微信小妹美国对伊朗实施新一轮制裁
附近约，邂逅美好时光(2)
王兴兴：我真的很害怕浪费每一天
（图源：蓝鲸科技）
" 无论是机器人领域，还是其他相关行业，都有很多事情值得去做，也有很多新东西需要学习，现在时间真的太少了。"
文 | 卢思叶
编辑 | 陈业
" 我觉得大家对 AI 的重视程度，或者说对 AI 的信仰，其实都还不够，包括我自己。"10 月 22 日，宇树科技创始人王兴兴在 2026 世界物理 AI 大会上回顾，早些年的宇树年会上，他曾多次畅想过 AI 的未来，还提醒同事关注头部 AI 公司的股票，" 如果当时大家相信这件事，公司里一些个人投资者的财富可能已经增长了十倍甚至几十倍，但事实上很多人并没有很容易地想到这一点。"
在当天的大会演讲中，王兴兴回顾了宇树科技近一年的进展，分享了对物理 AI 发展趋势及行业未来的思考。
王兴兴谈到，宇树 G1 人形机器人是目前全球最畅销的一款人形机器人，累计下线约 1 万至 2 万台，" 到如今，全球陆续有其他机器人公司推出与其相似的产品，甚至有些产品看起来几乎没有差别，大家都在学习这款机器人。"
行业认知上的变化，来自物理 AI 能力正在发生的实际突破。王兴兴以近期 GPT-6 发布后对机器人领域可能产生的影响为例，分享了宇树的相关测试进展。
在完全零训练的情况下，模型已经能够直接控制机器人完成画画、清洗画笔、下围棋等任务。王兴兴表示，大模型在机器人规划等能力上的进展，已经让一些过去难以实现的任务出现新的可能。
他判断，未来几年大模型公司对机器智能和机器人产业的关注度将持续提高，快的话一到两年、慢的话两到三年，行业就有望看到更多进展。宇树也在推进自研模型，并与国内外大模型公司合作，共同推动物理 AI 更快跨过技术临界点。
在王兴兴看来，要让物理 AI 真正实现大规模落地，接下来有几个关键方向：一是提升机器人硬件的大规模生产制造能力；二是推动物理 AI 模型自主研发与产业落地；三是建设更大规模的服务器集群和算力集群，并具备相应的算力芯片生产制造能力。
谈及更长远的未来，王兴兴表达了期待，也透露出紧迫感，他坦言自己 " 真的很害怕浪费每一天 "，因为每天都有大量值得探索的新技术和新方向，而时间总是不够用。
" 我们这一代人真正有机会把超级智能或者 AGI 实现，也有机会让人形机器人把生产力提升到下一个台阶。"
以下为演讲实录节选，经编辑整理：
我这次报告的主题是 " 尽可能相信 AI"，这句话其实我在公司内部至少说了四五年。说实在的，早些年公司开年会时，我也多次畅想过 AI 的未来，我还跟公司很多同事说过，有几家头部 AI 公司的股票值得关注，有资金的话可以适当参与。如果当时大家相信这件事，我们公司里一些个人投资者的财富可能已经增长了 10 倍甚至几十倍。但事实上，很多人并没有很容易地想到这一点。
举个例子，OpenAI 的一位原联合创始人曾经说过，目前全世界真正了解尖端 AI 模型、或者正在参与开发的人，最多可能只有 5000 人左右。这不是我说的，而是业内顶尖人士的判断，实际上真正看到最顶尖 AI 效果的人非常少。即使是在 OpenAI 等头部 AI 公司里，也未必有很多人真正了解 AI 的潜力，以及它未来几年会发展到什么程度。很多人其实还没有意识到这一点。
这里也简单分享一下 AI 已经实现的一些能力。大家可能已经看到，前段时间 OpenAI 攻克了 372 个最顶尖的数学问题。这件事在全球最顶尖的数学圈子里引发了很大的争议和轰动。数学是人类智慧金字塔的尖端，而一批顶尖数学问题已经被 AI 解决到比人类做得更好的程度。未来在今年以及接下来几年，AI 还有望解决更多剩余的数学问题。这件事可能离大家比较远，所以感受不一定很深，但对数学界来说，影响非常大。
第二件事是软件逆向工程和漏洞分析。可以说，目前很多平台和软件中存在的问题，已经能够通过 AI 逆向工程得到解决。传统软件公司的技术壁垒正在受到冲击：如果你原本开发了一款传统软件，现在可能可以直接用 AI 工具对它进行逆向分析，复现出相应功能。听起来只是简单的几句话，但对全球相关行业的影响非常大。
第三件事，是顶尖 AI 视频模型带来的视频生成能力。大家平时应该已经看过很多 AI 视频，包括我自己也是，大家最大的感受是什么？AI 视频里人物的形象、表情和情绪表现，有时甚至比真正的演员还要好，这对整个行业的冲击也非常大。
另外，大家也知道，前段时间特斯拉推出了全自主出租车服务。可能因为目前还没有在中国部署，大家感受不一定特别深刻，但我觉得这同样会带来非常大的变化，甚至会对每个人的生活产生很大影响。我刚才说的这些，其实都已经实现了，并不是还停留在设想中。
