宇树王兴兴最新演讲：数据不是具身智能的最大挑战

智东西
作者 陈骏达
编辑 李水青

智东西8月9日报道，今天，宇树科技创始人兼CEO、CTO王兴兴在2025世界机器人大会上，分享了他对全球机器人行业发展现状的最新观点。王兴兴认为，人形机器人行业已经走到“ChatGPT时刻”的前夜，最快1-2年就能迎来这一时刻。

王兴兴认为，由于政策支持与需求爆发，2025年上半年，人形机器人整机与零部件厂商平均实现了50%-100%的增长，幅度惊人。然而，行业内还存在几大误区：

首先，人形机器人大规模应用的最大问题，并不是硬件，而是具身智能。虽然硬件在量产工程化上仍有提升空间，但具身智能问题更为明显，还无法驱动机器人自主地完成任务，这背后的原因并不是大家普遍关注的数据问题，而是模型架构问题。

王兴兴称，未来2到5年，智能机器人技术的重心是端到端的具身智能AI模型。当前行业常见的VLA（视觉-语言-动作）模型，在他看来属于“傻瓜式架构”，他个人对这类模型持怀疑态度。由视频生成模型（或是世界模型）驱动机器人控制，是他眼中有望更快收敛的技术路径。

同时，机器人研究还需要在强化学习Scaling Law（扩展定律）上实现突破，从而让每次训练的速度越来越快，学习新技能的效果越来越好。随着机器人日益普及，分布式的算力将成为大势所趋，有望突破机器人本体搭载算力的限制，并满足实际应用过程中对安全性和通信延迟的要求。

王兴兴还在演讲中回顾了宇树科技的发展，从2013年研发机器狗X dog原型机开始，并获得8万元的第一桶金，再到2023年应客户需求推出首款人形机器人，他认为，机器人与AI的发展始终是一个全球共创的过程，他也鼓励更多企业和高校参与到这一过程中。

以下是王兴兴部分精彩演讲内容的整理（智东西在不改变原意的前提下，进行了一定程度的增删修改）：

我分享一下我个人对全球人形机器人行情的看法。今年上半年，最大的特点就是由于机器人行业非常火爆，以及政策的相关支持，整机厂商、零部件厂商，平均实现了50%到100%的增长。增长幅度还是非常吓人的，这对整个行业而言都是十分罕见的，需求端拉动了整个的行业的发展。

海外市场方面，特斯拉作为行业代表，计划今年量产数千台人形机器人，并将发布第三代Optimus人形机器人，值得重点关注。此外，全球企业对机器人行业的热情高涨，包括英伟达、苹果、Meta、OpenAI等企业都持续在推动这一领域的发展。

我分享几个个人的观点，未必准确。

第一点，对于机器人本体来说，很多人可能会有这样一个误区：机器人目前没有大规模应用、功能不够完善的原因，是硬件不够好，或者成本比较高。

其实目前的硬件，无论是整机还是灵巧手，从某种意义上来说完全是够用的。当然不够好，还需要优化，更大的问题是量产，工程上的问题肯定是很多的。

但是在技术层面上，或者从AI的角度来说，目前的硬件是完全是够用的。目前最大的挑战还是具身智能，或者说AI技术的发展，完全不够用。这也是限制当前机器人，尤其是人形机器人大规模的应用的最大问题。

目前，机器人行业所处的位置，就像是ChatGPT诞生前的1-3年左右，目前业界已经发现了类似的方向以及技术路线，但是没人把它做出来。

ChatGPT出来的前几年，做语音AI的已经做了十几年，近二十年了，但是大家一直觉得他很傻瓜，很弱智，根本完全没法用。ChatGPT出来后，它实现了比一般人还要强的能力。机器人还没有到达这一临界点。

对于机器人的AI技术，我觉得临界点可能是这样的：当一个人形机器人能够进入一个完全陌生的环境（比如从未见过的会场），我跟他说“把这瓶水带给某位观众”，或是“整理一下这个房间”，而它能够顺畅自主地完成任务，这就是人形机器人的ChatGPT时刻。

如果进展快的话，可能未来的1-2年或者2-3年，我们就能实现这一目标，最慢的话3-5年也有很大概率能实现。

目前，具身智能不够用的问题，究竟是模型还是数据导致的？我反而感觉目前全球范围内，大家对机器人数据这个问题的关注度有点太高了。现在最大的问题是反而是模型的问题，并不是数据问题。

对于具身智能和机器人来说，模型架构都还不够好，也不够统一。大家对模型问题的关注度高，反而对数据的问题关注很多。因为在大语言模型领域，大家觉得我有足够多的数据，尤其有足够多的好的数据的时候，我就能把模型训练的越来好。

但是在具身智能，在机器人领域，大家可以发现，很多情况下有了数据，会发现这个数据用不起来。

相对比较火的就是VLA模型。VLA是一个相对比较傻瓜式的架构，我个人对VLA模型还是保持一个比较怀疑的态度。VLA模型在与真实世界交互时，它的数据质量、能采集的数据是不太够用的。

