宇树“认错”，DeepSeek“补位”

具身智能与大模型的合作，或许才是真正的“人形机器人”

图片来源|网络（如侵权请联系删除）部分AI生成

第26届工博会的开幕式上，宇树创始人说了一句让全场安静了几秒的话——“过去十几年我犯的最大的错误，就是对AI的相信还不太够。”

这句话从一位把机器人做到全球出货量头部的人嘴里说出来，分量很重。

而就在同一天，IDC发布数据：2026年上半年全球人形机器人出货量接近2.5万台，同比暴涨432.1%。

一边是数字狂欢，一边是赛道最头部的人在公开“认错”。这种反差本身，就值得好好拆一拆。

王兴兴提到了一个具体的测试：GPT-6发布后，团队把它部署到各种机器人上跑任务，“效果非常不错”。

基于这个测试结果，他给出了一个比此前更激进的判断：具身智能的临界点，快的话一两年内就会出现，因为明年GPT-7出来，“可能直接把具身智能问题打穿”。

从2025年世界机器人大会上的“一两年或两三年、最慢三到五年”，到今年8月的“快则两到三年、慢则五到十年”，再到工博会上的“一两年”，王兴兴的时间表在持续缩短。

每次缩短的背后，都是AI模型能力的一次跃升。

当一家机器人公司开始公开反思自己“对AI相信不够”的时候，它实际上是在承认机器人这条赛道的胜负手，正在从“身体”转向“大脑”。

迭代周期越来越短

再过去很长一段时间里，机器人行业的核心竞争力在于硬件，比如关节做得多精密、运动控制多流畅、续航多久、成本多低等。

宇树在这条路上确实做到了极致。2025年出货超5500台、扣非净利率约34.8%，主力是G1这类几万元级的半尺寸机型，客户以科研教育为主。

但出货量数字好看，不等于机器人真正在干活。

王兴兴在工博会上还说了一句大实话：“机器人还没有大规模进厂”，这话和展馆里人头攒动的热闹形成了鲜明反差。

更关键的是他对现状的判断：大部分公司的机器人模型开发还比较“原始”，工程师查论文、写模型、训练、测试，许多环节还停留在高度依赖人工的阶段。

这也代表着所谓的“量产元年”，更像是出货量的狂欢，而非生产力的真正释放。

王兴兴还在现场提到，宇树内部正在推进“物理AI自进化”系统，也就是让AI参与代码编写、模型训练、部署、测试和反馈的全链路，形成自循环。

说白了，就是让AI来造机器人的“大脑”。这件事的意义，比造出任何一款新机器人硬件都要大。

具身智能与大模型“合体”

大模型和机器人，听上去天作之合，做起来却处处碰壁。结合现有的行业实践和技术分析，笔者认为至少需要三个契机同时到位。

契机一：模型能力跨过“物理常识”的门槛

语言模型处理的是数字编码，输入输出严格限定在向量空间内，可逆且基本无损。

但机器人的每一次输入输出都会引入偏差与损耗，如执行移动、装配或搬运任务时，整体趋势正确，但在最后几厘米或几毫米的微调阶段，无法有效修正触觉误差，导致最终成功率暴跌。

这就是为什么GPT-6的发布让行业如此兴奋。它展现出的不仅仅是语言能力的提升，更是对物理世界的理解能力出现了质变。

斯坦福大学的研究人员把GPT-6接上宇树的G1机器人，进厨房收拾、干活，新环境没有采集数据重新训练，直接就干成了。

破壳机器人创始人透露，GPT-6在机器人控制任务中的成功率达到95%，而前代只有40%。这个跨越，意味着大模型开始具备“物理常识”的雏形。

契机二：架构设计从“一个模型全包”走向“快慢分离”

这是当前具身智能领域最核心的技术路线之争。主流思路曾经是端到端大模型：把摄像头画面和语言指令一起喂进去，模型直接输出动作。

听起来优雅，落地却卡在节奏上，因为理解场景和语言是“慢活”，需要大参数量；控制关节是“快活”，一秒要算几十甚至几百次，多等几十毫秒，杯子可能已经歪了。

据行业工程分析，端到端的具身大模型如果参数量达到几十亿，在机器人板载芯片上单次推理要五十到一百毫秒，只够支撑每秒十几次的控制，而灵巧操作通常需要每秒二十到一百次的控制频率，差距就这么摆着。

所以现在最被接受的方案是“大脑加小脑”的分工：慢系统负责看懂环境、听懂指令、拆解步骤；快系统把目标翻译成连续平滑的关节动作。

这个架构思路的转变，本质上是在承认一个事实：机器人不需要一个“全能大脑”，它需要的是一个能协调运作的“神经系统”。

契机三：数据闭环从“人工喂养”走向“自我进化”

王兴兴提到的“物理AI自进化”系统，指向的正是这个方向。依托AI大模型作为驱动核心，让模型自主检索最新的学术论文和开源方案，自动编写机器人的控制代码，评估机制一部分由模型自主完成，一部分引入人工评审。