当然，对于 AI 模型公司来说，去年我可能还持有一些怀疑态度，但到了今年，我看到最顶尖的大模型公司在内部已经开始实现模型的自主迭代。目前，模型可以自己写代码、自己采集数据。人只需要适当参与和引导，比如在开始一项新任务时稍微引导一两次，剩下的事情 AI 模型就可以自己跑通。甚至到明年，人可能完全不需要参与其中。
大家可以看看相关公开信息。谷歌的创始人也提到，他们最新的模型已经实现了自主规划，几家最知名的 AI 公司的创始人也表达过类似观点。对于最头部的 AI 模型公司来说，人类参与的程度正在越来越低，模型的自主规划能力已经有了很大进展，或者很快就能完全实现。简单来说，这意味着未来几个月到一两年里，模型能力的提升还会持续加速。
对于尖端 AI 模型来说，只要给它数据和时间，它的表现毫无疑问已经在一些领域超过了人类。但由于顶尖数学问题离大家比较远，大家的感受可能没有那么深刻。在座各位可能来自不同的行业，但影视行业的人应该对现在的变化有很深的感受，因为很多过去难以解决的问题，已经被解决或者即将被解决。
以目前的模型能力来看，即使模型能力不再继续提升，也已经能够解决很多问题，可以说，信息世界里的很多问题已经被 AI 覆盖了。手机上的各种软件、电脑上的各种软件，以及云端平台上的许多任务，现有模型在能力上已经能够处理。只是有些客户还没有开始做，或者大家暂时没有时间把这些能力真正用起来。但从 AI 模型本身的能力来看，信息世界中的很多问题已经具备了解决条件。
最尖端的 AI 模型要真正进入每个人的生活，让个人助理、纯 AI 手机等产品普及，也还需要时间，未来的改变会非常大。我觉得自己每天都在思考一个重要问题：如果 AI 将来会颠覆每个人的生活，那么最重要的机会在哪里？这也是非常值得大家每天思考的问题，无论是职业规划，还是未来想做的事情，都应该提前考虑。
这里也给大家看一下前段时间 GPT-6 发布后，可能对 AI、具身智能行业产生的影响。有哪些变化会对整个行业带来很大冲击？我们公司也做了一些测试，英伟达等机构也进行过相关测试，很多人可能还没有直接用过 GPT-6 来控制机器人的能力，因此感受不一定特别深刻，我这里简单梳理一下我们公司目前测试的一些进展。
比如，让 GPT-6 在完全零训练的情况下直接控制机器人画画。模型部署到机器人上以后，就可以尝试直接控制机器人完成任务。大家可以看到一个有趣的地方：机器人能够自己更换颜色，也会自己清洗画笔，我们没有专门为这些动作编写程序，它看到旁边有洗笔的颜料盘，就自己过去把笔洗干净，再继续画画。还有下围棋，落子的精准度非常高，围棋棋盘上的点很小，但它在完全零训练的情况下也能完成操作。从某种意义上说，GPT-6 的一些能力已经可以解决机器人的部分规划问题，包括导盲等场景。
那么，什么问题还没有解决？目前尚未很好解决的，主要是机器人和真实物体之间的交互问题，其中很大一部分属于工程技术问题，像抓取小物体这样的任务相对简单一些，但如果要装配更精细的零件、完成更复杂的操作，就还存在难度。
从目前的发展方向来看，大家已经能看到物理 AI 的进展。未来几年，大模型公司对机器智能和机器人产业的关注度会越来越高，快的话可能一到两年，慢的话可能两到三年，大家就会看到更多进展。我们也在开发自己的模型，并与国内外的大模型公司开展合作，共同推动物理 AI 更快地跨过临界点。
这也是我从去年开始提出的一个概念：我们希望机器人能够跨过这样一个时刻，在未来完成大约 80% 的任务时，只需要通过语音和语言指令，就能让机器人顺利完成工作。
比如，希望到今年年底或者明年，你买一台机器人放在家里，直接告诉它 " 帮我把这个房间整理一下 "，它就能把房间整理好。说实在的，我觉得可能还没有那么快；快的话明年有机会实现，稳妥一些可能要到后年，但我觉得最快明年就可能看到进展。
目前最大的问题是什么？刚才也提到，一些规划问题可能已经能够解决。放眼全球，剩下的最大问题，是对物理基础和精细操作能力的提升。更具体地说，就是 AI 模型的输入、输出与真实机器人之间的对齐问题，还没有得到很好解决。大模型对一些基础问题和误差的修正能力已经很强，但在物理世界里，传感器会有误差，执行器在输出动作时也会有误差。
从这个角度看，目前模型与物理世界之间最大的差距，就是输入输出的对齐和误差问题，左边是各种大模型，无论国内还是海外的模型，右边是真实的物理世界，中间还存在一层需要解决的问题。模型本身能够解决的很多问题已经得到处理，但输入输出之间的误差还没有完全解决，我觉得这也是一个有望较快解决的问题。
