“我觉得大家对AI的重视程度，或者说对AI的信仰 ，其实都还不够 ，包括我自己 。 ”10月22日，宇树科技创始人王兴兴在2026世界物理AI大会上回顾 ，早些年的宇树年会上 ，他曾多次畅想过AI的未来，还提醒同事关注头部AI公司的股票，“如果当时大家相信这件事 ，公司里一些个人投资者的财富可能已经增长了十倍甚至几十倍 ，但事实上很多人并没有很容易地想到这一点 。 ”
在当天的大会演讲中，王兴兴回顾了宇树科技近一年的进展 ，分享了对物理AI发展趋势及行业未来的思考。
王兴兴谈到 ，宇树G1人形机器人是目前全球最畅销的一款人形机器人，累计下线约1万至2万台 ，“到如今 ，全球陆续有其他机器人公司推出与其相似的产品，甚至有些产品看起来几乎没有差别 ，大家都在学习这款机器人 。”
行业认知上的变化 ，来自物理AI能力正在发生的实际突破 。王兴兴以近期GPT-6发布后对机器人领域可能产生的影响为例，分享了宇树的相关测试进展。
在完全零训练的情况下 ，模型已经能够直接控制机器人完成画画 、清洗画笔 、下围棋等任务。王兴兴表示 ，大模型在机器人规划等能力上的进展，已经让一些过去难以实现的任务出现新的可能 。
他判断，未来几年大模型公司对机器智能和机器人产业的关注度将持续提高 ，快的话一到两年、慢的话两到三年 ，行业就有望看到更多进展 。宇树也在推进自研模型，并与国内外大模型公司合作 ，共同推动物理AI更快跨过技术临界点。
在王兴兴看来 ，要让物理AI真正实现大规模落地，接下来有几个关键方向：一是提升机器人硬件的大规模生产制造能力；二是推动物理AI模型自主研发与产业落地；三是建设更大规模的服务器集群和算力集群 ，并具备相应的算力芯片生产制造能力 。
谈及更长远的未来 ，王兴兴表达了期待，也透露出紧迫感 ，他坦言自己“真的很害怕浪费每一天 ” ，因为每天都有大量值得探索的新技术和新方向，而时间总是不够用 。“我们这一代人真正有机会把超级智能或者AGI实现 ，也有机会让人形机器人把生产力提升到下一个台阶。 ”
以下为演讲实录节选 ，经编辑整理：
我这次报告的主题是“尽可能相信 AI”，这句话其实我在公司内部至少说了四五年 。说实在的，早些年公司开年会时 ，我也多次畅想过 AI 的未来 ，我还跟公司很多同事说过，有几家头部 AI 公司的股票值得关注 ，有资金的话可以适当参与 。如果当时大家相信这件事 ，我们公司里一些个人投资者的财富可能已经增长了 10 倍甚至几十倍。但事实上，很多人并没有很容易地想到这一点 。
举个例子 ，OpenAI 的一位原联合创始人曾经说过 ，目前全世界真正了解尖端 AI 模型 、或者正在参与开发的人，最多可能只有 5000 人左右 。这不是我说的 ，而是业内顶尖人士的判断 ，实际上真正看到最顶尖 AI 效果的人非常少。即使是在 OpenAI 等头部 AI 公司里，也未必有很多人真正了解 AI 的潜力 ，以及它未来几年会发展到什么程度 。很多人其实还没有意识到这一点 。
这里也简单分享一下 AI 已经实现的一些能力。大家可能已经看到 ，前段时间 OpenAI 攻克了 372 个最顶尖的数学问题。这件事在全球最顶尖的数学圈子里引发了很大的争议和轰动 。数学是人类智慧金字塔的尖端，而一批顶尖数学问题已经被 AI 解决到比人类做得更好的程度 。未来在今年以及接下来几年，AI 还有望解决更多剩余的数学问题。这件事可能离大家比较远 ，所以感受不一定很深 ，但对数学界来说，影响非常大 。
第二件事是软件逆向工程和漏洞分析 。可以说 ，目前很多平台和软件中存在的问题 ，已经能够通过 AI 逆向工程得到解决。传统软件公司的技术壁垒正在受到冲击：如果你原本开发了一款传统软件，现在可能可以直接用 AI 工具对它进行逆向分析 ，复现出相应功能 。听起来只是简单的几句话 ，但对全球相关行业的影响非常大 。
第三件事，是顶尖 AI 视频模型带来的视频生成能力。大家平时应该已经看过很多 AI 视频 ，包括我自己也是 ，大家最大的感受是什么？AI 视频里人物的形象 、表情和情绪表现，有时甚至比真正的演员还要好 ，这对整个行业的冲击也非常大 。
另外 ，大家也知道，前段时间特斯拉推出了全自主出租车服务 。可能因为目前还没有在中国部署，大家感受不一定特别深刻 ，但我觉得这同样会带来非常大的变化 ，甚至会对每个人的生活产生很大影响。我刚才说的这些，其实都已经实现了 ，并不是还停留在设想中 。
