機器人能在80%陌生場景完成80%任務，就是“ChatGPT時刻”。

機器人前瞻3月17日報道，剛剛，宇樹科技創始人兼CEO、CTO王興興在GTC2026上，介紹了宇樹科技最近在具身智能方面的關鍵技術進展，以及對具身智能在任務泛化、數據效率與強化學習規模效應方面面臨的核心瓶頸的看法。

王興興認為，具身智能雖然已經成為近兩年全球最受關注的技術賽道之一，但行業距離真正跨過“ChatGPT時刻”仍有明顯距離。當前最大的難題在于，還沒有出現一個真正具備強泛化能力、能夠在陌生場景中穩定執行任務的具身智能模型。

他預測這一臨界點最快未來1-2年或2-3年可實現。

王興興強調，運動能力和干活能力必須同步推進，但前者仍然是后者的前提。沒有足夠豐富的動作表達、沒有足夠高的穩定性，機器人就很難真正走進工廠、家庭和更多真實場景。

但在他看來，真正制約行業跨越臨界點的，已經不只是單一產品或單項動作表現，而是模型層面的系統性能力。王興興提出，要邁過具身智能的“ChatGPT時刻”，行業至少還要解決三件事：

一是提升模型對任務和動作的表達能力，突破泛化瓶頸；二是提高對視頻、仿真和真機等多元數據的利用效率，減少對大規模真機采集的依賴；三是讓強化學習形成可復用、可積累的規模效應。

在技術路線判斷上，他看好世界模型和視頻生成模型，認為這條路線天花板更高，也更有機會利用互聯網海量視頻和文本數據。

王興興覺得，如果未來機器人能夠在80%的陌生場景中，僅通過語言或文字指令完成80%的任務，那才意味著具身智能真正迎來了屬于自己的“ChatGPT時刻”。

以下是王興興本次演講內容的整理（機器人前瞻在不改變原意的前提下，進行了一定程度的增刪修改）：

01.

二十年后看，G1也依舊是一款經典產品

宇樹成立于2016年。更早的時候，我大概從2013年開始做四足機器人；人形機器人其實更早，2009年我還在讀大學的時候，就做過一個小型人形機器人。

這幾年，我們公司陸續做了好幾款人形機器人。目前比較經典的一款，是2024年5月發布的小尺寸人形機器人G1。某種意義上，它已經成為全球范圍內非常經典的一款機型。很多國內外用戶都在使用它，甚至不少別的公司也在研究、借鑒這款機器人的設計方案。

這款機器人的最大特點，是小巧、緊湊、性價比高。它大概一米三左右，重量幾十千克，腿部和手部的自由度都很高，傳感器配置也比較完整，整機的緊湊度非常高。所以它的易用性、外觀美觀性，在全球范圍內都表現得很好。即使再過十年、二十年回頭看，這款機器人也會是很經典的一代產品。

去年，我們又發布了一款中型工業級機器狗，各項性能指標都很強，可以做室內外的巡檢等工作。

同時，我們還發布了一款身高1.8米的大尺寸人形機器人H1。這款機器人的整機比例做得更好，更像人，靈活度也很好。當然，它的尺寸更大，現階段更適合做一些體力型工作，比如工廠場景、農業場景等。

前段時間，我們還發布了一款小型機器狗As2。它有基本的防水能力，負載能力也很強，可以承載十幾千克的負重，而且續航時間比較長。從硬指標來看，這款產品目前在全球也屬于領先水平。我們希望它未來能真正幫助人做一些實際的事情。比如徒步、旅行的時候，大家不需要自己背包裹，有它幫忙，過程會輕松方便很多。

我們之所以繼續做更大尺寸的人形機器人，是因為小尺寸機器人在支撐能力、負載能力、手臂力量等方面，天然還是會受到限制。

如果真的要進入工廠、家庭，尤其是做更偏體力型的工作，那么機器人的尺寸、力量和結構都必須更進一步。也正因為如此，大尺寸機器人在能力更強的同時，也會帶來更高的安全要求。

目前，這類大尺寸人形機器人已經可以學習和完成一些相對復雜的工程作業。但因為整機更重，力量也更大，所以近距離接觸時必須保持足夠的安全距離。至少兩到三米會更安全一些，否則被手臂或者腿部碰到，確實是可能受傷的。

02.