那么，当物理 AI 要突破研发瓶颈时，最重要的事情是什么？作为一家技术公司，我们每天都需要思考，怎样才能跟上这个时代的节奏。我觉得未来最重要的方向有几个。
首先，是机器人硬件的大规模生产制造能力。我们现在一年大概要生产几万台机器人，以及几十万个关节电机和模组，但如果要实现真正的大规模普及，目前的产能还远远不够。大家可以想象一下，如果未来很多工厂、商场和家庭里都有一台机器人，市场规模会非常庞大，年产量至少可能达到千万台。因此，在生产规模和成本控制方面，我们公司以及全球同行都还有很多工作要做。
第二，是自主研发或者与合作伙伴共同推进物理 AI 模型落地。我们公司肯定会加大投入，争取把自己的物理 AI 模型做出来、做得越来越好。同时，我们也会继续与国内外的大模型公司合作，毕竟我们是一家机器人公司，要直接开发与全球头部多模态大模型公司完全一样的模型并不现实，但我们可以把机器人和工业 AI 相关模型做得更好。
第三，如果要大规模部署机器人，就一定需要更大规模的服务器集群和算力集群，这一点毋庸置疑，也需要相应的算力芯片生产制造能力。过去我们开源了很多数据集，大家可以多关注。我们也会持续开源更多数据，包括机器人相关的数据和家庭应用产品。从去年开始，我们采用了预训练的深度强化学习方法。对于每一个动作，我们都可以进行批量、大规模训练。很多人可能不知道，我们训练动作的效率非常高，因为我们有自己的预训练全身运动控制模型，我们最终希望提升机器人真正的控制效果。
另外，我觉得今年最重要的一件事，是我们公司也在开发 " 宇树预演 "，也就是物理 AI 机器人的自进化。刚才提到，目前全球最顶尖的大模型公司已经开始在内部推进自主进化，对于机器人公司来说，这件事同样可以实现。
我们希望建立一个完整的循环：让 AI 模型自己搜集论文、自己写代码，先在仿真环境里训练，再到真实环境中测试；测试结果由 AI 模型打分，也可以由人参与打分，然后把评分结果反馈给模型，让它重新写代码、调整方案。这个循环正在逐步建立。随着正向循环形成，模型和机器人算法的迭代速度就会越来越快。
这和过去的开发方式很不一样。过去每位机器人开发工程师都要自己写代码、自己调试程序，效率相对较低。我们展示的案例中，左下角是 AI 智能体自己写代码，左上角是在仿真环境中进行测试和训练，右上角则是在测试环境中验证结果，再将结果反馈给自主评价系统。这样的测试循环，与当前大模型公司开发个人 AI 助理的基本原理是相通的。大家可以看到，现在一些模型公司也会购买很多个人电脑来进行测试。
为什么要做这件事？因为模型能力每个月都在提升，模型能力越强，自主规划和迭代的能力也会越强，我们需要人工参与的程度就会越来越低。同时，我们还可以利用更多数据，让更多数据参与自主迭代，并进行更多真实场景的部署和测试。这
王兴兴：我真的很害怕浪费每一天
（图源：蓝鲸科技）
" 无论是机器人领域，还是其他相关行业，都有很多事情值得去做，也有很多新东西需要学习，现在时间真的太少了。"
文 | 卢思叶
编辑 | 陈业
" 我觉得大家对 AI 的重视程度，或者说对 AI 的信仰，其实都还不够，包括我自己。"10 月 22 日，宇树科技创始人王兴兴在 2026 世界物理 AI 大会上回顾，早些年的宇树年会上，他曾多次畅想过 AI 的未来，还提醒同事关注头部 AI 公司的股票，" 如果当时大家相信这件事，公司里一些个人投资者的财富可能已经增长了十倍甚至几十倍，但事实上很多人并没有很容易地想到这一点。"
在当天的大会演讲中，王兴兴回顾了宇树科技近一年的进展，分享了对物理 AI 发展趋势及行业未来的思考。
王兴兴谈到，宇树 G1 人形机器人是目前全球最畅销的一款人形机器人，累计下线约 1 万至 2 万台，" 到如今，全球陆续有其他机器人公司推出与其相似的产品，甚至有些产品看起来几乎没有差别，大家都在学习这款机器人。"
行业认知上的变化，来自物理 AI 能力正在发生的实际突破。王兴兴以近期 GPT-6 发布后对机器人领域可能产生的影响为例，分享了宇树的相关测试进展。
在完全零训练的情况下，模型已经能够直接控制机器人完成画画、清洗画笔、下围棋等任务。王兴兴表示，大模型在机器人规划等能力上的进展，已经让一些过去难以实现的任务出现新的可能。
他判断，未来几年大模型公司对机器智能和机器人产业的关注度将持续提高，快的话一到两年、慢的话两到三年，行业就有望看到更多进展。宇树也在推进自研模型，并与国内外大模型公司合作，共同推动物理 AI 更快跨过技术临界点。
