具身智能的GPT时刻何时到来？王兴兴畅谈行业七大焦点话题

元界由《权力、资本与商帮》作者王俞现主理

为什么人形机器人没有得到大规模应用？具身智能的GPT时刻何时到来？是模型的问题，还是数据的问题？到底应该走何种技术路线？为什么具身智能必须解决Scaling law？未来2-5年智能机器人技术的重心是什么？为什么分布式算力是一个重要领域？

8月9日，北京世界机器人大会。宇树科技创始人、CEO王兴兴，在演讲中谈及行业内外关注的这六大焦点话题。

在谈及这六大话题时，他表示，今年上半年，整个机器人行业最大的特点是非常火爆。由于政策的相关支持，整个机器人这块的行情，包括整机厂商、零售厂商，平均至少每家企业有将近50%到100%的增长。这个增长还是非常吓人的，对行业来说还是非常少见的一件事情。需求端，拉动了整个行业的发展。

海外也毋庸置疑，特斯拉机器人公司，今年要量产几千台人型机器人，大概还会发布他们第三代的人型机器人。全球范围内，大家对这块都保有热情。尤其海外的大公司，包括英伟达、苹果等，都非常持续地在推动这个领域的发展。

问题一：

为什么人形机器人没有得到大规模应用？

是机器人的功能不够，还是有人怀疑的是硬件不够好，或者成本比较高？

王兴兴认为，目前的硬件是够用的，某种意义上完全是够用的。人形机器的硬件，哪怕灵巧手、整机，某种意义上完全是够用的，但当然不够好，要持续地把它做得更好，但它更大的问题是要把它量产。

工程上的问题肯定很多，但从技术层面，或者从AI的角度来说，目前的硬件是完全是够用的，最大的挑战来自具身智能的AI、大模型，“它们还是完全不够用，这也是限制机器人尤其人形机器人大规模应用的一个最大的卡点”。

问题二

具身智能的GPT时刻何时到来？

王兴兴表示，目前人形机器人所处的状态，感觉有点像ChatGPT出来前1-3年左右的时间。

他说，大家知道GPT做出来前的几年，语音AI已经做了十几二十年，但是大家一直觉得它很傻瓜、很弱智，根本没法用。GPT出来以后，大家认为性能达到了更好的阶段。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。人形机器人还没有到达这个临界点。

而如果具身AI达到这个临界点，会达到什么程度呢？他举例说，如果哪一天我们带一个人形机器到会场，而且这个会场他没有见过，我随便跟他说，让它帮忙把一瓶水带给某个观众，他可以比较顺畅地自己走过去，流畅地把这个事情干了，或者说它能自己把一个完全没有见过的房间整理好的时候，“我觉得就到达了人工智能的ChatGPT时刻”。

如果加上一个时间的刻度呢？王兴兴表示，如果快的话，未来的一两年或者两到三年，还是很有可能实现的。最慢的话，我估计三到五年，也是有很大概率能实现这个概念。

问题三

是模型的问题，还是数据的问题？

关于目前不太够用这件事情，没有达到应有的效果，到底是模型的问题还是数据的问题？

王兴兴认为，全球范围对数据问题关注度，有点太高了。大家觉得有足够多的数据，尤其有足够多好的数据的时候，就能把模型训练得越来越好。现在最大的问题反而是模型的问题，并不是一个数据问题。

他说，在具身智能机器领域，大家可以发现，很多情况下，你数据有了，会发现这个数据用不起来。就目前来说，具身智能机器人的模型架构不够好，也不够统一，很多情况下大家对模型的关注相对有点少。

问题四

到底应该走何种技术路线？

相对目前比较火的是VLA模型（注：Vision-Language-Action Model的简称，即视觉-语言-动作模型），一个相对比较傻瓜式的架构，王兴兴表示，他对VLA模型还持比较怀疑的态度。

“在与真实世界交互的时候，它的数据质量和采集的数据，是不太够用。”他说。即便在VLA模型上加一个RL训练（注：强化学习训练） ，包括他们公司尝试下来，还是不够用，“模型本身还要再升级和优化”。

