🐋 抹香鲸的奇妙信号

技术观察 · 物理 AI

物理大模型卡了三十年，王兴兴说这次要击穿了

2026年10月24日

2026 年 10 月 22 日，杭州，2026 世界物理 AI 大会暨宇树合作伙伴生态大会主论坛。宇树科技（688836）创始人、董事长兼 CEO 王兴兴登台，讲了一篇题为《相信，尽可能相信 AI》的演讲。

图：2026 世界物理 AI 大会主论坛现场（演讲原文配图）

台上有句话被现场很多人举着手机拍了下来：物理 AI，目前已经看到被击穿的苗头。很可能就在未来 1–2 年，或者 2–3 年。

这句话之所以被人反复转发，不是因为措辞狠，而是因为说这话的人不是评论员。宇树的 G1 人形机器人累计下线已经到 1 万–2 万台，是全球出货量居前的人形机器人之一；公司登陆科创板之后，成了今年资本市场关注度很高的硬科技标的。把 AI 装进机器人身体里的人，谈 AI 的能力边界，分量不一样。

但“苗头”这两个字，值得往回翻一翻。物理 AI 不是一个刚出现的词，它前面压着很长一段历史，而这段历史反复卡在同一个地方。

一、“物理 AI”这个词，已经喊了很久

把时间轴拉开看，让机器在真实世界里干活这件事，大致走过三代方案，每一代都解决了上一代的难题，也都在同一个地方停住。

头一代靠人写规则。 机器人怎么动、遇到什么怎么办，全靠工程师提前想清楚、写成程序、示教一遍。这套办法在结构化产线上强得可怕，节拍稳定、精度可控，汽车焊装线上跑了几十年。可它有个前提：世界得按预设来。出了围栏，地上多一个纸箱、光照变一下、零件换了型号，程序就不知道怎么处理了。

第二代靠数据学感知。 深度学习进来之后，机器终于“看得见”了——识别物体、分割场景、估计位姿，这些能力一项项被啃下来。但看得见不等于干得成。感知给出一堆坐标，决策层再算一遍该抓哪儿，控制层再执行一遍——三段拼起来，每一段都有自己的误差，串起来就是“看会了、手不会”。

第三代想把它们压成一个模型。 端到端，输入是摄像头和传感器的原始信号，输出直接是关节动作，中间的感知、决策、控制不再分家。这一代就是今天说的物理 AI，或者叫具身智能大模型。它吃的，正是这几年语言模型和多模态模型攒下的家底。

三代方案叠在一起，解决的是“能不能动”和“能不能看懂”，没解决的是另一件事：换个地方还灵不灵。王兴兴在台上把这件事说得很直白——这也是整场演讲里技术含量相当硬的一段。

二、卡点不在算力，在“对齐”

他先划清了物理 AI 的边界：AI 不再只活在数字世界、文本和图片里，而是能稳定地与真实物理世界交互，操控实体机器人去完成现实任务。

然后他说，现在机器人的规划、导航问题，已经解决得不错。眼下真正卡住的地方，是模型输入输出和真实物理世界的对齐。

为什么难？他给了一个很干净的对比：语言大模型是纯数字空间，输入输出是向量，可逆，几乎没有损耗；物理世界不一样，传感器有误差、执行器动作有偏差，抓取、操作陌生物体的时候，一点点误差累积，就会直接导致任务失败。

同一个模型，在固定场景训练好，成功率接近 100%；换一个没见过的物体、换一个环境，成功率立刻掉下去。

这就是具身智能的泛化难题。注意它和语言模型的差别在哪：语言模型答错一次，重答一次就行，成本几乎为零；机器人抓空一次，东西掉了、产线停了、人可能受伤，成本是物理的。所以物理 AI 的容错空间，从一开始就比语言模型窄得多。

回看前面那三代方案，卡住的其实是同一件事。头一代是人替机器想完了所有情况，所以它只能在想过的地方灵；第二代把“看”交给了数据，但“看”和“做”之间还隔着两层翻译；第三代把翻译层拿掉了，误差不再被逐层放大，可误差本身没消失——它变成了模型必须自己学会吸收的东西。

对齐，说的就是这个。

三、他给的解法：让机器人自己进化

这也是宇树现在主攻的方向——物理 AI 机器人自进化。他给出的路径叫自进化闭环，拆开看是五步：

人只负责设定规则、约束、工具集；AI 智能体自己去全网检索新近发表的论文、前沿研究和开源方案；AI 自主编写机器人控制代码，先丢进仿真环境跑；仿真验证通过之后，下发到实体机器人实测；测试完成，由 AI 和人一起打分评估，结果再反馈回去，让它重新迭代方案。

五步转一圈，形成一个闭环，自己持续进化。转得越多，模型对物理世界的理解越厚。

他还点了一个容易被忽略的前提：现在头部的大模型公司，内部某种程度上已经实现了模型自进化——模型自己采集数据、自己写代码，人类只做引导。这套逻辑完全可以平移到机器人上。随着基础大模型每个月、每一轮持续升级，这套闭环的能力也会跟着水涨船高，迭代速度会越来越快。

人只负责设定规则、约束、工具集，剩下的交给 AI 自己去检索、自己去写、自己去试、自己打分。

这句话听着像放权，其实是把人的位置往上提了一层：从写代码的人，变成定规则的人。对做技术的人来说，这个转向不舒服，但它可能是物理 AI 眼下真正跑得动的组织方式——因为物理世界的长尾太长，靠人一条条补规则，补不完。