当然 ，对于 AI 模型公司来说，去年我可能还持有一些怀疑态度 ，但到了今年 ，我看到最顶尖的大模型公司在内部已经开始实现模型的自主迭代 。目前，模型可以自己写代码、自己采集数据。人只需要适当参与和引导 ，比如在开始一项新任务时稍微引导一两次 ，剩下的事情 AI 模型就可以自己跑通。甚至到明年，人可能完全不需要参与其中 。
大家可以看看相关公开信息 。谷歌的创始人也提到 ，他们最新的模型已经实现了自主规划 ，几家最知名的 AI 公司的创始人也表达过类似观点。对于最头部的 AI 模型公司来说，人类参与的程度正在越来越低，模型的自主规划能力已经有了很大进展 ，或者很快就能完全实现 。简单来说 ，这意味着未来几个月到一两年里，模型能力的提升还会持续加速 。
对于尖端 AI 模型来说 ，只要给它数据和时间 ，它的表现毫无疑问已经在一些领域超过了人类。但由于顶尖数学问题离大家比较远，大家的感受可能没有那么深刻 。在座各位可能来自不同的行业 ，但影视行业的人应该对现在的变化有很深的感受 ，因为很多过去难以解决的问题，已经被解决或者即将被解决 。
以目前的模型能力来看 ，即使模型能力不再继续提升 ，也已经能够解决很多问题，可以说 ，信息世界里的很多问题已经被AI 覆盖了。手机上的各种软件、电脑上的各种软件 ，以及云端平台上的许多任务，现有模型在能力上已经能够处理 。只是有些客户还没有开始做，或者大家暂时没有时间把这些能力真正用起来 。但从 AI 模型本身的能力来看 ，信息世界中的很多问题已经具备了解决条件。
最尖端的 AI 模型要真正进入每个人的生活 ，让个人助理 、纯 AI 手机等产品普及，也还需要时间 ，未来的改变会非常大 。我觉得自己每天都在思考一个重要问题：如果 AI 将来会颠覆每个人的生活 ，那么最重要的机会在哪里？这也是非常值得大家每天思考的问题，无论是职业规划 ，还是未来想做的事情 ，都应该提前考虑 。
这里也给大家看一下前段时间 GPT-6 发布后，可能对 AI 、具身智能行业产生的影响。有哪些变化会对整个行业带来很大冲击？我们公司也做了一些测试 ，英伟达等机构也进行过相关测试 ，很多人可能还没有直接用过 GPT-6 来控制机器人的能力，因此感受不一定特别深刻 ，我这里简单梳理一下我们公司目前测试的一些进展。
比如 ，让 GPT-6 在完全零训练的情况下直接控制机器人画画 。模型部署到机器人上以后，就可以尝试直接控制机器人完成任务 。大家可以看到一个有趣的地方：机器人能够自己更换颜色，也会自己清洗画笔 ，我们没有专门为这些动作编写程序 ，它看到旁边有洗笔的颜料盘，就自己过去把笔洗干净 ，再继续画画。还有下围棋 ，落子的精准度非常高，围棋棋盘上的点很小 ，但它在完全零训练的情况下也能完成操作 。从某种意义上说 ，GPT-6 的一些能力已经可以解决机器人的部分规划问题，包括导盲等场景 。
那么 ，什么问题还没有解决？目前尚未很好解决的 ，主要是机器人和真实物体之间的交互问题，其中很大一部分属于工程技术问题 ，像抓取小物体这样的任务相对简单一些 ，但如果要装配更精细的零件、完成更复杂的操作，就还存在难度。
从目前的发展方向来看，大家已经能看到物理 AI 的进展 。未来几年 ，大模型公司对机器智能和机器人产业的关注度会越来越高 ，快的话可能一到两年，慢的话可能两到三年 ，大家就会看到更多进展 。我们也在开发自己的模型 ，并与国内外的大模型公司开展合作，共同推动物理 AI 更快地跨过临界点。
这也是我从去年开始提出的一个概念：我们希望机器人能够跨过这样一个时刻 ，在未来完成大约 80% 的任务时 ，只需要通过语音和语言指令，就能让机器人顺利完成工作 。
比如 ，希望到今年年底或者明年 ，你买一台机器人放在家里，直接告诉它“帮我把这个房间整理一下” ，它就能把房间整理好 。说实在的 ，我觉得可能还没有那么快；快的话明年有机会实现，稳妥一些可能要到后年，但我觉得最快明年就可能看到进展。
目前最大的问题是什么？刚才也提到 ，一些规划问题可能已经能够解决 。放眼全球 ，剩下的最大问题，是对物理基础和精细操作能力的提升 。更具体地说 ，就是 AI 模型的输入 、输出与真实机器人之间的对齐问题 ，还没有得到很好解决。大模型对一些基础问题和误差的修正能力已经很强，但在物理世界里 ，传感器会有误差 ，执行器在输出动作时也会有误差。
从这个角度看，目前模型与物理世界之间最大的差距 ，就是输入输出的对齐和误差问题 ，左边是各种大模型，无论国内还是海外的模型 ，右边是真实的物理世界 ，中间还存在一层需要解决的问题 。模型本身能够解决的很多问题已经得到处理，但输入输出之间的误差还没有完全解决，我觉得这也是一个有望较快解决的问题 。
