摩根士丹利在最新研报指出，随着多家企业将资源和注意力转向物理/具身AI与机器人技术，一场针对现实世界视觉数据的“光子竞赛”正在悄然爆发。在这一背景下，该行给予特斯拉“增持”评级，目标价410美元。

特斯拉、Meta和Figure AI等公司正通过不同路径积极布局视觉数据的收集与利用。该行强调：“你可以拥有世界上所有的计算资源，但若没有视觉数据，就无法训练视觉-语言-行动模型（VLA）。”大摩指出，视觉数据已成为AI训练中最稀缺、最具战略价值的资源。

大摩通过一个生动的比喻阐明视觉数据的价值：一条600磅的蓝鳍金枪鱼在远离海岸的地方游弋，若没有渔船和渔具，其价值为零；但若具备捕捞能力，其价值可能高达310万美元。同理，世界的视觉数据若无法被捕获和处理，其价值也为零；但若能大规模收集并处理海量数据，则其价值将不可估量。

特斯拉：转向“纯视觉”训练

2025年5月，特斯拉前Optimus负责人发布了一系列视频，展示Optimus通过人类视频学习自主完成任务。这些视频以第一人称视角(摄像头位于演示者身上)拍摄，但最终目标是转向通过“随机摄像头”和互联网视频获取的第三人称视角。

“特斯拉据称将转向‘纯视觉’方法预训练Optimus，不再使用穿戴动作捕捉服与VR的遥操作员，改为录制工人执行任务的视频作为训练数据。”

这一转变标志着特斯拉在训练范式上的重大调整，凸显出视觉数据在机器人行为模仿与泛化能力中的核心作用。

该行预计，未来视觉数据将不仅用于训练模型，更将用于构建“机器人训练健身房”（模拟环境），从而在数字世界中迭代数十亿种场景。特斯拉车主在驾驶时不仅在物理空间中移动，也在“玩电子游戏”，向模拟世界输送数据以训练最新FSD模型；Meta眼镜用户在教模型如何弹钢琴、织毛衣、倒咖啡或倒垃圾。

大摩强调，视觉数据是训练下一代AI模型的核心资源，其价值正在被重新定义。特斯拉、Meta和Figure AI等公司通过不同的路径推进数据收集战略，从车辆、眼镜到房地产，无一不在争夺这场“光子竞赛”的领先地位。