。

机器人主要负责最繁琐的安装步骤，清洁相对简单很多人就能做。他们去年虽然没参展，但在上海光伏展拿了光伏创新奖，是业内唯一不用吸盘、而是用卡钳做太阳能板运输的公司。这样在大漠里就不需要那么多工人手动装板了。

机器人充电用柴油，因为户外很多地方没电网配置。原来12人的团队，现在可能就剩维护员和经理两个人，其余全是机器人在干活。

这个项目已经在宁夏中卫落地，和中电建合作。效率上，机器人基本1分多钟装一块板，人大概两分钟，而且不用担心工人受伤。商业模式灵活，卖、租或者提供安装服务都有可能，未来这块也可能成为新的收入来源。

除了这个，还有自动驾驶、地铁自动驾驶、道路巡检等场景。他们还做了全欧洲第一台纯电工程车，整套智能座舱上面的识别系统，包括人员识别和微操系统，都是他们负责的。

他们选这些场景，跟很多做智能驾驶的公司不太一样，其实更多是被市场认可之后反向选择的逻辑。公司团队都是一群理工男，优势在突破算法精度上，研发完全按照客户需求来。像宁夏中卫的项目，也是看到大家都看得见的场景，然后去做的。

从实战角度看，边缘AI未来3到5年会往什么方向演进？作为算法工程师，该重点关注哪些技术？刘超给出了宏观看法：未来边缘AI肯定就不再是单纯的边缘AI了。

现在很多场景网络覆盖率越来越足，包括5G，未来可能像电影里SKYNET的感觉，所有边缘AI都会具备云AI能力，所以“边缘”两个字会慢慢消失。

现在要做的事，就是看怎么把大模型学习和小模型应用完美契合。不要只盯着突破本地算力，而是要去实现更多融合算力。这块目前国内同行关注的不多，至少他们发现这是自己正在发展的一个重要价值方向。

技术挑战不小。对算法工程师来说，要兼顾边缘AI的执行能力、硬件鲁棒性、问题排查、样本提炼，还要从样本里找出培训中心AI的整体升级框架，工作量很大。

以前做云端AI的人如果想转过来，得先具备开发边缘AI的能力，因为光在云上训练，采集端能力还得大幅增强。以后两端都得精通，才能丝滑切换。