機器人想要大規模應用，

穩定性必須足夠好

在運動性能方面，我們這些年做了很多工作。

我們的人形機器人H1，在運動能力上已經拿到了很多有代表性的成績。比如長跑1500米，大概能跑到六分多鐘，一般人可能已經跟不上它了。當然，短跑方面，現在還沒有那么強，還需要繼續提升。

除了硬件，我們去年也做了很多軟件升級。比如自動化控制、任意動作下的抗沖擊能力、摔倒之后自主起身等。這些技術都非常有用。

因為我們相信，機器人未來想大規模應用，最重要的一點就是穩定性必須足夠好。哪怕出現極端情況，它也要能自己恢復、自己站起來。

從目前來看，我們機器人的算法對硬件的適配能力比較強，所以在不同機型上的泛化表現也相對更好。理論上，現在人可以做的很多動作，機器人其實都已經可以嘗試去完成。

當然，一些特別復雜的動作，還是會遇到問題。比如動作里有很大的側向力，或者地面比較滑，這些都會帶來挑戰。但總體上，我們還是希望不斷把運動能力做到更強。

去年，我們在RL控制模型上做了很多升級，包括基礎跑步、舞蹈動作、武術動作，以及機器人在任意動作下受到干擾后的快速恢復和穩定控制。去年下半年，我們也做了比較完整的全身遙操作。

我覺得，在全身深度強化學習上，很多核心問題其實已經基本被解決了，接下來更多是繼續完善。

03.

春晚背后，不是單個動作訓練，

而是整套系統能力

今年2月，我們參與的春晚節目在國內外都得到了非常熱烈的反饋。為了做這個節目，我當時幾乎把能找到的中國傳統功夫動作都梳理了一遍。最初大概找了上百個動作，再從里面篩選出更有表現力、更適合機器人的動作，最后留下了幾十個，包括醉拳、雙截棍、舞棍、舞劍等比較經典的內容。

同時，我們也挑戰了一些高難度動作。比如原地連續空翻之類的動作，對電機和腿部的負載壓力都非常大。再比如上墻動作，我們也希望挑戰更高難度，不只是單步，而是做更高、更有視覺沖擊力的動作。

在節目中的舞棍部分，我們還用到了靈巧手，這樣機器人就能抓握棍子。除此之外，更大尺寸的人形機器人也在分會場做了特別的造型和展示，整體都很有趣，也很有意義。

在節目里，我們對機器人稍微進行了一些改裝。

比如把頭部激光雷達換成了128線的3D激光雷達，并調整了朝向，讓它能夠看到周圍更多的信息。因為激光雷達只看下方或者側面，在多人、多機密集場景里很容易被遮擋。

另外，，我們使用的是一個預訓練的全身RL模型，而不是單獨訓練一個RL模型。這樣做的好處是，它的復合能力更強，訓練和調試更方便，也更利于快速走位、復雜動作組合，以及不同硬件之間的兼容。

簡單來說，我們現在做復雜動作時，理論上可以讓機器人瞬間停下來，停穩之后再瞬間切到下一個動作。如果用更早期的技術路線，很多單動作策略是沒法這樣中途暫停和切換的，一停就可能摔倒。現在可以做到穩定停住，再切換動作，這對調試和組合各種復雜動作幫助非常大。

另外，我們還開發了全身狀態感知模型，讓機器人在動作過程中更好地完成感知和決策；同時也做了集群控制系統，可以調動幾十臺、甚至上百臺機器人完成復雜走位和編隊。

04.

運動和干活，必須同步推進

我們一直認為，運動能力和干活能力都非常重要，而且必須同步推進。某種意義上，運動能力還是干活能力的前提。

因為機器人要干活，先要滿足幾個條件。第一，它的動作表達必須足夠豐富，能夠做出各種各樣的動作；第二，它在做這些動作的時候必須足夠穩定。如果連這兩點都做不到，就很難談真正的干活能力。

這有點像動物。比如螞蟻、老鼠、狗，它們的大腦未必非常發達，但運動能力照樣很強。所以我覺得，運動智能某種程度上反而是一個相對更容易實現、也是必然要先做好的能力。先把身體能力做出來，再把“大腦”和“干活模型”做得更好，這是必要路徑。

過去幾年，我們也一直在推動機器人干活這件事，但客觀來說，這件事在全球范圍內依然都很難。

我們一直希望機器人真正去生產機器人，所以前段時間，我們也在開發相關模型，并嘗試把它們用到人形機器人上，讓人形機器人進入工廠，去生產人形機器人。這件事我覺得非常有趣，也有意義。

當然，現階段如果是特別復雜的工位，比如裝配關節模組，因為零部件多、工序復雜，它的成功率還不是特別高。但如果是抓取單個零部件，或者一兩個零部件組成的相對簡單動作，在訓練完成后，基本可以做到接近百分之百的成功率。

從全球范圍來看，多工序、長任務鏈、而且還涉及小零部件的復雜操作，依然是非常有挑戰的事。

另外，我們去年下半年做得比較好的一項技術，是全身遙操作。這項能力非常實用，尤其適合大規模數據采集。

當然，目前這種遙操作方案在全世界范圍內都還有一些共性問題。比如真正動起來以后，動作完成度和真人相比還有差距；在一些復雜動作里，腳會抖，身體也會抖，這會影響整體操作體驗。這些地方還需要繼續完善。

但從穩定性來看，這套方案已經做得比較好了。我們公開展示的視頻也沒有加速，都是一比一的真實速度。

05.

