【导语】在8月9日举行的北京世界机器人大会上，宇树科技创始人、CEO王兴兴指出，当前智能机器人大规模应用的最大技术障碍在于AI模型的不足。他对常用的VLA模型架构表示怀疑，认为其数据采集质量和数量均不足，需进(jìn)一(yī)步(bù)升(shēng)级(jí)优(yōu)化(huà)。王(wáng)兴(xìng)兴(xìng)提(tí)出(chū)，只(zhǐ)有(yǒu)当(dāng)机(jī)器(qì)人(rén)能(néng)在(zài)未(wèi)知(zhī)环(huán)境(jìng)中(zhōng)自(zì)主顺(shùn)畅(chàng)完(wán)成(chéng)任(rèn)务(wu)时(shí)，才(cái)接(jiē)近(jìn)“GPT时(shí)刻(kè)”。同(tóng)时(shí)，他(tā)评(píng)估(gū)了谷歌新发布的Veo 3视频生成模型，认为其技术路线虽有潜力，但仍面临挑战。王兴兴强调，未来两到五年，机器人技术核心将是端到端的具身智能AI模型，而提升机器人模仿学习能力、解决Scaling law将是关键研究方向。
8月9日，宇树科技创始人、CEO王兴兴在北京举行的世界机器人大会上，谈及当前智能机器人暂时还没得到大规模应用的技术障碍时表示，最大的挑战是模型。“现在对具身智能和机器人来说，AI模型完全不够用，这也是限制当前人形机器人大规模应用最大的卡点。”此外，王兴兴对目前机器人公司选择的常用技术路线VLA模型架构持怀疑态度。
王兴兴在2025世界机器人大会上的发言
VLA模型指的是Vision-Language-Action Model（视觉－语言－动作模型），可以把它理解为——让机器“看得懂、听得懂，并且能动起来”的一种AI模型，强调像人一样，从感知环境到自主决策并采取一定的行动。
王兴兴认为，对于VLA模型，目前在真实世界交互中，数据采集的质量和数量都不足，即便在VLA模型基础上加入Reinforcement Learning（强化学习训练(liàn)），仍(réng)不(bù)够(gòu)用(yòng)，模(mó)型(xíng)本身还需要进一步升级和优化。
“目前机器人大模型类似于处在ChatGPT出来前的一到三年。”王兴兴称。
什么时候才能达到机器人GPT时刻？
王兴兴认为，如果有一天，我们带一台机器人到一个它此前从未去过的环境，随便给它一个指令，譬如“把这瓶水递给某位观众”或“帮忙整理一下这个房间”，它就能顺畅、自主地完成任务。那时就接近机器人的“GPT时刻”了。
今年5月，谷歌在I/O 开发者大会上正式发布了新的世界模型Veo 3，这是其首款能够同步生成音效（包括环境音与对话）的AI视频生成模型。
王兴兴认为，谷歌这条视频生成路线技术的收敛速度和成功概率可能会比VLA模型更高，但仍然面临还有很多挑战。其中一个主要问题是，视频生成模型过于关注画质，导致GPU消耗非常大。
另外，王兴兴指出，目前还面临的一个大问题是，如果要进一步提升机器人模仿学习的能力，必须解决Scaling law，而这一点目前行业做得并不好。“最简单的例子是，当我训练机器人执行一个新动作，比如学一支新舞或完成一项新任务时，往往需要从零开始训练，这非常低效。理想情况下，新的训练应该基于已有训练成果，让训练速度越来越快，学习新技能的效果越来越好。”
王兴兴指出，这是一个非常值得深入研究的方向，Scaling law在语言模型上的成功已经得到验证，但在机器的运动控制上，大家做的还只是刚刚开始，他建议可以关注这方面的研究。
王兴兴表示，在未来两到五年，除了更低成本、更高寿命的硬件之外，机器人的技术核心仍将是端到端的具身智能AI模型。