人形機(jī)器人行業(yè)已經(jīng)走到“ChatGPT時(shí)刻”的前夜，Z快1-2年就能迎來這一時(shí)刻。
王興興認(rèn)為，由于政策支持與需求爆發(fā)，2025年上半年，人形機(jī)器人整機(jī)與零部件廠商平均實(shí)現(xiàn)了50%-100%的增長，幅度驚人。然而，行業(yè)內(nèi)還存在幾大誤區(qū)：
先，人形機(jī)器人大規(guī)模應(yīng)用的Z大問題，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，但具身智能問題更為明顯，還無法驅(qū)動機(jī)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(shù)據(jù)問題，而是模型架構(gòu)問題。
王興興稱，未來2到5年，智能機(jī)器人技術(shù)的重心是端到端的具身智能AI模型。當(dāng)前行業(yè)常見的VLA（視覺-語言-動作）模型，在他看來屬于“傻瓜式架構(gòu)”，他個人對這類模型持懷疑態(tài)度。由視頻生成模型（或是世界模型）驅(qū)動機(jī)器人控制，是他眼中有望更快收斂的技術(shù)路徑。
同時(shí)，機(jī)器人研究還需要在強(qiáng)化學(xué)習(xí)Scaling Law（擴(kuò)展定律）上實(shí)現(xiàn)突破，從而讓每次訓(xùn)練的速度越來越快，學(xué)習(xí)新技能的效果越來越好。隨著機(jī)器人日益普及，分布式的算力將成為大勢所趨，有望突破機(jī)器人本體搭載算力的限制，并滿足實(shí)際應(yīng)用過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科技的發(fā)展，從2013年研發(fā)機(jī)器狗X dog原型機(jī)開始，并獲得8萬元的D一桶金，再到2023年應(yīng)客戶需求推出一款人形機(jī)器人，他認(rèn)為，機(jī)器人與AI的發(fā)展始終是一個共創(chuàng)的過程，他也鼓勵更多企業(yè)和G校參與到這一過程中。
以下是王興興部分精彩演講內(nèi)容的整理（機(jī)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）：
我分享一下我個人對人形機(jī)器人行情的看法。今年上半年，Z大的特點(diǎn)就是由于機(jī)器人行業(yè)非常火爆，以及政策的相關(guān)支持，整機(jī)廠商、零部件廠商，平均實(shí)現(xiàn)了50%到100%的增長。增長幅度還是非常嚇人的，這對整個行業(yè)而言都是十分罕見的，需求端拉動了整個的行業(yè)的發(fā)展。
海外市場方面，特斯拉作為行業(yè)代表，計(jì)劃今年量產(chǎn)數(shù)千臺人形機(jī)器人，并將發(fā)布第三代Optimus人形機(jī)器人，值得重點(diǎn)關(guān)注。此外，企業(yè)對機(jī)器人行業(yè)的熱情G漲，包括英偉達(dá)、蘋果、Meta、OpenAI等企業(yè)都持續(xù)在推動這一領(lǐng)域的發(fā)展。

我分享幾個個人的觀點(diǎn)，未必準(zhǔn)確。

D一點(diǎn)，對于機(jī)器人本體來說，很多人可能會有這樣一個誤區(qū)：機(jī)器人目前沒有大規(guī)模應(yīng)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，無論是整機(jī)還是靈巧手，從某種意義上來說完全是夠用的。當(dāng)然不夠好，還需要優(yōu)化，更大的問題是量產(chǎn)，工程上的問題肯定是很多的。
但是在技術(shù)層面上，或者從AI的角度來說，目前的硬件是完全是夠用的。目前Z大的挑戰(zhàn)還是具身智能，或者說AI技術(shù)的發(fā)展，完全不夠用。這也是限制當(dāng)前機(jī)器人，尤其是人形機(jī)器人大規(guī)模的應(yīng)用的Z大問題。
目前，機(jī)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(xiàn)了類似的方向以及技術(shù)路線，但是沒人把它做出來。