邁過“ChatGPT時刻”，

當前還有三個關鍵問題要解決

如果要討論具身智能怎么邁過“ChatGPT時刻”，我覺得首至少有幾個關鍵問題。

第一，提高模型對任務的表達能力，突破泛化瓶頸。

現在很多模型，連“表達”本身都還不夠強。它可能只能做一些基礎動作，但如果要讓它做任意動作、實時生成動作，或者更高級、更復雜的動作，模型本身還很難完整表達出來。

如果模型連動作都表達不出來，就更不可能讓它真正高質量地執行出來。所以，模型的運動表達能力一定要更強。這里面，多模態模型、感知能力、模型本身的編碼器和解碼器，都還需要繼續改進。

第二，是提升模型對多元數據的利用率。

機器人和語言模型不一樣，機器人數據目前仍然很稀缺。在真實機器人數據非常少的情況下，如果必須依賴海量真機數據才能把模型訓練出來，我覺得這個數據利用率還是偏低了。

所以我們應該盡可能在預訓練階段，多使用視頻數據、互聯網數據、仿真數據，先把基礎模型訓練出來，再提高對真實機器人數據的利用效率。這樣，真機數據可以更少，但系統依然能夠跑起來。

哪怕你真的有一萬臺機器人，也派一萬人去采數據，最后效果也不一定好。因為這里面還有數據質量、硬件差異、傳感器差異等很多問題。不是說機器數量多了，數據效果就一定會線性提升。所以我一直覺得，大家需要進一步提高數據利用率，盡可能多利用視頻數據和仿真數據，盡可能減少對真機大規模采集的依賴。

第三，提高強化學習的規模效應。

現在很多情況下，一個機器人的運動策略訓練好了，數據就丟掉了。下次做新動作，又要重新訓練。理想狀態應該是把這些數據收集起來，重新放進一個統一模型里二次利用，不斷復用、不斷累積，讓強化學習也能出現類似“越訓練越強”的規模效應。如果這件事能做好，強化學習的收益會非常明顯。

06.

世界模型或視頻生成模型，

是未來發展方向

最近幾年，具身智能領域出現了很多路線，比如比較經典的VLA模型，也有基于視頻生成的模型、視頻世界模型等。

我個人認為，未來更有希望的方向，還是世界模型或者基于視頻生成的模型。因為這條路線的天花板更高，甚至某種意義上，大家現在還看不到它的天花板在哪里。

原因也很簡單：如果走這條路線，機器人模型可以更充分地利用互聯網已有的大規模視頻數據、文本數據，而不是只依賴自己采集的真機數據。它的數據基礎天然更大，想象空間也更大。

去年到今年，我們也開源了一個基于視頻生成的世界模型。簡單說，就是機器人先在“想象”里生成未來要做的動作，然后再把這個想象過程和真實機械動作對齊，最后再去執行。從展示效果來看，視頻生成部分已經做得很好。

當然，這個方向也有明顯難點。最大的問題是：視頻模態和真機模態很難完全對齊。 在視頻生成里，誤差可能非常小，甚至幾乎為零；但真正落到機器人執行時，哪怕只差一毫米，效果都可能完全不一樣。所以未來可能還是要把視頻生成和強化學習結合起來，才更有機會真正跑通。

我們前段時間也開源了自己的VLA模型和訓練架構，但就我個人的判斷來看，現階段VLA模型的天花板，相對還是低一些。它確實有價值，但它在很多方面還存在瓶頸，尤其是泛化能力，目前還沒有看到特別理想的結果。

07.

80%陌生場景里任務完成率能達80%，

就是具身智能“ChatGPT時刻”

如果未來某一天，在80%左右的陌生場景里，只通過語言或者文字指令，機器人就能完成80%左右的任務，那我覺得，具身智能就真正邁過了它的“ChatGPT時刻”。

這里面最核心的點，是陌生場景。也就是說，你必須把機器人直接帶到一個它從來沒見過、訓練集中也沒出現過的環境里去，不需要重新訓練，不需要重新采數據，不需要提前掃描地圖，不需要復雜部署，直接把機器帶過去，它就能開始干活。

從概率上講，AI這件事多少還是帶點運氣成分。也許哪一天，突然有一家公司，或者某個非常厲害的團隊、某個天才，就把這個模型真正做出來了。

但我覺得，無論是誰做出來，這對整個行業都會是巨大利好。它會真正點燃行業的熱情，讓具身智能成為一個全球性的、歷史性的時刻。

所以，為了解決剛才提到的這些問題，我覺得最重要的還是全球共同合作。機器人、AI、具身智能，都不是一兩家公司，甚至也不是一個國家就能獨自完成的事。更多時候，它需要全球共同努力。

無論最后是誰率先做成，對整個行業都是好事。這個行業本來就是一個新興行業，我一直覺得，大家好，才是真的好。我們也希望有更多人進入這個行業，把東西真正做出來，而且做得更好。謝謝大家。