关注我们：

张伟

2026年8月15日

在爱游戏体育APP下载中，您可以直接查看每场比赛的实时数据——控球率、射正次数、角球数。这些数字背后藏着战术博弈的真相，学会解读它们，您就能像教练一样分析比赛。

“过去十几年里，我最大的失误，就是对 AI 的信任还不够。”

10 月 12 日，在第 26 届中国工博会开幕式的《深度对话：云端与端侧智能博弈·人形机器人产业落地》圆桌论坛上，面对台下满座的同行，刚刚带领宇树科技登陆科创板的创始人王兴兴，并未大谈硬件方面的成就，而是毫不掩饰地发表了这番自省。他还做出了一个颇具前瞻性的判断：具身智能的技术临界点，最快一两年内就会到来。

作为将四足机器人做到全球市占率超过 60%，并已进入人形机器人量产阶段的硬件先行者，王兴兴的反思并非没有根据，而是源于近期测试中的实际体会：

一方面，是内部硬件所面临的物理限制。宇树在推进自研大模型（UnifoLM-X1-0）的工厂测试时，他直观地感受到了机器人本体（尺寸、电池、散热）与 AI 算力需求之间的巨大差距。

另一方面，是全球 AI 技术的加速发展。他透露，如今 AI 技术每隔一两个月就有重大更新，前段时间宇树将刚发布的 GPT-6 接入各类机器人进行任务测试，发现“效果相当出色”。

一边是沉重的物理限制，一边是迅猛的 AI 进化。这让他认识到，试图单纯依靠机械工程来解决问题的思路存在局限。随着大模型进化斜率的持续攀升，AI 能力越强，机器人的“大脑”就越离不开云端；而受益于 AI 的快速迭代，具身智能突破行业壁垒的速度也将远超预期。

一句认错，一句下注。王兴兴围绕算力分配、模型演进以及落地时间表，发表了极为坦诚且硬核的观点分享。

【王兴兴圆桌核心观点速览】

算力分配： 云与端并非替代关系，而是分工协作，AI 越强就越需要上云。

模型迭代： 迈向“物理 AI 自进化”，真实机器人数据是最后的关键环节。

爆发节点： 临界点提前至最快一两年，明年 GPT-7 可能直接突破行业瓶颈。

商业落地： 工业和 To B 商业服务先行，规模化速度远超 C 端家庭场景。

运动控制留在端侧，复杂决策必须上云

关于云端与端侧的算力博弈，王兴兴指出，这个问题对未来机器人的大规模落地应用非常关键。他给出了明确的分工方案：本体算力能省则省，能放到云端的就尽可能放到云端。

这个结论直接源于严酷的物理现实。在一台人形机器人上部署高端算力卡，面临着空间尺寸难以装配、电池续航无法支撑以及发热散热难以解决等瓶颈。相比之下，云端算力的部署和管理更为便利，可以实时调配，灵活性更高。

因此，宇树在机器人本体上尽可能克制算力部署。其策略是：

对于实时性要求极高的运动控制任务，“能部署多少就尽可能部署多少” 在端侧，目前的运动能力 AI 对算力的要求也并不特别高；

而决策性任务以及需要大规模泛化到复杂场景的部署，必须依靠云端来实现。

王兴兴直言，如果能把模型做小，完全放在端侧当然最好。但实际上，AI 能力越强、机器人需要执行的任务越复杂，反而越需要云端的算力支持。 延伸到产品落地层面，这也是宇树目前采取“基础版本 + 算力选配”模式的底层逻辑：由客户根据实际需求决定端侧的算力配置，让云与端各司其职。

“人工迭代”走向“物理 AI 自进化”，真实机器人数据是最后一环

除了算力，机器人要学会在工厂干活，离不开真实世界的数据反馈。

王兴兴强调，自进化是一个非常重要的方向。目前语言和多模态模型领域的训练自动化程度已经很高，许多头部模型公司今年到明年基本能够实现自进化。 但在机器人领域，AI 开发依然原始——“程序员有想法，查阅论文，编写模型，进行训练，交给测试，测试结果再人工反馈，然后迭代。”

为了打破这种低效，宇树前几个月提出了**“物理 AI 自进化”** 概念：让 AI 自己编写代码、训练、部署、自动测试并打分，从而实现迭代闭环。但他同时澄清，目前阶段人类还无法完全退出，“人肯定要参与打分，判断动作是否美观、成功率是否高、是否是人类真正想要的结果。”不过在未来几年，随着经验积累，人类的参与度将不可避免地越来越低。

而在驱动大模型训练的“核心燃料”上，行业内一直存在路线探讨（如海量视频模仿数据与高精度物理交互数据）。对此，王兴兴认为训练燃料应该是多方面的，人类的数据固然关键，但作为本体厂商，他更强调“真实机器人数据”的不可替代性。他指出，真正让机器人部署到物理世界并切实提高操作成功率，最后比拼的往往是“真实机器人和物理世界接触的最后几个毫米、零点几个毫米”的高精度交互数据。

临界点“最快一两年”，明年 GPT-7 可能突破

基于对大模型迭代速度的观察，王兴兴对具身智能技术临界点的时间预期大幅提前。

在 2025 年 8 月的世界机器人大会上，他给出的预期还是“最慢三到五年”；到今年 8 月宇树上市次日，这个区间被缩短为“快则两到三年”；而到了 10 月的这场工博会，他将临界点大幅前移至“最快一两年内”——甚至抛出了一个极具压迫感的预言：如果明年 GPT-7 发布，“直接把具身智能问题突破，也有可能。”

那么，什么是真正的“临界点”？ 王兴兴给出的判断标准是：把一台机器人丢进完全陌生的场景，仅靠自然指令就能独立完成大约 80% 的任务。 现在的机器人靠固定场景专项训练，成功率能接近 100%，但这只能叫熟能生巧，举一反三才算真本事。换言之，当模型能力的跃迁开始直接攻克陌生场景下的“泛化性”与“效率”痛点时，“临界点”就变成了一个可以具体倒计时的工程进度条。

在谈及具体的商业落地节奏时，王兴兴透露，国内和海外许多机器人公司都在工厂开展试点，宇树在 2024 年也已经与多家汽车公司落地了试点应用。但他指出，大规模应用仍需解决泛化性和效率问题。在落地顺序上，他判断工业领域的爆发会很快，但像餐饮、物流等 To B 商业服务场景，规模化应用可能会比工业场景更快，而家庭场景由于环境最复杂，推进相对最慢。

据 IDC 最新报告显示，2026 年上半年全球人形机器人出货量虽同比增长超过 400%，但近七成仍用于科研、展示等场景，真正的工业制造和零售物流尚未成为主力。这印证了王兴兴的逻辑：技术上可行，不等于商业上立刻就能行得通。

在分享的最后，王兴兴用一段话回应了自己的反思，并向行业给出了下一个十年的建议：“尽可能在个人生活和公司中拥抱、使用 AI，这是非常关键的一件事。5 年前或 10 年前，你喜欢、相信 AI 的程度，现在乘以 10 倍都不为过。”

本文来自微信公众号“AI前线”，作者：韦思维，36氪经授权发布。