王兴兴这几句话，是把整个机器人行业的底裤给扒了。

一帮人天天在那喊机器人革命，好像明天，家家户户就能有个机器人保姆，端茶、倒水、做按摩。

结果呢你现在市面上能买到的，有几个是真能干活的？

要么是扫地的，要么是陪你聊天的，要么就是在发布会上后空翻的。

后空翻那一下是很帅，可你家需要一个天天后空翻的玩意儿吗？

问题出在哪，

王兴兴一句话点透了，不是胳膊腿不行，是脑子不行。

这个脑子，就是他说的“具身智能大模型”，

现在搞 AI 的，都魔怔了，中了语言模型的毒。

觉得只要数据够多，算力够猛，把全世界的视频都喂给机器人，它就成精了。

这思路就跟以为把全世界的菜谱都背下来，你就能当米其林大厨一样。

你菜谱背得再熟，没进过厨房，没被油崩过，没切到过手，给你一把刀一堆菜，你照样抓瞎。

机器人就是这个状态，

硬件发展至今日，电机传感器以及控制系统，不能说是达到了极致巅峰，至少是能够满足需求了。

成本也在降，以前一个机械臂几十上百万，现在几万块也能搞个差不多的。

这就好比一个人的身体，骨骼肌肉都发育好了，一米八大个，浑身腱子肉。

结果脑子跟不上，你让他去搬砖，他能把砖给你捏碎了。

你让他去绣花，他能把针给你掰弯了，

这就是现在机器人行业的现状，一群肌肉发达的家伙，其行为能力宛如一个巨大的婴儿。

所谓的“具身智能”，说白了就是让这个肌肉猛男的脑子，能配得上他的身体。

让他知道鸡蛋是会碎的，杯子是会倒的，人是不能撞的。

让他生活在真实世界，理解这个世界的物理规律和因果关系。

而不是活在代码和数据里，

现在大家搞的 VLA 模型，视觉语言动作听起来高大上。

实际上干的事，就是个“复读机”，

你给它看一万个，“拿起杯子”的视频它学会的，可能只是在某个特定的角度，特定的光线下，用特定的姿势，去拟合那个，“拿起杯子”的动作序列。

你把杯子，换个颜色，换个位置，甚至让光线暗一点，它便懵了。

因为它根本不理解什么是“杯子”什么是“拿起”。

它只是在模仿像素点的变化，以及关节角度的对应关系。

这是训练，不是学习，

这是肌肉记忆，不是大脑认知，

王兴兴说这是“傻瓜式架构”，一点都没说错。

就是用最笨的办法，指望量变引起质变，

结果是数据越多，机器人的行为可能越诡异，因为它见过的“例外”情况太多，反而不知道该听谁的了。

真正的问题，是模型本身的设计，缺少了一个对世界的基本理解。

也就是他提到的“世界模型”，

这个东西，才是机器人从“能动”到“能干”的关键。

就是让机器人心里有个谱，知道一个球扔出去会往下掉，一杯水洒了会流一地。

它得能“脑补”出自己一个动作下去，世界会发生什么变化。

这样它才能做决策，才能规划，

而不是像个提线木偶，你拨一下，它动一下，

你让它去厨房拿个苹果，

它得知道，厨房在哪，苹果长什么样，苹果通常在冰箱里或者果盘里，冰箱门要怎么开，拿到苹果后要怎么避开桌子椅子走回来。

这一连串的动作，背后是一整套对空间、物体、任务的理解和推理。

这玩意儿，靠堆数据能堆出来吗，

很难，

因为真实世界的变量是无穷的，

你永远无法穷尽所有的数据，

所以模型必须有举一反三，甚至无中生有的能力。

这就是为什么王兴兴提到视频生成模型，

一个能生成逼真视频的模型，在某种程度上，它必须理解了物理规律。

它知晓光影是如何变化的，物体又是怎样碰撞的，液体又是如何流动的。

它在“想象”一个世界，

如果机器人能够具备这般想象力，这样在其采取行动之前，便可在脑海里“预先上演”一番。

哪个动作最有效，哪个动作有风险，一清二楚。

这才是智能，

但这玩意儿太难了，

算力、成本、数据质量，都是拦路虎，

更要命的是，现在连个统一的技术路线都没有。

大家都在摸着石头过河，

这就牵扯到另一层意思，就是市场和资本的焦虑。

造车的搞大模型的，一个个都融了几十上百亿，估值上了天。

热钱涌进来，都想看到回报，

都想赶紧把机器人卖出去，铺满工厂，送进家庭。

恨不得今天投钱，明天就能看到财报上多几个零。

但技术这个东西，它不讲情面，

不是你钱给够了，它就能一夜之间成熟的，

基础科学的突破，往往需要漫长的时间和积累。

大家都被过去几年互联网和移动互联网的成功经验给惯坏了。

以为一切问题都是流量问题，都是规模问题，

实际上机器人这个领域，还处在非常非常早期的阶段。

它不是一个纯粹的软件问题，

它是一个软硬结合，跟物理世界强交互的系统工程。

这就决定了它的发展速度，不可能像纯软件那般呈指数级迅猛地爆发。

王兴兴的话，就是给这股虚火浇了一盆冷水，

告诉那帮热血上头的资本家和创业者，都冷静点。

别整天就盯着怎么卖呢，先好好地想想，怎么让这东西能够“好用”起来。

一个连基本家务都做不好的机器人，你吹得天花乱坠，说它能解放生产力，谁信？

用户不傻，

买回家发现是个“人工智障”，除了添堵，啥也干不了，下次还会买吗？

所以他这番话，虽然不好听，但绝对是真话。