顺着他这个逻辑，还有一个信号值得单独拎出来：GPT-6 出来之后，他们在机器人上做了大量测试，很多任务的表现超出之前的预期。这也是他敢说“击穿苗头”的底气所在——不是模型又大了一圈，是同一个模型换到机器人身上，泛化表现开始不像以前那样断崖式下跌了。

四、三个时间表，别混着看

演讲里出现了好几个时间数字，容易被读成一个。实际上它们是三件事，各自的时间尺度差得很远。

头一个是技术临界点。 很多人问他，具身智能的“ChatGPT 时刻”什么时候到来。他给的判据很清晰：机器人拿到一段自然语言指令之后，在 80% 的陌生场景里，能稳定完成 80% 的任务。到这个时候，行业才算真正跨过拐点。快的话 2–3 年，慢的话 5–10 年。他个人更期待在 2027 或者 2028 年，能在物理层面把基础大模型和机器人技术完全统一起来。

第二个是扩散周期。 技术能用了，不等于人人用上。

技术的扩散有周期。就像早年互联网、电商，从技术成熟到普通人广泛用上，花了 5–10 年。

尖端物理 AI 模型真正走进千家万户，他判断大概率同样需要 5–10 年。这个判断其实是在给过热的预期泼冷水：拐点到了是一回事，你家楼下出现一台能干活的机器人是另一回事，中间隔着成本、良率、售后、责任归属一整套东西。

第三个是落地顺序。 他明确说，在这个过程里，商业服务场景的落地速度会比家庭、工业场景更快。这个排序不意外——商业场景任务相对固定、环境相对可控、买单的人算得清投入产出；家庭场景恰恰相反，长尾无穷无尽，还要求安全上不能出一次事故。

三个时间表叠起来，得到的是一张很不性感的图：技术两三年见分晓，商业场景先跑，普通人的日常要等五到十年。

图：宇树 G1 人形机器人（演讲原文配图）

五、真要普及，绕不开四件事

站在产业角度，王兴兴列了四件绕不开的事。

一是机器人硬件的大规模制造能力，目标是年产千万台级别。他给的现状很实在：现在一年只有几万台机器人、几十万个关节模组，距离普及还差很远，成本、良率、产能都是硬课题。这个差距有多大，不用换算也知道——从几万台到千万台，是两个数量级。

二是自研或者联合伙伴落地专属的物理 AI 模型，适配机器人的交互逻辑。通用大模型懂语言，不一定懂力矩、摩擦和重心。

三是超大规模算力集群，还有算力芯片、存储芯片的制造供给。

四是再往下延伸的底层资源——高质量数据、充足算力、芯片产能、能源供给。他用了“决定赛道胜负”这个说法。

这四条里，前两条是机器人公司自己能推的，后两条不是。这也解释了他后面那句话：人形机器人行业接下来的竞争会非常惨烈，不是一家公司能独自做完所有事情，需要生态伙伴一起往前走。说这话的公司，通常已经摸到了自己能力的天花板。

六、真正的差距，在认知不在算力

演讲里有一段话，比技术判断更值得琢磨。

他说，现在全世界真正看懂尖端 AI 模型潜力的，可能也就几千人。绝大多数人根本不清楚 AI 真实的能力边界在哪，很多人看 AI 还停留在聊天、写文案的层面，低估了它持续突破的速度。他举的例子是：前沿 AI 已经可以攻克菲尔茨奖级别的数学难题，可以逆向工程复杂软件，影视、内容行业正在被快速洗牌。

然后是自我复盘。他说自己犯过的要紧错误里，头一条就是对 AI 相信得不够早；这几年对 AI 的信仰与日俱增，对 AI 的预期还可以再翻十倍以上。他还提到，早些年宇树的年会上就反复提醒同事要重点关注头部 AI 公司，如果当时真的相信这条主线，一些个人投资者的财富可能已经增长了十倍甚至几十倍，但现实里很少人真正抓住。

AI 不是一个短期风口，它是底层范式的重构。很多人还在用旧时代的估值框架去理解它，低估它重塑所有实体行业的力量。

这句话容易被当成口号，其实它是一句方法论：判断一个新东西，别拿旧尺子量。用市盈率去量一家还没量产的公司，用“能不能替代人工”去量一个还在解决对齐问题的模型，量出来的结论一定是“太贵”或者“没用”。而每一轮技术革命早期，这种结论都对过，也都错过。

需要说清楚的是，这些话讲的是技术能力的边界，不是资产价格的走势。信仰要拉满，账也要算清——这两件事不冲突。

尾声：苗头很轻，分量不轻

王兴兴这场演讲，讲了技术，也讲了耐心。他给的时间表不激进：技术两三年、商业场景先跑、普及五到十年。他给的判断却很强硬：物理 AI 的苗头已经出现，而且这一次不是又一轮 PPT。

数字世界的革命已经走完一轮，物理世界的 AI 革命才刚露出苗头。苗头这个词很轻，但它是从“固定场景 100%、换个环境就掉下去”那个时代里长出来的，分量不轻。

💬 评论区话题（来聊聊）

你身边有哪件事，是你觉得“机器肯定干不了”的？说说看，它可以难在哪一步——是看不懂，还是手不稳？

🐋 关注「抹香鲸的奇妙信号」

把技术变化，翻译成你能用的判断