$特斯拉(TSLA)$ 已经实现了让Optimus人型机器人完成简单的工厂生产工作，并向一家工厂投放了少量几台开始“实地测试”。
马斯克点赞了一条推文，表示未来的optimus可能被用在超充站，为无人车充电并打扫清理车内的卫生。
从特斯拉公布的视频可以看出，模型早期训练所需要的数据通过以下方式收集：让人类穿上“动作捕捉”套装，带上VR眼睛，对Optimus机器人进行远程操控。
然而，这个技术让我比较害怕的一点是：如果应用到军事上，这会发生什么？从俄乌之间我们显然可以观察到无人机在战场上的统治力，当无人机变成远程操控的人形机器人呢？
此外，在这个训练过程中，我观察到周围有多台摄影机同时拍摄第三人称视角的视频。我的猜想是：或许可以将“第一人称视觉输入”+“第三人称观察视角”两个视频数据一起作为输入，以远程操控的“动作捕捉”结果作为输出，训练一个可以观察他人行为，并“模仿”他人行为的端到端大模型。要知道FSD就是基于“视频数据”+“导航指引”两者作为输入，并输出控制结果的。Optimus为什么不能用“第一人称视频”+“第三人称教程”作为输入，然后输出控制结果呢？
如果这能够实现，optimus看着你示范一遍，他就能模仿出来，并且千遍万遍的重复。甚至，互联网上所有的视频都将成为人形机器人的“学习材料”——舞蹈、焊接、施工、跑酷、格斗等等，只要看着视频就可以模仿出来。而且，只要按一下按钮，这种新能力就会被推送到百万千万台人型机器人身上去。
在这种情况下，如果给Optimus看战争片又会如何？我们或许需要给它一个非常安全，非常符合人类价值观的本地运行的多模态大语言模型，用来分析一个新的“教程视频”是否合法，是否适合模仿。
然而，未来的黑客仍然有可能用提示词越狱来绕过语言模型的限制，甚至可以命令它将“越狱提示词”传播给下一个它看见的同类。
未来机器人仍然存在很多系统性风险，需要大量的工作来提前预防。如果处理不当，《终结者》离我们或许真的没有那么远。