人形機器人行業(yè)已經(jīng)走到“ChatGPT時(shí)刻”的前夜，Z快1-2年就能迎來(lái)這一時(shí)刻。
王興興認為，由于政策支持與需求爆發(fā)，2025年上半年，人形機器人整機與零部件廠(chǎng)商平均實(shí)現了50%-100%的增長(cháng)，幅度驚人。然而，行業(yè)內還存在幾大誤區：
先，人形機器人大規模應用的Z大問(wèn)題，并不是硬件，而是具身智能。雖然硬件在量產(chǎn)工程化上仍有提升空間，但具身智能問(wèn)題更為明顯，還無(wú)法驅動(dòng)機器人自主地完成任務(wù)，這背后的原因并不是大家普遍關(guān)注的數據問(wèn)題，而是模型架構問(wèn)題。
王興興稱(chēng)，未來(lái)2到5年，智能機器人技術(shù)的重心是端到端的具身智能AI模型。當前行業(yè)常見(jiàn)的VLA（視覺(jué)-語(yǔ)言-動(dòng)作）模型，在他看來(lái)屬于“傻瓜式架構”，他個(gè)人對這類(lèi)模型持懷疑態(tài)度。由視頻生成模型（或是世界模型）驅動(dòng)機器人控制，是他眼中有望更快收斂的技術(shù)路徑。
同時(shí)，機器人研究還需要在強化學(xué)習Scaling Law（擴展定律）上實(shí)現突破，從而讓每次訓練的速度越來(lái)越快，學(xué)習新技能的效果越來(lái)越好。隨著(zhù)機器人日益普及，分布式的算力將成為大勢所趨，有望突破機器人本體搭載算力的限制，并滿(mǎn)足實(shí)際應用過(guò)程中對安全性和通信延遲的要求。
王興興還在演講中回顧了宇樹(shù)科技的發(fā)展，從2013年研發(fā)機器狗X dog原型機開(kāi)始，并獲得8萬(wàn)元的D一桶金，再到2023年應客戶(hù)需求推出一款人形機器人，他認為，機器人與AI的發(fā)展始終是一個(gè)共創(chuàng )的過(guò)程，他也鼓勵更多企業(yè)和G校參與到這一過(guò)程中。
以下是王興興部分精彩演講內容的整理（機器人前瞻在不改變原意的前提下，進(jìn)行了一定程度的增刪修改）：
我分享一下我個(gè)人對人形機器人行情的看法。今年上半年，Z大的特點(diǎn)就是由于機器人行業(yè)非�；鸨�，以及政策的相關(guān)支持，整機廠(chǎng)商、零部件廠(chǎng)商，平均實(shí)現了50%到100%的增長(cháng)。增長(cháng)幅度還是非常嚇人的，這對整個(gè)行業(yè)而言都是十分罕見(jiàn)的，需求端拉動(dòng)了整個(gè)的行業(yè)的發(fā)展。
海外市場(chǎng)方面，特斯拉作為行業(yè)代表，計劃今年量產(chǎn)數千臺人形機器人，并將發(fā)布第三代Optimus人形機器人，值得重點(diǎn)關(guān)注。此外，企業(yè)對機器人行業(yè)的熱情G漲，包括英偉達、蘋(píng)果、Meta、OpenAI等企業(yè)都持續在推動(dòng)這一領(lǐng)域的發(fā)展。

我分享幾個(gè)個(gè)人的觀(guān)點(diǎn)，未必準確。

D一點(diǎn)，對于機器人本體來(lái)說(shuō)，很多人可能會(huì )有這樣一個(gè)誤區：機器人目前沒(méi)有大規模應用、功能不夠完善的原因，是硬件不夠好，或者成本比較G。
其實(shí)目前的硬件，無(wú)論是整機還是靈巧手，從某種意義上來(lái)說(shuō)完全是夠用的。當然不夠好，還需要優(yōu)化，更大的問(wèn)題是量產(chǎn)，工程上的問(wèn)題肯定是很多的。
但是在技術(shù)層面上，或者從AI的角度來(lái)說(shuō)，目前的硬件是完全是夠用的。目前Z大的挑戰還是具身智能，或者說(shuō)AI技術(shù)的發(fā)展，完全不夠用。這也是限制當前機器人，尤其是人形機器人大規模的應用的Z大問(wèn)題。
目前，機器人行業(yè)所處的位置，就像是ChatGPT誕生前的1-3年左右，目前業(yè)界已經(jīng)發(fā)現了類(lèi)似的方向以及技術(shù)路線(xiàn)，但是沒(méi)人把它做出來(lái)。
圖片
