“过去十几年我犯的最大错误，就是对 AI 还不够相信。”
10 月 12 日，在第 26 届中国工博会《深度对话：云端与端侧智能博弈·人形机器人产业落地》圆桌论坛上，宇树科技创始人王兴兴面对同行抛出了这句反思。作为全球四足机器人市占率超 60%、并已步入人形机器人量产阶段的行业领军者，他给出了一个极具前瞻性的预判：具身智能的技术临界点，最快一两年内就会到来。
王兴兴的反思源于近期测试的双重冲击：一方面，机器人本体在尺寸、电池及散热等物理层面存在极限；另一方面，全球 AI 技术正以每月大更新的速度狂飙，接入最新大模型后的任务测试效果显著。这种“沉重的物理限制”与“狂飙的 AI 进化”之间的落差，让他意识到纯靠机械工程解决问题的局限，以及云端算力对机器人“大脑”的重要性。
【核心观点速览】
算力分配：云与端是分工而非替代，AI 越强越需上云。
模型迭代：走向“物理 AI 自进化”，真机数据是闭环关键。
爆发节点：临界点提前至最快一两年，明年 GPT-7 或打穿行业壁垒。
商业落地：工业与 To B 商业服务先行，规模化速度快于 C 端居家。
运动控制留端侧，复杂决策必上云
关于云端与端侧的算力博弈，王兴兴指出这是未来机器人大规模落地的关键。受限于空间装配、电池续航及散热瓶颈，在人形机器人上部署高端算力卡并不现实。相比之下，云端算力在部署管理、实时调配及灵活性上更具优势。
因此，宇树采取“本体算力能省则省”的策略，明确了清晰的分工方案：
端侧：负责实时性要求极高的运动控制任务。目前运动能力 AI 对算力要求相对不高，尽可能在端侧部署。
云端：负责决策性任务及复杂场景的大规模泛化部署。
王兴兴强调，AI 能力越强、任务越复杂，反而越依赖云端算力支持。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配置，实现云与端各司其职。
从“人工迭代”到“物理 AI 自进化”
除了算力，真实世界的数据反馈是机器人落地另一大核心。王兴兴指出，当前语言和多模态模型的训练自动化程度已很高，但机器人领域的 AI 开发仍较为原始，依赖“人工想法-写代码-训练-测试-反馈”的低效循环。
为此，宇树提出了“物理 AI 自进化”概念：让 AI 自主完成代码编写、训练、部署、测试及打分，形成迭代闭环。虽然现阶段仍需人类参与动作评估和结果判断，但随着经验积累，人类参与度将逐渐降低。
在训练数据方面，王兴兴认为“真机数据”具有不可替代性。他指出，真正决定机器人操作成功率的，往往是“真机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。
临界点“最快一两年”，GPT-7 或成破局关键
基于对大模型迭代速度的观察，王兴兴大幅前置了具身智能技术临界点的时间预期。从年初预期的“三到五年”，缩短至目前的“最快一两年内”。他甚至预言：如果明年 GPT-7 发布，有可能直接打穿具身智能行业壁垒。
王兴兴定义的“临界点”标准为：将机器人投入完全陌生场景，仅靠自然指令即可独立完成约 80% 的任务。这标志着模型能力从“熟能生巧”向“举一反三”的质变，攻克了泛化性与效率痛点。
在商业落地节奏上，王兴兴判断工业领域爆发迅速，但餐饮、物流等 To B 商业服务场景的规模化应用可能更快。相比之下，居家场景因环境复杂度高，推进相对缓慢。IDC 数据显示，2026 年上半年全球人形机器人出货量虽同比增长超 400%，但近七成仍用于科研展示，印证了“技术可行不等于商业即刻跑通”的逻辑。
最后，王兴兴建议行业在未来十年尽可能拥抱 AI：“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。”
声明：本文为 AI 前线整理，不代表平台观点，也不构成投资建议，未经许可禁止转载。
会议推荐
QCon 全球软件开发大会·2026（上海站）将于 10 月 22 日—24 日举办。本届大会聚焦 Harness AI 时代的工程实践，从「构建 AI」到「驾驭 AI」，围绕 AI Native 架构、Agent Runtime、AI Infra、Agent 安全与可观测、Loop Engineering、具身智能与世界模型等热门技术方向，邀请全球技术社区与产业一线实践者，共同分享 AI Native 时代最具价值的工程经验。