是那种在坑里摸爬滚打过的人，才能说出来的实在话。

他并没有否定数据所具有的重要性，他仅仅是，指出了数据存在的局限性。

数据是粮食，但你得有个好锅，有好厨子，才能把粮食做成饭。

现在的问题是，大家呢光顾着屯粮食，不过却发现，家里连个锅都没有呢。

那个锅，就是模型架构，

那个厨子，就是对具身智能的深刻理解，

所以未来两到五年，甚至更久，整个行业的焦点，都会在这个“具身智能大模型”上。

谁能先把这个硬骨头啃下来，谁就拿到了下一场革命的入场券。

这不仅仅是算法的事情呀，它涉及到了数学、物理、材料以及控制等方面，各个领域都有所关联呢。

是个苦活，累活，也是最核心的活，

你看王兴兴他们自己也在做机器人，他比谁都清楚其中的难处。

他说这些，不是为了唱衰行业，恰恰是为了让行业走得更稳。

少一点浮夸的宣传，多一点扎实的研究，

少一点对资本的迎合，多一点对规律的敬畏，

机器人这个事，急不来，

它需要耐心，需要沉淀，需要一代人甚至几代人持续不断地投入。

大家现在都站在一个历史性的门槛上，

门那边，是一个全新的世界，

但这扇门，不是靠钱和口号能撞开的，

它需要一把钥匙，

这把钥匙，就是王兴兴说的那个，真正能让机器人“身心合一”的大模型。

找到这把钥匙，才是所有问题的答案，

在这之前，所有的热闹，都只是前奏，

王兴兴说，具身智能达到类似ChatGPT的临界点的判断标准是，当一个人形机器人来到陌生的环境，能够听懂用户的随机指令并完成相应任务。“这一天快则1-3年就可实现，慢则3-5年也大概率能实现，”他说。

大语言模型通过互联网上现成的海量文本、图片和视频训练，而物理世界数据相对匮乏，产业界普遍认为具身智能发展的最大瓶颈是缺乏足够的数据。王兴兴反驳称，数据并不缺，缺的是适用于具身智能的模型架构。

王兴兴指出，大语言模型通过不断扩大数据规模来增加智能，产业界以为这样的规律同样适用于具身智能，但实际情况却是即便有数据，实际训练也用不起来。

他进一步指出，即便是近期行业内广受关注的VLA模型也不是具身智能模型架构的最优解。VLA即数据-语言-行动（Vision Language Action）模型，通过将多模态的数据整合输出端到端的行动方案。

他认为，谷歌于8月6日发布的Genie 3模型是目前最受关注的方向，该模型是一个以视频驱动的世界模型，机器人公司完全可以用类似模型生成的视频驱动机器人在真实场景中执行。他透露，宇树科技已经在进行此类尝试。

王兴兴还指出，具身智能遭遇瓶颈的另一大原因是具身智能强化学习的规模定律（Scaling Law）未有形成，导致执行每个任务都需要单独训练模型，因此端到端的具身大模型仍然是最有希望的研究方向。此外，具身智能对于算力需求大，而机器人本体承载算力的能力小，因而用于具身智能的分布式算力系统相关研究也极具价值。

宇树科技成立于2016年，以四足机器人起步，是全球最早一批实现四足机器人商业化的公司之一。高工机器人产业研究所调研数据显示，2023年，宇树拿下全球四足机器人市场69.75%的销量份额，同年杭州亚运会期间，宇树四足机器人还因在田径赛场上运送铁饼、标枪而“出圈”。

其实论坛上，王兴兴、英伟达物理AI的负责人Rev Lebaredian、银河通用创始人王鹤同台交流，对人形机器人的市场空间、技术路线、落地场景、中国发展机器人产业优势等关键问题进行讨论。

王鹤还认为，未来10年，人形机器人是一个能够超越当前所有工业机器人产值的市场；而20年后，人形机器人可能是超越汽车、手机的万亿级市场。

王兴兴认为，人形机器人相比履带式小车及其他形态结构更加简单，反而是最理想的专业机器人形态。

在具身智能技术挑战层面，王兴兴和王鹤存在分歧。王兴兴认为，具身大模型不够智能是当下人形机器人面临的主要问题。目前，行业内模型架构不统一，导致各家进展缓慢。

王鹤则认为，目前VLA（数据-语言-行动，Vision Language Action）这一模型架构相对够用，银河通用也推出了自研的VLA大模型，更大的卡点在于数据不够。相较于文本数据，图像、动作数据较为有限，因此合成数据和仿真技术最为重要。银河通用正在利用英伟达的数据仿真平台来生产数据以供训练。

Rev Lebaredian也指出，获取合适的数据是具身智能发展面临的主要问题，把AI用在数据生成流程中、自动化的生成合成数据是英伟达推动行业发展的解法。“如果我们拥有一个自动驾驶的合成数据生成工厂，就能直接将其接入训练流程，实现训练过程自动化，减少人为干预，让机器人大脑更聪明。”他说。

相关报道：

宇树CEO王兴兴：具身智能现阶段不缺数据 缺合适的模型架构

未来十年人形机器人产值将超千亿 技术、应用如何突破？

机器人来了｜特稿精选

我8年前写上帝们的时候就提到过N次了

人工智能要变成真正的“人”，还有三个关键步骤：

1.具身认知性

2.主观能动性

3.自我迭代性

满足不了这三点，别谈什么真人工智能