ChatGPT出來(lái)的前幾年，做語(yǔ)音AI的已經(jīng)做了十幾年，近二十年了，但是大家一直覺(jué)得他很傻瓜，很弱智，根本完全沒(méi)法用。ChatGPT出來(lái)后，它實(shí)現了比一般人還要強的能力。機器人還沒(méi)有到達這一臨界點(diǎn)。
對于機器人的AI技術(shù)，我覺(jué)得臨界點(diǎn)可能是這樣的：當一個(gè)人形機器人能夠進(jìn)入一個(gè)完全陌生的環(huán)境（比如從未見(jiàn)過(guò)的會(huì )場(chǎng)），我跟他說(shuō)“把這瓶水帶給某位觀(guān)眾”，或是“整理一下這個(gè)房間”，而它能夠順暢自主地完成任務(wù)，這就是人形機器人的ChatGPT時(shí)刻。
如果進(jìn)展快的話(huà)，可能未來(lái)的1-2年或者2-3年，我們就能實(shí)現這一目標，Z慢的話(huà)3-5年也有很大概率能實(shí)現。
目前，具身智能不夠用的問(wèn)題，究竟是模型還是數據導致的？我反而感覺(jué)目前范圍內，大家對機器人數據這個(gè)問(wèn)題的關(guān)注度有點(diǎn)太G了�，F在Z大的問(wèn)題是反而是模型的問(wèn)題，并不是數據問(wèn)題。
對于具身智能和機器人來(lái)說(shuō)，模型架構都還不夠好，也不夠統一。大家對模型問(wèn)題的關(guān)注度G，反而對數據的問(wèn)題關(guān)注很多。因為在大語(yǔ)言模型領(lǐng)域，大家覺(jué)得我有足夠多的數據，尤其有足夠多的好的數據的時(shí)候，我就能把模型訓練的越來(lái)好。
但是在具身智能，在機器人領(lǐng)域，大家可以發(fā)現，很多情況下有了數據，會(huì )發(fā)現這個(gè)數據用不起來(lái)。
相對比較火的就是VLA模型。VLA是一個(gè)相對比較傻瓜式的架構，我個(gè)人對VLA模型還是保持一個(gè)比較懷疑的態(tài)度。VLA模型在與真實(shí)世界交互時(shí)，它的數據質(zhì)量、能采集的數據是不太夠用的。
有個(gè)簡(jiǎn)單的想法，就是在VLA模型上面加一個(gè)RL的訓練，這是一個(gè)非常自然的想法。但是我個(gè)人感覺(jué)，包括我們公司目前嘗試下來(lái)VLA模型加RL訓練，我覺(jué)得還是不夠的，模型架構還是得再升J和優(yōu)化。
這里也簡(jiǎn)單分享一下我們過(guò)去做的一些事情。大家也可以關(guān)注到，谷歌發(fā)布了他們全新一代的視頻生成模型，或者某種意義上是一個(gè)視頻驅動(dòng)的一個(gè)世界模型。還有，去年的時(shí)候，當OpenAI發(fā)布了視頻生成模型以后，大家會(huì )有一個(gè)很自然的想法：我可以控制一個(gè)視頻生成模型，跟他說(shuō)“幫我生成一個(gè)機器人，去整理一下房間”。
如果模型生成的視頻中，機器人可以完成任務(wù)，那我是不是能讓這個(gè)視頻生成模型直接去驅動(dòng)一個(gè)機器人完成任務(wù)。這個(gè)想法非常簡(jiǎn)單直接，我們去年的時(shí)候就去做了這個(gè)事情。
大家可以看到，右上角的視頻其實(shí)是生成出來(lái)的，不是用攝像頭采集的。我們用一個(gè)預訓練的視頻生成模型，重新訓練了一下，讓他先去生成一個(gè)機器人動(dòng)作的視頻，然后再控制一個(gè)機器人去做，這個(gè)技術(shù)是能實(shí)現的。包括谷歌的視頻生成世界模型，他們也想實(shí)現這個(gè)效果。
圖片
我覺(jué)得這個(gè)路線(xiàn)的方向可能會(huì )比VLA模型發(fā)展得要快，收斂概率還更大。但我不敢打包票，可能還是有很多問(wèn)題。其中有個(gè)很大的問(wèn)題就是，視頻生成模型太關(guān)注視頻生成的質(zhì)量了，導致對GPU的消耗有點(diǎn)大。
對機器人干活來(lái)說(shuō)，某種意義上你并不需要很G精度的視頻生成質(zhì)量，你只要驅動(dòng)機器人去干活就行了。大家可以關(guān)注谷歌的視頻生成模型，還是非常有意思的。整個(gè)模型的架構還是非常簡(jiǎn)單粗暴的，就是把機器人的一些動(dòng)作序列控制，直接對齊到模型的架構上。