前几天谷歌发布了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世界模型Veo 3。他说，整个模型架构非常简单粗暴，就是把整个机器人的一些动作序列控制，直接对齐到整个模型的架构。

他说，大家会有一个很自然的想法，如果我控制一个视频生成模型，跟他说，让它帮我生成一个机器人去整理一下房间的视频。如果它能生成的这个视频就已经让一个机器人去做好的时候，我是不是能让这个视频生成模型，直接去驱动一个机器人去做？

他认为这想法非常直接简单，而早在去年，宇树就已经做过这个事情。“大家可以看到这个视频右上角有个小窗口的视频，这个视频就是生成出来的，不是用摄像头采集的，而是我们用一个预训练的视频生成模型，重新训练，让他先生成一个视频和动作，然后再控制一个机器人去做。这个技术是能实现的，包括谷歌的那个视频生成世界模型，他们也想实现这个效果。”

他认为，这个路线方向可能比VLA模型的收敛速度更快，概率更大，但是“我没有验证，不敢打包票”。

这个路线很大的一个问题是，视频生成模型太关注视频生成的质量，导致对GPU的消耗有点大，但是“对于机器人干活来说，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”，他说。

问题五

为什么具身智能必须解决Scaling law？

另外，王兴兴指出，目前还面临的一个大问题是，如果要进一步提升机器人模仿学习的能力，必须解决Scaling law，而这一点目前行业做得并不好。“

目前大家看机器人跳跳舞、做一些格斗，效果还不错，但如果训练一个机器人动作，比如学一支新舞或干一项新的活儿时，往往需要从头开始训练，这非常低效。理想情况下，新的训练应该基于已有训练成果，让训练速度越来越快，学习新技能的效果越来越好。”

王兴兴指出，这是一个非常值得深入研究的方向，Scaling law在语言模型上的成功已经得到验证，但在机器的运动控制上，大家做的还只是刚刚开始。

问题六

未来2-5年智能机器人技术的重心是什么？

对于未来2-5智能机器人技术的重心，王兴兴表示，最大可以肯定的是，还是要做一个统一的端到端的提升智能的AI模型。智能体大模型当下及未来最关键的挑战是机器人大模型。模型本身是最重要的。

第二，就是要有更低成本、更高寿命的硬件，及超大批量的制造，这个是毋庸置疑的。汽车行业已经100多年了，哪怕到今天，一家企业要做一辆很好的汽车出来，它的工程量还是非常大的。对于机器人行业未来，如果每年有几百万、几千万甚至几亿的人形机器人要生产制造出来，对其工程量的挑战是非常吓人的一件事情。

另外，人形机器人也需要低成本、大规模的算力。

问题七

为什么分布式算力是一个重要领域？

在提及算力时，王兴兴表示，在人形机器或者在移动机器人本体上，没办法直接部署很大规模的算力。

为什么呢？因为它的尺寸只有这么大，它的电池只有这么大，它可部署的算力和功耗是有限的。他个人感得，最多只能部署峰值功耗大概只有100瓦的算力，简单说就是只有大概几部手机的算力水平。

他认为，未来人形机器人对大规模算力的需求，可能是一个分布式的算力。如果你在北京干活的机器人，数据中心或者算力中心却在上海或者在内蒙，这个延迟实在是太大了。

所以，他提出的务实做法是，在机器人工厂里面装一个机器人的分布式服务器，把所有的机器人直接连接到工厂里的局部服务器就好，这让它整个服务器的安全性延迟和通讯延迟可以接受。

而换在一个小区，如果每家每户都有一个机器人时，这个小区肯定要有一个分布式的集群算力中心。如果有新的客户想买人形机器人，他也不需要给这部分算力的建设花钱，人形机器人的成本就会降低更多。

他表示，分布式算力未来对于机器人而言会是非常重要的一个领域。

根据王兴兴演讲整理

主理：王俞现 撰文编辑：谷神君

主理微信：imerit