圖片
ChatGPT出來的前幾年，做語音AI的已經(jīng)做了十幾年，近二十年了，但是大家一直覺得他很傻瓜，很弱智，根本完全沒法用。ChatGPT出來后，它實(shí)現(xiàn)了比一般人還要強(qiáng)的能力。機(jī)器人還沒有到達(dá)這一臨界點(diǎn)。
對于機(jī)器人的AI技術(shù)，我覺得臨界點(diǎn)可能是這樣的：當(dāng)一個人形機(jī)器人能夠進(jìn)入一個完全陌生的環(huán)境（比如從未見過的會場），我跟他說“把這瓶水帶給某位觀眾”，或是“整理一下這個房間”，而它能夠順暢自主地完成任務(wù)，這就是人形機(jī)器人的ChatGPT時(shí)刻。
如果進(jìn)展快的話，可能未來的1-2年或者2-3年，我們就能實(shí)現(xiàn)這一目標(biāo)，Z慢的話3-5年也有很大概率能實(shí)現(xiàn)。
目前，具身智能不夠用的問題，究竟是模型還是數(shù)據(jù)導(dǎo)致的？我反而感覺目前范圍內(nèi)，大家對機(jī)器人數(shù)據(jù)這個問題的關(guān)注度有點(diǎn)太G了。現(xiàn)在Z大的問題是反而是模型的問題，并不是數(shù)據(jù)問題。
對于具身智能和機(jī)器人來說，模型架構(gòu)都還不夠好，也不夠統(tǒng)一。大家對模型問題的關(guān)注度G，反而對數(shù)據(jù)的問題關(guān)注很多。因?yàn)樵诖笳Z言模型領(lǐng)域，大家覺得我有足夠多的數(shù)據(jù)，尤其有足夠多的好的數(shù)據(jù)的時(shí)候，我就能把模型訓(xùn)練的越來好。
但是在具身智能，在機(jī)器人領(lǐng)域，大家可以發(fā)現(xiàn)，很多情況下有了數(shù)據(jù)，會發(fā)現(xiàn)這個數(shù)據(jù)用不起來。
相對比較火的就是VLA模型。VLA是一個相對比較傻瓜式的架構(gòu)，我個人對VLA模型還是保持一個比較懷疑的態(tài)度。VLA模型在與真實(shí)世界交互時(shí)，它的數(shù)據(jù)質(zhì)量、能采集的數(shù)據(jù)是不太夠用的。
有個簡單的想法，就是在VLA模型上面加一個RL的訓(xùn)練，這是一個非常自然的想法。但是我個人感覺，包括我們公司目前嘗試下來VLA模型加RL訓(xùn)練，我覺得還是不夠的，模型架構(gòu)還是得再升J和優(yōu)化。
這里也簡單分享一下我們過去做的一些事情。大家也可以關(guān)注到，谷歌發(fā)布了他們?nèi)�新一代的視頻生成模型，或者某種意義上是一個視頻驅(qū)動的一個世界模型。還有，去年的時(shí)候，當(dāng)OpenAI發(fā)布了視頻生成模型以后，大家會有一個很自然的想法：我可以控制一個視頻生成模型，跟他說“幫我生成一個機(jī)器人，去整理一下房間”。
如果模型生成的視頻中，機(jī)器人可以完成任務(wù)，那我是不是能讓這個視頻生成模型直接去驅(qū)動一個機(jī)器人完成任務(wù)。這個想法非常簡單直接，我們?nèi)ツ甑臅r(shí)候就去做了這個事情。
大家可以看到，右上角的視頻其實(shí)是生成出來的，不是用攝像頭采集的。我們用一個預(yù)訓(xùn)練的視頻生成模型，重新訓(xùn)練了一下，讓他先去生成一個機(jī)器人動作的視頻，然后再控制一個機(jī)器人去做，這個技術(shù)是能實(shí)現(xiàn)的。包括谷歌的視頻生成世界模型，他們也想實(shí)現(xiàn)這個效果。
圖片
我覺得這個路線的方向可能會比VLA模型發(fā)展得要快，收斂概率還更大。但我不敢打包票，可能還是有很多問題。其中有個很大的問題就是，視頻生成模型太關(guān)注視頻生成的質(zhì)量了，導(dǎo)致對GPU的消耗有點(diǎn)大。
對機(jī)器人干活來說，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(qū)動機(jī)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。整個模型的架構(gòu)還是非常簡單粗暴的，就是把機(jī)器人的一些動作序列控制，直接對齊到模型的架構(gòu)上。