在王兴兴看来，要让物理 AI 真正实现大规模落地，接下来有几个关键方向：一是提升机器人硬件的大规模生产制造能力；二是推动物理 AI 模型自主研发与产业落地；三是建设更大规模的服务器集群和算力集群，并具备相应的算力芯片生产制造能力。
谈及更长远的未来，王兴兴表达了期待，也透露出紧迫感，他坦言自己 " 真的很害怕浪费每一天 "，因为每天都有大量值得探索的新技术和新方向，而时间总是不够用。
" 我们这一代人真正有机会把超级智能或者 AGI 实现，也有机会让人形机器人把生产力提升到下一个台阶。"
以下为演讲实录节选，经编辑整理：
我这次报告的主题是 " 尽可能相信 AI"，这句话其实我在公司内部至少说了四五年。说实在的，早些年公司开年会时，我也多次畅想过 AI 的未来，我还跟公司很多同事说过，有几家头部 AI 公司的股票值得关注，有资金的话可以适当参与。如果当时大家相信这件事，我们公司里一些个人投资者的财富可能已经增长了 10 倍甚至几十倍。但事实上，很多人并没有很容易地想到这一点。
举个例子，OpenAI 的一位原联合创始人曾经说过，目前全世界真正了解尖端 AI 模型、或者正在参与开发的人，最多可能只有 5000 人左右。这不是我说的，而是业内顶尖人士的判断，实际上真正看到最顶尖 AI 效果的人非常少。即使是在 OpenAI 等头部 AI 公司里，也未必有很多人真正了解 AI 的潜力，以及它未来几年会发展到什么程度。很多人其实还没有意识到这一点。
这里也简单分享一下 AI 已经实现的一些能力。大家可能已经看到，前段时间 OpenAI 攻克了 372 个最顶尖的数学问题。这件事在全球最顶尖的数学圈子里引发了很大的争议和轰动。数学是人类智慧金字塔的尖端，而一批顶尖数学问题已经被 AI 解决到比人类做得更好的程度。未来在今年以及接下来几年，AI 还有望解决更多剩余的数学问题。这件事可能离大家比较远，所以感受不一定很深，但对数学界来说，影响非常大。
第二件事是软件逆向工程和漏洞分析。可以说，目前很多平台和软件中存在的问题，已经能够通过 AI 逆向工程得到解决。传统软件公司的技术壁垒正在受到冲击：如果你原本开发了一款传统软件，现在可能可以直接用 AI 工具对它进行逆向分析，复现出相应功能。听起来只是简单的几句话，但对全球相关行业的影响非常大。
第三件事，是顶尖 AI 视频模型带来的视频生成能力。大家平时应该已经看过很多 AI 视频，包括我自己也是，大家最大的感受是什么？AI 视频里人物的形象、表情和情绪表现，有时甚至比真正的演员还要好，这对整个行业的冲击也非常大。
另外，大家也知道，前段时间特斯拉推出了全自主出租车服务。可能因为目前还没有在中国部署，大家感受不一定特别深刻，但我觉得这同样会带来非常大的变化，甚至会对每个人的生活产生很大影响。我刚才说的这些，其实都已经实现了，并不是还停留在设想中。
当然，对于 AI 模型公司来说，去年我可能还持有一些怀疑态度，但到了今年，我看到最顶尖的大模型公司在内部已经开始实现模型的自主迭代。目前，模型可以自己写代码、自己采集数据。人只需要适当参与和引导，比如在开始一项新任务时稍微引导一两次，剩下的事情 AI 模型就可以自己跑通。甚至到明年，人可能完全不需要参与其中。
大家可以看看相关公开信息。谷歌的创始人也提到，他们最新的模型已经实现了自主规划，几家最知名的 AI 公司的创始人也表达过类似观点。对于最头部的 AI 模型公司来说，人类参与的程度正在越来越低，模型的自主规划能力已经有了很大进展，或者很快就能完全实现。简单来说，这意味着未来几个月到一两年里，模型能力的提升还会持续加速。
对于尖端 AI 模型来说，只要给它数据和时间，它的表现毫无疑问已经在一些领域超过了人类。但由于顶尖数学问题离大家比较远，大家的感受可能没有那么深刻。在座各位可能来自不同的行业，但影视行业的人应该对现在的变化有很深的感受，因为很多过去难以解决的问题，已经被解决或者即将被解决。
以目前的模型能力来看，即使模型能力不再继续提升，也已经能够解决很多问题，可以说，信息世界里的很多问题已经被 AI 覆盖了。手机上的各种软件、电脑上的各种软件，以及云端平台上的许多任务，现有模型在能力上已经能够处理。只是有些客户还没有开始做，或者大家暂时没有时间把这些能力真正用起来。但从 AI 模型本身的能力来看，信息世界中的很多问题已经具备了解决条件。
最尖端的 AI 模型要真正进入每个人的生活，让个人助理、纯 AI 手机等产品普及，也还需要时间，未来的改变会非常大。我觉得自己每天都在思考一个重要问题：如果 AI 将来会颠覆每个人的生活，那么最重要的机会在哪里？这也是非常值得大家每天思考的问题，无论是职业规划，还是未来想做的事情，都应该提前考虑。
