宇树王兴兴坦言过去十几年犯的最大错误：就是对 AI 还不够相信

“回顾过去十多年，我最大的失误就是没有足够地信任AI。”

10月12日，在第26届中国工博会开幕式的圆桌论坛《深度对话：云端与端侧智能博弈·人形机器人产业落地》上，面对满座的同行，刚刚带领宇树科技登陆科创板的创始人王兴兴并未过多谈论硬件成就，而是坦率地做出了这一反思。他还提出了一个极具前瞻性的判断：具身智能的技术突破点，最快一两年内就会到来。

作为将四足机器人全球市占率做到超过60%、并已进入人形机器人量产阶段的硬件先行者，王兴兴的反思并非凭空而来，而是源于近期的测试体会：

一方面，是内部硬件面临的物理局限。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技术的加速演进。他透露，如今AI技术每隔一两个月就有重大更新，不久前宇树将刚发布的GPT-6接入各种机器人进行任务测试，发现“效果相当出色”。

一边是沉重的物理约束，另一边是高速发展的AI进化。这让他意识到，单纯依赖机械工程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，而得益于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。

一句话承认错误，一句话押注未来。王兴兴围绕算力分配、模型演进及落地时间表，展开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越强大越需要上云。

模型迭代： 迈向“物理AI自进化”，真实机器人数据是最后闭环。

爆发节点： 突破点提前至最快一两年，明年GPT-7可能直接颠覆行业。

商业落地： 工业与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至关重要。他给出了明确的分工方案：本体的算力能省则省，能放到云端的尽可能放到云端。

这一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，面临空间尺寸难以安装、电池续航无法支撑以及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捷，可以实时调配，灵活性更强。

因此，宇树在机器人本体上尽可能控制算力部署。其策略是：

对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对算力需求也并不特别高；

而决策性任务以及真正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：由客户按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

算力之外，机器人要学习在工厂干活，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，搜索论文，编写模型，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，判断动作好不好看、成功率高不高、是不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。

突破点“最快一两年”，明年GPT-7可能颠覆

基于对大模型迭代速度的观察，王兴兴对具身智能技术突破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，他将突破点大幅前移至“最快一两年内”——甚至抛出了一个极具紧迫感的预言：如果明年GPT-7发布，“直接把具身智能问题颠覆，也有可能。”

那么，什么是真正的“突破点”？ 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，“突破点”就变成了一个可以具象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，不等于商业上立刻能成功。

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。