圖片
另外一點(diǎn)，大家也知道，目前機器人跳跳舞、打格斗效果其實(shí)不錯了，但實(shí)際上面臨一個(gè)很大的問(wèn)題，如果要進(jìn)一步機器人能力提升，也就是機器人RL的Scaling Law，還是做得非常不好。
舉個(gè)Z簡(jiǎn)單的例子，我訓練一個(gè)機器人做新的動(dòng)作、跳新的舞蹈，都要重新訓練，還是從頭開(kāi)始訓練，這是非常不好的一個(gè)事情。我們是希望機器人每次做一個(gè)新的訓練的時(shí)候，可以在過(guò)去訓練基礎上進(jìn)行。
理論上我做RL訓練的時(shí)候，每次訓練的速度應該越來(lái)越快，學(xué)習新技能的效果越來(lái)越好。但是全行業(yè)內，目前整個(gè)機器人在RL的Scaling Law，沒(méi)有人做出來(lái)，做好。我覺(jué)得這是非常值得做的一個(gè)方向。
因為RL Scaling Law在語(yǔ)言模型上已經(jīng)是充分驗證過(guò)的事情。但在機器人的運動(dòng)控制上面，大家才剛剛開(kāi)始。
我個(gè)人感覺(jué)，在未來(lái)2到5年，智能機器人技術(shù)的重心是端到端的具身智能AI模型。我覺(jué)得模型本身是Z重要的。
然后就是更低成本的，更G壽命的硬件，這個(gè)是毋庸置疑的。大家也知道，哪怕對于汽車(chē)行業(yè)來(lái)說(shuō)，已經(jīng)一百多年了，哪怕到今天，一家企業(yè)要做很好的一輛汽車(chē)出來(lái)，工程量還是非常大的。
對機器人行業(yè)來(lái)說(shuō)，未來(lái)如果每年要生產(chǎn)制造幾百萬(wàn)、幾千萬(wàn)甚至幾億的人體機器人，它的工程量挑戰還是非常驚人的。
同時(shí)，低成本的大規模的算力也很重要。在人形機器人上，或者在移動(dòng)機器人本體上，其實(shí)沒(méi)辦法直接部署大規模的算力。它的尺寸只有這么大，它的電池只有這么大，它部署算力的功耗是有限制的。
我個(gè)人感覺(jué)在人形機器人上，Z多只能部署峰值功耗為100瓦的算力，平時(shí)工作的時(shí)候算力只有小幾十瓦，簡(jiǎn)單說(shuō)就只有大概幾個(gè)手機的算力水平。
但是，未來(lái)機器人還是需要大規模算力的，而且我覺(jué)得可能是分布式的算力。機器人干活的時(shí)候，我們希望其通信延遲比較低的，如果在北京干活的機器，數據中心在上�；蛘咴趦让�，延遲實(shí)在是太大了。
我個(gè)人感覺(jué)，未來(lái)在工業(yè)領(lǐng)域大規模運用人形機器人時(shí)，工廠(chǎng)里面可以有個(gè)分布式的服務(wù)器，所有的機器人直接連接工廠(chǎng)里的局部服務(wù)器就好了。服務(wù)器的安全性、通信延遲是可以接受的。
或者換一個(gè)話(huà)題，如果一個(gè)小區每家每戶(hù)有一個(gè)機器人的時(shí)候，在這個(gè)小區可能是有分布式的集群算力中心的，可以保證延遲與安全性。并且，如果有新客戶(hù)想買(mǎi)一個(gè)人形機器人的時(shí)候，他不需要給這部分算力的建設花錢(qián)，成本也會(huì )更低很多。
我覺(jué)得分布式算力會(huì )是機器人行業(yè)未來(lái)非常重要的一個(gè)領(lǐng)域，可能比目前算力的分布還要更廣一些。
另外一點(diǎn)，大家也知道，在A(yíng)I領(lǐng)域、機器人領(lǐng)域一直是一個(gè)共創(chuàng )的過(guò)程。ZG的企業(yè)、美國的企業(yè)，包括英偉達等，已經(jīng)做出了很多貢獻。

在A(yíng)I領(lǐng)域，沒(méi)有一家大公司能保證，只要有足夠的人、有足夠的資源，我就能永遠L先。OpenAI和DeepSeek已經(jīng)證明了，AI的創(chuàng )新永遠伴隨著(zhù)一些隨機性，伴隨著(zhù)更多的聰明年輕人的。所以很多情況下都是很多公司、G校做出的貢獻，還是要共創(chuàng )出來(lái)的。