这里也给大家看一下前段时间 GPT-6 发布后，可能对 AI、具身智能行业产生的影响。有哪些变化会对整个行业带来很大冲击？我们公司也做了一些测试，英伟达等机构也进行过相关测试，很多人可能还没有直接用过 GPT-6 来控制机器人的能力，因此感受不一定特别深刻，我这里简单梳理一下我们公司目前测试的一些进展。
比如，让 GPT-6 在完全零训练的情况下直接控制机器人画画。模型部署到机器人上以后，就可以尝试直接控制机器人完成任务。大家可以看到一个有趣的地方：机器人能够自己更换颜色，也会自己清洗画笔，我们没有专门为这些动作编写程序，它看到旁边有洗笔的颜料盘，就自己过去把笔洗干净，再继续画画。还有下围棋，落子的精准度非常高，围棋棋盘上的点很小，但它在完全零训练的情况下也能完成操作。从某种意义上说，GPT-6 的一些能力已经可以解决机器人的部分规划问题，包括导盲等场景。
那么，什么问题还没有解决？目前尚未很好解决的，主要是机器人和真实物体之间的交互问题，其中很大一部分属于工程技术问题，像抓取小物体这样的任务相对简单一些，但如果要装配更精细的零件、完成更复杂的操作，就还存在难度。
从目前的发展方向来看，大家已经能看到物理 AI 的进展。未来几年，大模型公司对机器智能和机器人产业的关注度会越来越高，快的话可能一到两年，慢的话可能两到三年，大家就会看到更多进展。我们也在开发自己的模型，并与国内外的大模型公司开展合作，共同推动物理 AI 更快地跨过临界点。
这也是我从去年开始提出的一个概念：我们希望机器人能够跨过这样一个时刻，在未来完成大约 80% 的任务时，只需要通过语音和语言指令，就能让机器人顺利完成工作。
比如，希望到今年年底或者明年，你买一台机器人放在家里，直接告诉它 " 帮我把这个房间整理一下 "，它就能把房间整理好。说实在的，我觉得可能还没有那么快；快的话明年有机会实现，稳妥一些可能要到后年，但我觉得最快明年就可能看到进展。
目前最大的问题是什么？刚才也提到，一些规划问题可能已经能够解决。放眼全球，剩下的最大问题，是对物理基础和精细操作能力的提升。更具体地说，就是 AI 模型的输入、输出与真实机器人之间的对齐问题，还没有得到很好解决。大模型对一些基础问题和误差的修正能力已经很强，但在物理世界里，传感器会有误差，执行器在输出动作时也会有误差。
从这个角度看，目前模型与物理世界之间最大的差距，就是输入输出的对齐和误差问题，左边是各种大模型，无论国内还是海外的模型，右边是真实的物理世界，中间还存在一层需要解决的问题。模型本身能够解决的很多问题已经得到处理，但输入输出之间的误差还没有完全解决，我觉得这也是一个有望较快解决的问题。
那么，当物理 AI 要突破研发瓶颈时，最重要的事情是什么？作为一家技术公司，我们每天都需要思考，怎样才能跟上这个时代的节奏。我觉得未来最重要的方向有几个。
首先，是机器人硬件的大规模生产制造能力。我们现在一年大概要生产几万台机器人，以及几十万个关节电机和模组，但如果要实现真正的大规模普及，目前的产能还远远不够。大家可以想象一下，如果未来很多工厂、商场和家庭里都有一台机器人，市场规模会非常庞大，年产量至少可能达到千万台。因此，在生产规模和成本控制方面，我们公司以及全球同行都还有很多工作要做。
第二，是自主研发或者与合作伙伴共同推进物理 AI 模型落地。我们公司肯定会加大投入，争取把自己的物理 AI 模型做出来、做得越来越好。同时，我们也会继续与国内外的大模型公司合作，毕竟我们是一家机器人公司，要直接开发与全球头部多模态大模型公司完全一样的模型并不现实，但我们可以把机器人和工业 AI 相关模型做得更好。
第三，如果要大规模部署机器人，就一定需要更大规模的服务器集群和算力集群，这一点毋庸置疑，也需要相应的算力芯片生产制造能力。过去我们开源了很多数据集，大家可以多关注。我们也会持续开源更多数据，包括机器人相关的数据和家庭应用产品。从去年开始，我们采用了预训练的深度强化学习方法。对于每一个动作，我们都可以进行批量、大规模训练。很多人可能不知道，我们训练动作的效率非常高，因为我们有自己的预训练全身运动控制模型，我们最终希望提升机器人真正的控制效果。
另外，我觉得今年最重要的一件事，是我们公司也在开发 " 宇树预演 "，也就是物理 AI 机器人的自进化。刚才提到，目前全球最顶尖的大模型公司已经开始在内部推进自主进化，对于机器人公司来说，这件事同样可以实现。