圖片
另外一點(diǎn)，大家也知道，目前機(jī)器人跳跳舞、打格斗效果其實(shí)不錯了，但實(shí)際上面臨一個很大的問題，如果要進(jìn)一步機(jī)器人能力提升，也就是機(jī)器人RL的Scaling Law，還是做得非常不好。
舉個Z簡單的例子，我訓(xùn)練一個機(jī)器人做新的動作、跳新的舞蹈，都要重新訓(xùn)練，還是從頭開始訓(xùn)練，這是非常不好的一個事情。我們是希望機(jī)器人每次做一個新的訓(xùn)練的時(shí)候，可以在過去訓(xùn)練基礎(chǔ)上進(jìn)行。
理論上我做RL訓(xùn)練的時(shí)候，每次訓(xùn)練的速度應(yīng)該越來越快，學(xué)習(xí)新技能的效果越來越好。但是全行業(yè)內(nèi)，目前整個機(jī)器人在RL的Scaling Law，沒有人做出來，做好。我覺得這是非常值得做的一個方向。
因?yàn)镽L Scaling Law在語言模型上已經(jīng)是充分驗(yàn)證過的事情。但在機(jī)器人的運(yùn)動控制上面，大家才剛剛開始。
我個人感覺，在未來2到5年，智能機(jī)器人技術(shù)的重心是端到端的具身智能AI模型。我覺得模型本身是Z重要的。
然后就是更低成本的，更G壽命的硬件，這個是毋庸置疑的。大家也知道，哪怕對于汽車行業(yè)來說，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出來，工程量還是非常大的。
對機(jī)器人行業(yè)來說，未來如果每年要生產(chǎn)制造幾百萬、幾千萬甚至幾億的人體機(jī)器人，它的工程量挑戰(zhàn)還是非常驚人的。
同時(shí)，低成本的大規(guī)模的算力也很重要。在人形機(jī)器人上，或者在移動機(jī)器人本體上，其實(shí)沒辦法直接部署大規(guī)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。
我個人感覺在人形機(jī)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，簡單說就只有大概幾個手機(jī)的算力水平。
但是，未來機(jī)器人還是需要大規(guī)模算力的，而且我覺得可能是分布式的算力。機(jī)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(jī)器，數(shù)據(jù)中心在上海或者在內(nèi)蒙，延遲實(shí)在是太大了。
我個人感覺，未來在工業(yè)領(lǐng)域大規(guī)模運(yùn)用人形機(jī)器人時(shí)，工廠里面可以有個分布式的服務(wù)器，所有的機(jī)器人直接連接工廠里的局部服務(wù)器就好了。服務(wù)器的安全性、通信延遲是可以接受的。
或者換一個話題，如果一個小區(qū)每家每戶有一個機(jī)器人的時(shí)候，在這個小區(qū)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，如果有新客戶想買一個人形機(jī)器人的時(shí)候，他不需要給這部分算力的建設(shè)花錢，成本也會更低很多。
我覺得分布式算力會是機(jī)器人行業(yè)未來非常重要的一個領(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AI領(lǐng)域、機(jī)器人領(lǐng)域一直是一個共創(chuàng)的過程。ZG的企業(yè)、美國的企業(yè)，包括英偉達(dá)等，已經(jīng)做出了很多貢獻(xiàn)。

在AI領(lǐng)域，沒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(yuǎn)L先。OpenAI和DeepSeek已經(jīng)證明了，AI的創(chuàng)新永遠(yuǎn)伴隨著一些隨機(jī)性，伴隨著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(xiàn)，還是要共創(chuàng)出來的。