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：