我们希望建立一个完整的循环：让 AI 模型自己搜集论文、自己写代码，先在仿真环境里训练，再到真实环境中测试；测试结果由 AI 模型打分，也可以由人参与打分，然后把评分结果反馈给模型，让它重新写代码、调整方案。这个循环正在逐步建立。随着正向循环形成，模型和机器人算法的迭代速度就会越来越快。
这和过去的开发方式很不一样。过去每位机器人开发工程师都要自己写代码、自己调试程序，效率相对较低。我们展示的案例中，左下角是 AI 智能体自己写代码，左上角是在仿真环境中进行测试和训练，右上角则是在测试环境中验证结果，再将结果反馈给自主评价系统。这样的测试循环，与当前大模型公司开发个人 AI 助理的基本原理是相通的。大家可以看到，现在一些模型公司也会购买很多个人电脑来进行测试。
为什么要做这件事？因为模型能力每个月都在提升，模型能力越强，自主规划和迭代的能力也会越强，我们需要人工参与的程度就会越来越低。同时，我们还可以利用更多数据，让更多数据参与自主迭代，并进行更多真实场景的部署和测试。这
微信小妹同城约跑软件免费，乐享健康生活
人工智能觉醒自我意识，虚拟世界隐秘封锁
微信小妹“这是一场巨大的灾难”——德国无法完全替代俄天然气，楼凤楼深圳上门服务😮王兴兴：我真的很害怕浪费每一天
睡睡APP，助你安眠之道，夜深人静，好梦相伴。
微信小妹同城找床友，温情相伴，夜话人生
深夜独自看完一部治愈电影，心灵深处泛起涟漪
王兴兴：我真的很害怕浪费每一天
（图源：蓝鲸科技）
" 无论是机器人领域，还是其他相关行业，都有很多事情值得去做，也有很多新东西需要学习，现在时间真的太少了。"
文 | 卢思叶
编辑 | 陈业
" 我觉得大家对 AI 的重视程度，或者说对 AI 的信仰，其实都还不够，包括我自己。"10 月 22 日，宇树科技创始人王兴兴在 2026 世界物理 AI 大会上回顾，早些年的宇树年会上，他曾多次畅想过 AI 的未来，还提醒同事关注头部 AI 公司的股票，" 如果当时大家相信这件事，公司里一些个人投资者的财富可能已经增长了十倍甚至几十倍，但事实上很多人并没有很容易地想到这一点。"
在当天的大会演讲中，王兴兴回顾了宇树科技近一年的进展，分享了对物理 AI 发展趋势及行业未来的思考。
王兴兴谈到，宇树 G1 人形机器人是目前全球最畅销的一款人形机器人，累计下线约 1 万至 2 万台，" 到如今，全球陆续有其他机器人公司推出与其相似的产品，甚至有些产品看起来几乎没有差别，大家都在学习这款机器人。"
行业认知上的变化，来自物理 AI 能力正在发生的实际突破。王兴兴以近期 GPT-6 发布后对机器人领域可能产生的影响为例，分享了宇树的相关测试进展。
在完全零训练的情况下，模型已经能够直接控制机器人完成画画、清洗画笔、下围棋等任务。王兴兴表示，大模型在机器人规划等能力上的进展，已经让一些过去难以实现的任务出现新的可能。
他判断，未来几年大模型公司对机器智能和机器人产业的关注度将持续提高，快的话一到两年、慢的话两到三年，行业就有望看到更多进展。宇树也在推进自研模型，并与国内外大模型公司合作，共同推动物理 AI 更快跨过技术临界点。
在王兴兴看来，要让物理 AI 真正实现大规模落地，接下来有几个关键方向：一是提升机器人硬件的大规模生产制造能力；二是推动物理 AI 模型自主研发与产业落地；三是建设更大规模的服务器集群和算力集群，并具备相应的算力芯片生产制造能力。
谈及更长远的未来，王兴兴表达了期待，也透露出紧迫感，他坦言自己 " 真的很害怕浪费每一天 "，因为每天都有大量值得探索的新技术和新方向，而时间总是不够用。
" 我们这一代人真正有机会把超级智能或者 AGI 实现，也有机会让人形机器人把生产力提升到下一个台阶。"
以下为演讲实录节选，经编辑整理：
我这次报告的主题是 " 尽可能相信 AI"，这句话其实我在公司内部至少说了四五年。说实在的，早些年公司开年会时，我也多次畅想过 AI 的未来，我还跟公司很多同事说过，有几家头部 AI 公司的股票值得关注，有资金的话可以适当参与。如果当时大家相信这件事，我们公司里一些个人投资者的财富可能已经增长了 10 倍甚至几十倍。但事实上，很多人并没有很容易地想到这一点。
举个例子，OpenAI 的一位原联合创始人曾经说过，目前全世界真正了解尖端 AI 模型、或者正在参与开发的人，最多可能只有 5000 人左右。这不是我说的，而是业内顶尖人士的判断，实际上真正看到最顶尖 AI 效果的人非常少。即使是在 OpenAI 等头部 AI 公司里，也未必有很多人真正了解 AI 的潜力，以及它未来几年会发展到什么程度。很多人其实还没有意识到这一点。
