在10月12日第26届中国工博会开幕式的一场圆桌对话中，宇树科技创始人王兴兴坦诚地表示：“过去十几年我犯的最大错误，就是对AI还不够相信。”这位刚带领公司登陆科创板的创业者，没有过多炫耀硬件成就，而是直接点出这一反思，并预测：具身智能的技术临界点，最快可能在一到两年内到来。
作为四足机器人全球市占率超60%并已步入人形机器人量产阶段的硬件先行者，王兴兴的反思并非凭空而来，而是源于近期测试中的切身体验：
一方面，是内部硬件面临的物理天花板。在推进自研大模型（UnifoLM-X1-0）的工厂测试时，他直观感受到机器人本体（如尺寸、电池、散热）与AI算力需求之间的巨大差距。
另一方面，是全球AI技术的加速迭代。他透露，如今AI技术每隔一两个月就有重大更新，前段时间宇树将刚发布的GPT-6接入各类机器人进行任务测试，发现“效果非常出色”。
一面是沉重的物理局限，一面是快速的AI进步。这让他意识到，单纯依赖机械工程解决问题的思路存在局限。随着大模型进化速度的不断提升，AI能力越强，机器人的大脑就越离不开云端，而得益于AI的强力迭代，具身智能突破行业壁垒的速度也将远超预期。
一番认错之后，王兴兴围绕算力分配、模型演进及落地时间表，展开了极为坦诚且硬核的观点分享。
【王兴兴圆桌核心观点速览】
算力分配： 云与端不是替代关系，而是分工合作，AI越强越需要上云。
模型迭代： 走向“物理AI自进化”，真机数据是最终闭环。
爆发节点： 临界点提前至最快一两年，明年GPT-7可能直接突破行业。
商业落地： 工业与To B商业服务先行，规模化速度远超C端居家。
关于云端与端侧的算力博弈，王兴兴指出，这个问题对未来机器人的大规模落地应用至关重要。他给出了明确的分工方案：本体算力能省则省，能放到云端的尽量放到云端。
这一结论直接源于残酷的物理现实。在一台人形机器人上部署高端算力卡，面临空间尺寸难以装配、电池续航不足以及发热散热难以解决等问题。相比之下，云端算力部署和管理更为便捷，可以实时调配，灵活性更优。
因此，宇树在机器人本体上尽量克制算力部署。其策略是：
对于实时性要求极高的运动控制任务，**“能部署多少就尽可能部署多少”**在端侧，目前的运动能力AI对算力要求并不特别高；
而决策性任务以及需要大规模泛化到复杂场景的部署，必须依靠云端来实现。
王兴兴直言，如果能把模型做小，完全放在端侧当然最好。但实际上，**AI能力越强、机器人需要执行的任务越复杂，反而越需要云端的算力支持。**延伸到产品落地层面，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的算力配置，让云与端各司其职。
算力之外，机器人要学会下厂干活，离不开真实世界的数据反馈。
王兴兴强调，自进化是一个非常重要的方向。目前**语言和多模态模型领域的训练自动化程度已经很高，很多头部模型公司今年到明年基本能实现自进化。**但在机器人领域，AI开发依然原始——“程序员有想法，搜论文，写模型，训练，交给测试，测试结果再人工返回，然后迭代。”
为了打破这种低效，宇树前几个月提出了**“物理AI自进化”**概念：让AI自己写代码、训练、部署、自动测试并打分，从而实现迭代闭环。但他同时澄清，目前阶段人类还无法完全退出，“人肯定要参与打分，判断动作好不好看、成功率高不高、是不是人类真正想要的结果。”不过在未来几年，随着经验积累，人类的参与度将不可避免地越来越低。
而在驱动大模型训练的“核心燃料”上，行业内一直存在路线探讨（如海量视频模仿数据与高精度物理交互数据）。对此，王兴兴认为训练燃料应该是多方面的，人的数据固然关键，但作为本体厂商，他更强调“真机数据”的不可替代性。他指出，真正让机器人部署到物理世界并切实提高操作成功率，最后拼的往往是“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。
基于对大模型迭代速度的观察，王兴兴对具身智能技术临界点的时间预期大幅提前。
在2025年8月的世界机器人大会上，他给出的预期还是“最慢三到五年”；到今年8月宇树上市次日，这个区间被缩短为“快则两到三年”；而到了10月的这场工博会，他将临界点大幅前移至“最快一两年内”——甚至抛出了一个极具压迫感的预言：如果明年GPT-7发布，“直接把具身智能问题突破，也有可能。”
**那么，什么是真正的“临界点”？**王兴兴给出的判据是：**把一台机器人丢进完全陌生的场景，仅靠自然指令就能独立完成大约80%的任务。**现在的机器人靠固定场景专项训练，成功率能近100%，但这只能叫熟能生巧，举一反三才算真本事。换言之，当模型能力的跃迁开始直接攻克陌生场景下的“泛化性”与“效率”痛点时，“临界点”就变成了一个可以具象倒计时的工程进度条。
在谈及具体的商业落地节奏时，王兴兴透露，国内和海外很多机器人公司都在工厂开展试点，宇树在2024年也已经与多家汽车公司落地了试点应用。但他指出，大规模应用仍需解决泛化性和效率问题。在落地顺序上，他判断工业领域的爆发会很快，但像餐饮、物流等To B商业服务场景，规模化应用可能会比工业场景更快，而居家场景由于环境最复杂，推进相对最慢。
据IDC最新报告显示，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、展示等场景，真正的工业制造和零售物流尚未成为主力。这印证了王兴兴的逻辑：技术上行得通，不等于商业上立刻能跑通。
在分享的最后，王兴兴用一段话回应了自己的反思，并向行业给出了下一个十年的建议：“尽可能在个人生活和公司中拥抱、使用AI，这是非常关键的一件事。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。”
本文来自微信公众号“AI前线”，作者：韦思维，36氪经授权发布。