一旦这个闭环跑通，随着基础模型每月每年的迭代升级，自进化系统本身的能力也会同步增强，形成良性循环。

这个方向之所以关键，是因为具身智能的数据瓶颈太严重了。

有研究报告估算，截至2026年初，全球合规可用的真实物理交互数据总量仅约50万小时，而业内普遍认为至少需要千万小时级数据，两者相差一个数量级以上。

粗略折算，同样采集100万小时，真机数据总成本可能高达10亿元。

靠人工一条一条教机器人叠衣服、开门，这条路走不通。

唯一的出路是让AI自己成为数据生产者和模型迭代者。这也是为什么宇树和DeepSeek的合作，在这个时间节点上显得格外重要。

宇树和DeepSeek的合作

今年8月，DeepSeek以约1.41亿元入股宇树科技，获得2.31%股权。双方签署了战略合作备忘录，在三个层面展开深度合作：面向通用人工智能开展合作研发、高性能通用机器人方面深度合作、AI大模型方面开展深度合作。

具体到业务层面，DeepSeek在开展具身智能相关探索时，同等条件下优先选择宇树的机器人产品及技术方案；宇树在大模型适配调用及融合开发时，优先选择DeepSeek的技术服务。

这种“互相优先”的安排，本质上是在建立一个从模型到硬件、从算法到场景的完整闭环。

但更值得注意的是DeepSeek在具身智能领域的连续布局。除了投资宇树，它还在领投一家成立仅数月的机器人AI公司，后者专注于机器人与大模型交互方向，创始人曾参与提出计算机视觉领域的重要架构。

这意味着DeepSeek正在从“语言模型公司”向“物理世界的AI基础设施”转型。

从语言模型到智能体，再到具备行动能力的机器人，AI产业的下一场竞争，不再是模型参数之间的比拼，而是谁能真正让智能进入物理世界。

因为在过去很长一段时间内，其实业内都有一个观点：前两年我们看到的那些机器人跳舞、打拳、翻跟头的视频，虽然精彩，但本质上展示的是“本体和小脑”的能力，而不是“大脑”的能力。

一个能完成后空翻的机器人和一个能在你家厨房里收拾碗筷的机器人，需要的是两种完全不同的智能。

真正的“人形”，不是外形上的仿人，而是能力上的通用性。

当一个通用机器人在陌生环境中能够完成约80%的任务时，产业才会迎来真正的爆发临界点。

这个80%的门槛，考验的不是关节的灵活度，而是大脑对环境理解、任务拆解和实时决策的综合能力。

这就引出了一个更深层的思考：大模型与机器人的结合，不是在给机器人装一个“更聪明的脑袋”，而是在创造一种全新的智能形态。

语言大模型之所以强大，是因为它可以在海量文本上做无监督学习，通过next token prediction不断逼近语言的本质规律。

但物理世界没有“next token”可以预测。机器人的每一步动作都涉及力、速度、位置、触觉的多维耦合，而且每一次执行的结果都会改变环境状态，影响下一步的决策。

所以当王兴兴说GPT-7“可能直接把具身智能问题打穿”的时候，他真正在说的是：当基础模型的推理能力足够强，强到能够理解物理世界的因果规律、能够将语言指令无缝映射为行动序列的时候，机器人就不再需要为每一个具体任务单独训练，而是获得一种通用的、可泛化的行动能力。

这才是“人形机器人”的终极含义，它不再是一个长得像人的机器，更是一个拥有通用智能的物理实体。

而要实现这一点，大模型和机器人的深度结合，则是必选项。

回到工博会上的那个画面：一边是出货量暴增4倍的数据，一边是“还没大规模进厂”的清醒。这种张力，恰恰是2026年人形机器人行业最真实的状态。

出货量数字涨得快，但货去了哪里？科研教学、赛事展示、验证性采购……

大部分并不是在真实工业场景中稳定运行。宇树的H1在2026年人形机器人半程马拉松上，排位赛跑出了打破人类1500米世界纪录的速度，但到了21公里正赛却因电机过热而姿态失控。

“能跑快”却未能“能跑稳”，这正是工业场景最不能容忍的短板。

所以王兴兴的“认错”，与其说是一种自我批评，不如说是一种战略转向的信号。

当一家公司开始把AI模型的投入列为资金与人力最大的板块，当它开始尝试让AI来参与AI模型的开发，这本身就说明机器人行业正在从“造身体”的阶段，进入“造灵魂”的阶段。

而宇树和DeepSeek的携手，为这个阶段提供了一个值得关注的样本：一家在硬件和运动控制上有深厚积累的机器人公司，与一家在大模型和推理能力上有突出优势的AI公司，通过资本纽带和战略协同，试图打通从数字智能到物理智能的“最后一公里”。

这条路能不能走通，一两年内可能就会有答案。

但至少现在，这个方向是对的。

因为在AI的世界里，最稀缺的从来不仅是算力或数据，而是正确的判断力。

01

02

03