那么 ，当物理 AI 要突破研发瓶颈时 ，最重要的事情是什么？作为一家技术公司，我们每天都需要思考 ，怎样才能跟上这个时代的节奏。我觉得未来最重要的方向有几个 。
首先 ，是机器人硬件的大规模生产制造能力 。我们现在一年大概要生产几万台机器人，以及几十万个关节电机和模组 ，但如果要实现真正的大规模普及 ，目前的产能还远远不够。大家可以想象一下，如果未来很多工厂 、商场和家庭里都有一台机器人 ，市场规模会非常庞大 ，年产量至少可能达到千万台 。因此，在生产规模和成本控制方面 ，我们公司以及全球同行都还有很多工作要做 。
第二 ，是自主研发或者与合作伙伴共同推进物理 AI 模型落地。我们公司肯定会加大投入，争取把自己的物理 AI 模型做出来、做得越来越好 。同时，我们也会继续与国内外的大模型公司合作 ，毕竟我们是一家机器人公司 ，要直接开发与全球头部多模态大模型公司完全一样的模型并不现实，但我们可以把机器人和工业 AI 相关模型做得更好 。
第三 ，如果要大规模部署机器人 ，就一定需要更大规模的服务器集群和算力集群，这一点毋庸置疑 ，也需要相应的算力芯片生产制造能力。过去我们开源了很多数据集 ，大家可以多关注 。我们也会持续开源更多数据，包括机器人相关的数据和家庭应用产品 。从去年开始 ，我们采用了预训练的深度强化学习方法。对于每一个动作 ，我们都可以进行批量 、大规模训练。很多人可能不知道，我们训练动作的效率非常高 ，因为我们有自己的预训练全身运动控制模型 ，我们最终希望提升机器人真正的控制效果 。
另外，我觉得今年最重要的一件事，是我们公司也在开发“宇树预演 ” ，也就是物理 AI 机器人的自进化 。刚才提到 ，目前全球最顶尖的大模型公司已经开始在内部推进自主进化，对于机器人公司来说 ，这件事同样可以实现。
我们希望建立一个完整的循环：让 AI 模型自己搜集论文 、自己写代码 ，先在仿真环境里训练，再到真实环境中测试；测试结果由 AI 模型打分 ，也可以由人参与打分 ，然后把评分结果反馈给模型，让它重新写代码、调整方案 。这个循环正在逐步建立 。随着正向循环形成 ，模型和机器人算法的迭代速度就会越来越快。
这和过去的开发方式很不一样 。过去每位机器人开发工程师都要自己写代码 、自己调试程序 ，效率相对较低 。我们展示的案例中，左下角是 AI 智能体自己写代码 ，左上角是在仿真环境中进行测试和训练 ，右上角则是在测试环境中验证结果，再将结果反馈给自主评价系统。这样的测试循环，与当前大模型公司开发个人 AI 助理的基本原理是相通的 。大家可以看到 ，现在一些模型公司也会购买很多个人电脑来进行测试 。
为什么要做这件事？因为模型能力每个月都在提升 ，模型能力越强，自主规划和迭代的能力也会越强 ，我们需要人工参与的程度就会越来越低。同时 ，我们还可以利用更多数据，让更多数据参与自主迭代 ，并进行更多真实场景的部署和测试 。这件事非常有价值 。
所以我觉得 ，未来最重要的基础要素毫无疑问是数据 、算力和芯片产业。此外，能源和矿产资源也很重要 ，大家可以多关注。
最后 ，我还想分享几个自己目前每天都在思考的问题 。我觉得当下真的是一个非常好的时代 。过去几千年的文明积淀，以及过去几百年来许多人没有机会做成的事情 ，我们这一代人有机会去实现超级智能或者 AGI ，也有机会让人形机器人把生产力提升到一个新的台阶。
我真的很害怕浪费每一天 。现在每天都有很多想做的事情，无论是机器人领域，还是其他相关行业 ，都有很多事情值得去做 ，也有很多新东西需要学习 。但现在时间真的太少了，时间过得太快 ，我很害怕浪费每一天。
另一方面 ，竞争也非常激烈，我希望公司里的每个人 ，包括我自己 ，也希望所有合作伙伴未来每天都能取得进步 。大家都知道，这个行业非常火热 ，未来的市场空间很大、前景非常广阔 ，但竞争也非常惨烈 。我们需要每天做得更好，只要我们公司和所有合作伙伴持续进步 ，我觉得未来就属于我们。
此外 ，我们也需要共同努力，让人类文明迈入下一个纪元 。这是一件非常有使命感的事情：真正让人类文明迈上新的台阶，让全世界的人都从繁重劳动中解放出来 ，让机器人承担繁重劳动 、生产物资 ，再把这些物资分配给所有老百姓，甚至房屋也可以由机器人来建造 ，再通过相应的分配机制分配给大家 。我觉得这些事情未来都有可能实现 ，让整个人类文明迈上新的台阶。
（文章来源：蓝鲸财经）