有个简单的想法，就是在VLA模型上面加一个RL的训练，这是一个非常自然的想法。但是我个人感觉，包括我们公司目前尝试下来VLA模型加RL训练，我觉得还是不够的，模型架构还是得再升级和优化。

这里也简单分享一下我们过去做的一些事情。大家也可以关注到，谷歌发布了他们全新一代的视频生成模型，或者某种意义上是一个视频驱动的一个世界模型。还有，去年的时候，当OpenAI发布了视频生成模型以后，大家会有一个很自然的想法：我可以控制一个视频生成模型，跟他说“帮我生成一个机器人，去整理一下房间”。

如果模型生成的视频中，机器人可以完成任务，那我是不是能让这个视频生成模型直接去驱动一个机器人完成任务。这个想法非常简单直接，我们去年的时候就去做了这个事情。

大家可以看到，右上角的视频其实是生成出来的，不是用摄像头采集的。我们用一个预训练的视频生成模型，重新训练了一下，让他先去生成一个机器人动作的视频，然后再控制一个机器人去做，这个技术是能实现的。包括谷歌的视频生成世界模型，他们也想实现这个效果。

我觉得这个路线的方向可能会比VLA模型发展得要快，收敛概率还更大。但我不敢打包票，可能还是有很多问题。其中有个很大的问题就是，视频生成模型太关注视频生成的质量了，导致对GPU的消耗有点大。

对机器人干活来说，某种意义上你并不需要很高精度的视频生成质量，你只要驱动机器人去干活就行了。大家可以关注谷歌的视频生成模型，还是非常有意思的。整个模型的架构还是非常简单粗暴的，就是把机器人的一些动作序列控制，直接对齐到模型的架构上。

另外一点，大家也知道，目前机器人跳跳舞、打格斗效果其实不错了，但实际上面临一个很大的问题，如果要进一步机器人能力提升，也就是机器人RL的Scaling Law，还是做得非常不好。

举个最简单的例子，我训练一个机器人做新的动作、跳新的舞蹈，都要重新训练，还是从头开始训练，这是非常不好的一个事情。我们是希望机器人每次做一个新的训练的时候，可以在过去训练基础上进行。

理论上我做RL训练的时候，每次训练的速度应该越来越快，学习新技能的效果越来越好。但是全行业内，目前整个机器人在RL的Scaling Law，没有人做出来，做好。我觉得这是非常值得做的一个方向。

因为RL Scaling Law在语言模型上已经是充分验证过的事情。但在机器人的运动控制上面，大家才刚刚开始。

我个人感觉，在未来2到5年，智能机器人技术的重心是端到端的具身智能AI模型。我觉得模型本身是最重要的。

然后就是更低成本的，更高寿命的硬件，这个是毋庸置疑的。大家也知道，哪怕对于汽车行业来说，已经一百多年了，哪怕到今天，一家企业要做很好的一辆汽车出来，工程量还是非常大的。

对机器人行业来说，未来如果每年要生产制造几百万、几千万甚至几亿的人体机器人，它的工程量挑战还是非常惊人的。

同时，低成本的大规模的算力也很重要。在人形机器人上，或者在移动机器人本体上，其实没办法直接部署大规模的算力。它的尺寸只有这么大，它的电池只有这么大，它部署算力的功耗是有限制的。

我个人感觉在人形机器人上，最多只能部署峰值功耗为100瓦的算力，平时工作的时候算力只有小几十瓦，简单说就只有大概几个手机的算力水平。

但是，未来机器人还是需要大规模算力的，而且我觉得可能是分布式的算力。机器人干活的时候，我们希望其通信延迟比较低的，如果在北京干活的机器，数据中心在上海或者在内蒙，延迟实在是太大了。

我个人感觉，未来在工业领域大规模运用人形机器人时，工厂里面可以有个分布式的服务器，所有的机器人直接连接工厂里的局部服务器就好了。服务器的安全性、通信延迟是可以接受的。

或者换一个话题，如果一个小区每家每户有一个机器人的时候，在这个小区可能是有分布式的集群算力中心的，可以保证延迟与安全性。并且，如果有新客户想买一个人形机器人的时候，他不需要给这部分算力的建设花钱，成本也会更低很多。

我觉得分布式算力会是机器人行业未来非常重要的一个领域，可能比目前算力的分布还要更广一些。

另外一点，大家也知道，在AI领域、机器人领域一直是一个全球共创的过程。中国的企业、美国的企业，包括英伟达等，已经做出了很多贡献。

在AI领域，没有一家大公司能保证，只要有足够的人、有足够的资源，我就能永远领先。OpenAI和DeepSeek已经证明了，AI的创新永远伴随着一些随机性，伴随着更多的聪明年轻人的。所以很多情况下都是很多公司、高校做出的贡献，还是要全球共创出来的。谢谢大家。