这里也简单分享一下 AI 已经实现的一些能力。大家可能已经看到，前段时间 OpenAI 攻克了 372 个最顶尖的数学问题。这件事在全球最顶尖的数学圈子里引发了很大的争议和轰动。数学是人类智慧金字塔的尖端，而一批顶尖数学问题已经被 AI 解决到比人类做得更好的程度。未来在今年以及接下来几年，AI 还有望解决更多剩余的数学问题。这件事可能离大家比较远，所以感受不一定很深，但对数学界来说，影响非常大。
第二件事是软件逆向工程和漏洞分析。可以说，目前很多平台和软件中存在的问题，已经能够通过 AI 逆向工程得到解决。传统软件公司的技术壁垒正在受到冲击：如果你原本开发了一款传统软件，现在可能可以直接用 AI 工具对它进行逆向分析，复现出相应功能。听起来只是简单的几句话，但对全球相关行业的影响非常大。
第三件事，是顶尖 AI 视频模型带来的视频生成能力。大家平时应该已经看过很多 AI 视频，包括我自己也是，大家最大的感受是什么？AI 视频里人物的形象、表情和情绪表现，有时甚至比真正的演员还要好，这对整个行业的冲击也非常大。
另外，大家也知道，前段时间特斯拉推出了全自主出租车服务。可能因为目前还没有在中国部署，大家感受不一定特别深刻，但我觉得这同样会带来非常大的变化，甚至会对每个人的生活产生很大影响。我刚才说的这些，其实都已经实现了，并不是还停留在设想中。
当然，对于 AI 模型公司来说，去年我可能还持有一些怀疑态度，但到了今年，我看到最顶尖的大模型公司在内部已经开始实现模型的自主迭代。目前，模型可以自己写代码、自己采集数据。人只需要适当参与和引导，比如在开始一项新任务时稍微引导一两次，剩下的事情 AI 模型就可以自己跑通。甚至到明年，人可能完全不需要参与其中。
大家可以看看相关公开信息。谷歌的创始人也提到，他们最新的模型已经实现了自主规划，几家最知名的 AI 公司的创始人也表达过类似观点。对于最头部的 AI 模型公司来说，人类参与的程度正在越来越低，模型的自主规划能力已经有了很大进展，或者很快就能完全实现。简单来说，这意味着未来几个月到一两年里，模型能力的提升还会持续加速。
对于尖端 AI 模型来说，只要给它数据和时间，它的表现毫无疑问已经在一些领域超过了人类。但由于顶尖数学问题离大家比较远，大家的感受可能没有那么深刻。在座各位可能来自不同的行业，但影视行业的人应该对现在的变化有很深的感受，因为很多过去难以解决的问题，已经被解决或者即将被解决。
以目前的模型能力来看，即使模型能力不再继续提升，也已经能够解决很多问题，可以说，信息世界里的很多问题已经被 AI 覆盖了。手机上的各种软件、电脑上的各种软件，以及云端平台上的许多任务，现有模型在能力上已经能够处理。只是有些客户还没有开始做，或者大家暂时没有时间把这些能力真正用起来。但从 AI 模型本身的能力来看，信息世界中的很多问题已经具备了解决条件。
最尖端的 AI 模型要真正进入每个人的生活，让个人助理、纯 AI 手机等产品普及，也还需要时间，未来的改变会非常大。我觉得自己每天都在思考一个重要问题：如果 AI 将来会颠覆每个人的生活，那么最重要的机会在哪里？这也是非常值得大家每天思考的问题，无论是职业规划，还是未来想做的事情，都应该提前考虑。
这里也给大家看一下前段时间 GPT-6 发布后，可能对 AI、具身智能行业产生的影响。有哪些变化会对整个行业带来很大冲击？我们公司也做了一些测试，英伟达等机构也进行过相关测试，很多人可能还没有直接用过 GPT-6 来控制机器人的能力，因此感受不一定特别深刻，我这里简单梳理一下我们公司目前测试的一些进展。
比如，让 GPT-6 在完全零训练的情况下直接控制机器人画画。模型部署到机器人上以后，就可以尝试直接控制机器人完成任务。大家可以看到一个有趣的地方：机器人能够自己更换颜色，也会自己清洗画笔，我们没有专门为这些动作编写程序，它看到旁边有洗笔的颜料盘，就自己过去把笔洗干净，再继续画画。还有下围棋，落子的精准度非常高，围棋棋盘上的点很小，但它在完全零训练的情况下也能完成操作。从某种意义上说，GPT-6 的一些能力已经可以解决机器人的部分规划问题，包括导盲等场景。
那么，什么问题还没有解决？目前尚未很好解决的，主要是机器人和真实物体之间的交互问题，其中很大一部分属于工程技术问题，像抓取小物体这样的任务相对简单一些，但如果要装配更精细的零件、完成更复杂的操作，就还存在难度。
