宇树王兴兴，2027年或成机器人行业临界点，物理AI突破在即

11月4日，宇树科技创始人王兴兴在2026世界互联网大会乌镇峰会互联网企业家论坛上发表演讲，明确提出：‘大概率明年将是机器人行业或机器人模型的临界点’。这一判断并非泛泛而谈，而是基于当前具身智能技术演进节奏、多模态模型能力跃升以及物理AI实际进展的综合研判。

王兴兴指出，当前机器人已在单一工序或固定工位实现高可靠性作业——训练充分时任务成功率可接近100%。例如，在仓储分拣、产线搬运等结构化环境中，机器人抓取、移动、放置等动作已具备工程级可用性。但瓶颈在于效率提升空间有限，且跨场景部署仍不便捷。更关键的是，面对非结构化环境中的精细操作，如拆装手机、穿针引线等需亚毫米级控制的任务，现有系统成功率显著下降。

他将此归结为‘最后的几个毫米的问题’：机器人对物理接触的感知与响应能力不足，AI模型的输入（视觉、力觉等传感器数据）与输出（关节指令、末端执行器动作）之间尚未实现高保真对齐。这本质上是感知-决策-执行闭环中‘触觉缺失’与‘世界模型失真’的双重挑战。即便多模态大模型在理解与规划层面已相当成熟，一旦涉及真实物理交互，误差会被迅速放大。

值得注意的是，王兴兴将这一阶段类比为具身智能的‘ChatGPT时刻’前夜。他认为，GPT-6的发布标志着基础模型能力进入新台阶，物理AI正出现被‘击穿’的苗头——即从‘能做简单任务’向‘可泛化应对复杂物理交互’过渡的关键拐点正在形成。若未来1至2年内能在触觉建模、仿真-现实迁移、小样本微调等方面取得实质性突破，机器人模型在理论层面的主要障碍将大幅减少。

除技术瓶颈外，王兴兴还点出一个常被忽视的现实问题：机器人数据利用率偏低。大量真实世界交互数据因标注成本高、任务定义模糊或缺乏统一表征方式而沉睡于数据库中。他坦言，包括宇树科技在内的行业玩家，目前对采集到的运动轨迹、力反馈、失败案例等数据尚未形成高效利用机制。随着基础模型自我进化能力增强（如通过强化学习自动挖掘失败模式），数据价值有望被重新释放——这或将推动机器人训练从‘依赖人工标注’转向‘模型自主提炼经验’的新范式。

在资源维度上，王兴兴提出未来世界五大核心要素：数据、算力、芯片产能、能源与矿产。其中，机器人所需的高精度执行器、低延迟传感模块及边缘推理芯片，均高度依赖上游材料与制造能力；而持续运行所需的能源密度与稳定性，亦构成规模化部署的隐性门槛。这意味着，机器人产业的爆发不仅取决于算法进步，更受制于整个硬科技生态的协同成熟度。

关于落地路径，王兴兴判断商业服务场景将快于家庭与工业领域。原因在于：商用环境（如酒店配送、商场导览、展厅巡检）任务边界相对清晰、容错率较高、ROI易量化；而家庭场景对安全性和鲁棒性要求极端严苛，工业场景则需深度适配既有产线标准，改造周期长。宇树科技近期推出的Unitree H1人形机器人已在部分展会与展馆试运行，其模块化设计与快速部署能力正是为此类场景优化。

王兴兴透露，宇树科技下一阶段重心将聚焦‘机器人大脑’技术攻关，即提升机器人在开放环境中的实时感知、因果推理与动态决策能力。除内部研发外，公司计划在全球范围内寻求产学研合作，尤其关注神经形态计算、触觉传感器芯片与高保真物理仿真平台的联合开发。他在 earlier 的2026世界物理AI大会上曾直言：‘全世界几乎所有人，包括我自己，对AI的重视程度和信仰都还不够’——这一反思指向的，是对物理世界智能体长期投入不足的行业共识偏差。

从产业演进角度看，2027年之所以被视作临界点，有多重信号支撑：一是头部企业人形机器人量产节奏加快（特斯拉Optimus Gen-2、Figure 02、优必选Walker X均已进入小批量交付）；二是开源社区涌现如OpenXRL、RoboGen等面向具身智能的数据集与训练框架；三是英伟达Isaac Sim、Google DeepMind RT-2等系统开始支持‘仿真→现实’零样本迁移实验。这些进展共同压缩了技术验证周期。

然而，临界点不等于爆发点。王兴兴强调，即使理论障碍被扫清，工程化落地仍需解决成本、安全认证、人机协作伦理等现实问题。例如，一台具备精细操作能力的人形机器人当前成本仍在百万级，远未达到服务业可承受阈值；而触觉反馈延迟若超过50毫秒，就可能引发操作失误甚至安全事故。

可以确定的是，2027年将成为检验‘物理AI是否真正可行’的关键年份。若多家厂商能在该年度推出具备稳定亚毫米级操作能力、可在3种以上非结构化场景中自主工作的原型机，则行业信心将发生质变；反之，若精细操作瓶颈持续难破，资本热度或再度回调。王兴兴的判断，既是对技术趋势的理性预判，也暗含对全行业加速投入的呼吁——在数据、算力与硬件协同演进的当下，错过临界窗口期的成本，或将远高于提前布局的风险。