王兴兴：人形机器人行业将迎来'ChatGPT时刻'，盼未来2-3年突破具身智能瓶颈

8月9日，在2025世界机器人大会上，宇树科技的创始人兼CEO王兴兴发表了一场引人注目的演讲。他详细阐述了当前人形机器人行业的发展趋势及未来展望，并提出了一些颇具前瞻性的观点，尤其是在人工智能模型和具身智能方面的进展。

王兴兴在演讲中提到，随着政策支持和市场需求的不断增长，人形机器人整机和零部件制造商的业绩普遍实现了50%-100%的大幅增长。这标志着人形机器人行业正站在一个新的起点上，王兴兴预测，在的1-2年内，行业将迎来一个类似于“ChatGPT时刻”的转折点。他认为，这一时刻的到来将推动人形机器人技术的快速进步，使其能够广泛应用于各种领域。

尽管行业前景看好，王兴兴也指出，目前的发展仍面临一些误区和挑战。他强调，当前机器人未能实现大规模应用的根本原因并非硬件不足，而是具身智能的发展滞后。王兴兴认为，现有的机器人硬件，无论是整机和灵巧手，都能满足应用需求。具身智能的局限性成为制约行业扩展的关键因素。

具体而言，王兴兴提到，行业正处在与ChatGPT诞生前相似的阶段，许多团队虽然已经找到了发展方向和技术路线，但实际上的突破至今仍未实现。他认为，当人形机器人能够轻松应对陌生环境并自主执行简单任务时，才意味着人形机器人真正迈入了“ChatGPT时刻”。他预计，这一目标在未来1-3年内有望实现。

在探讨行业发展瓶颈时，王兴兴指出，当前过分关注数据的问题并不足以解决实际挑战，真正的麻烦在于模型架构。他表示，众多团队误以为只要拥有充足的数据就能训练出优秀的模型，然而在某些情况下，有数据也未必能够有效利用。王兴兴认为，现在的VLA模型架构较为基础，在与真实世界进行互动时，数据质量和可采集的数据量待提高。对此，宇树科技也在探讨将VLA模型与强化学习（RL）结合来改进，但现阶段仍不足够。

在谈到视频生成模型方面，王兴兴提到，的视频生成应用已经显示了巨大的潜力，包括OpenAI和谷歌等公司在这一领域的创新，让人想象借助视频生成模型可以直接驱动机器人执行任务。他透露，宇树科技计划在2024年利用预训练的机器人动作视频，制作出能够自主执行任务的模型。他相信，这一方法相比传统的VLA模型可能会更便捷且有效。

尽管目前机器人在某些领域（如舞蹈、格斗）取得了相对较好的表现，王兴兴认为，机器人自我学习能力的提升仍然是一个大问题，特别是在强化学习的可扩展性（Scaling Law）方面，行业整体水平仍显不足。比如，训练机器人学习新舞蹈动作时，每次都需要从头开始。这与语言模型的趋势相对比，后者在训练上已经取得更明显的进展。王兴兴强调，尽管机器人领域在学习新技能时还处于初期阶段，但应用的潜力将是巨大的。

王兴兴进一步指出，未来2到5年内，智能机器人技术将把重心放在端到端的具身智能AI模型上，其模型构建将扮演至关重要的角色。同时，硬件的低成本和高寿命也将影响人形机器人的普及，如果要实现每年生产数百万到数千万台机器人，将面临极大的工程挑战。分布式计算能力在这个过程中也显得格外重要，以满足机器人工作时的低延迟需求。

在演讲的，王兴兴强调，AI与机器人技术的演进是全球共同努力的结果，世界各地的公司都在为此贡献力量。他提及，AI创新的进程总是伴随着随机性和新生人才的涌现，没有一家企业能够单凭规模与资源持续领先。

王兴兴的演讲为人形机器人行业的未来描绘了一幅光明的前景，更为我们带来了深刻的思考，将在未来的机器人发展中引起及影响更多的关注与探索。随着行业的持续发展，不久的将来，我们就能够见证人形机器人日益走进我们的生活与工作场景。