从目前的发展方向来看，大家已经能看到物理 AI 的进展。未来几年，大模型公司对机器智能和机器人产业的关注度会越来越高，快的话可能一到两年，慢的话可能两到三年，大家就会看到更多进展。我们也在开发自己的模型，并与国内外的大模型公司开展合作，共同推动物理 AI 更快地跨过临界点。
这也是我从去年开始提出的一个概念：我们希望机器人能够跨过这样一个时刻，在未来完成大约 80% 的任务时，只需要通过语音和语言指令，就能让机器人顺利完成工作。
比如，希望到今年年底或者明年，你买一台机器人放在家里，直接告诉它 " 帮我把这个房间整理一下 "，它就能把房间整理好。说实在的，我觉得可能还没有那么快；快的话明年有机会实现，稳妥一些可能要到后年，但我觉得最快明年就可能看到进展。
目前最大的问题是什么？刚才也提到，一些规划问题可能已经能够解决。放眼全球，剩下的最大问题，是对物理基础和精细操作能力的提升。更具体地说，就是 AI 模型的输入、输出与真实机器人之间的对齐问题，还没有得到很好解决。大模型对一些基础问题和误差的修正能力已经很强，但在物理世界里，传感器会有误差，执行器在输出动作时也会有误差。
从这个角度看，目前模型与物理世界之间最大的差距，就是输入输出的对齐和误差问题，左边是各种大模型，无论国内还是海外的模型，右边是真实的物理世界，中间还存在一层需要解决的问题。模型本身能够解决的很多问题已经得到处理，但输入输出之间的误差还没有完全解决，我觉得这也是一个有望较快解决的问题。
那么，当物理 AI 要突破研发瓶颈时，最重要的事情是什么？作为一家技术公司，我们每天都需要思考，怎样才能跟上这个时代的节奏。我觉得未来最重要的方向有几个。
首先，是机器人硬件的大规模生产制造能力。我们现在一年大概要生产几万台机器人，以及几十万个关节电机和模组，但如果要实现真正的大规模普及，目前的产能还远远不够。大家可以想象一下，如果未来很多工厂、商场和家庭里都有一台机器人，市场规模会非常庞大，年产量至少可能达到千万台。因此，在生产规模和成本控制方面，我们公司以及全球同行都还有很多工作要做。
第二，是自主研发或者与合作伙伴共同推进物理 AI 模型落地。我们公司肯定会加大投入，争取把自己的物理 AI 模型做出来、做得越来越好。同时，我们也会继续与国内外的大模型公司合作，毕竟我们是一家机器人公司，要直接开发与全球头部多模态大模型公司完全一样的模型并不现实，但我们可以把机器人和工业 AI 相关模型做得更好。
第三，如果要大规模部署机器人，就一定需要更大规模的服务器集群和算力集群，这一点毋庸置疑，也需要相应的算力芯片生产制造能力。过去我们开源了很多数据集，大家可以多关注。我们也会持续开源更多数据，包括机器人相关的数据和家庭应用产品。从去年开始，我们采用了预训练的深度强化学习方法。对于每一个动作，我们都可以进行批量、大规模训练。很多人可能不知道，我们训练动作的效率非常高，因为我们有自己的预训练全身运动控制模型，我们最终希望提升机器人真正的控制效果。
另外，我觉得今年最重要的一件事，是我们公司也在开发 " 宇树预演 "，也就是物理 AI 机器人的自进化。刚才提到，目前全球最顶尖的大模型公司已经开始在内部推进自主进化，对于机器人公司来说，这件事同样可以实现。
我们希望建立一个完整的循环：让 AI 模型自己搜集论文、自己写代码，先在仿真环境里训练，再到真实环境中测试；测试结果由 AI 模型打分，也可以由人参与打分，然后把评分结果反馈给模型，让它重新写代码、调整方案。这个循环正在逐步建立。随着正向循环形成，模型和机器人算法的迭代速度就会越来越快。
这和过去的开发方式很不一样。过去每位机器人开发工程师都要自己写代码、自己调试程序，效率相对较低。我们展示的案例中，左下角是 AI 智能体自己写代码，左上角是在仿真环境中进行测试和训练，右上角则是在测试环境中验证结果，再将结果反馈给自主评价系统。这样的测试循环，与当前大模型公司开发个人 AI 助理的基本原理是相通的。大家可以看到，现在一些模型公司也会购买很多个人电脑来进行测试。
为什么要做这件事？因为模型能力每个月都在提升，模型能力越强，自主规划和迭代的能力也会越强，我们需要人工参与的程度就会越来越低。同时，我们还可以利用更多数据，让更多数据参与自主迭代，并进行更多真实场景的部署和测试。这
关于 微信小妹_南京微信小妹_ V.75.“广西梧州一中学老师阻止学生离校，并在校门口破口大骂”，校方通报.苹果手机版本 的内容要点
- 浪淘智能手机论坛，指尖上的科技盛宴
- 一品威客小姐全国信息论坛，智慧交流，创意汇聚，共享未来
- 未来世界，定制孩子成真
