今日（2025年8月9日），宇樹科技創(chuàng)始人、CEO、CTO王興興在「2025世界機器人大會」的論壇上，發(fā)表了最新演講。以下是RoboX整理出的部分關鍵演講內容：

王興興表示，今年上半年，整個機器人行業(yè)非?；鸨偌由险叩闹С?，相關整機廠商及零部件廠商，平均每家企業(yè)至少有將近50%-100%的增長，這意味著需求端拉動了整個行業(yè)的發(fā)展。

在海外，特斯拉今年大概他們會發(fā)布他們第三代的特斯拉的人體機器人，同時包括英偉達、蘋果，META等頭部企業(yè)都在持續(xù)推動機器人領域的發(fā)展。

在此背景下，王興興分享了幾個個人觀點：

1、關于本體的誤區(qū)

之所以機器人還沒有大規(guī)模應用，并非因為硬件不夠好或者成本比較高。他認為其實從技術層面或者AI角度來說，目前硬件是完全夠用的，這也包括人形機器人和靈巧手。

關鍵問題在于量產，相關的工程問題非常多。

2、具身AI完全不夠用

與硬件相比，更大的挑戰(zhàn)，還是具身智能的AI完全不夠用，這也是限制機器人尤其人形進行大規(guī)模應用的最大問題。

王興興認為，目前的智能體AI應用，感覺類似于ChatGPT出來前的1-3年左右。目前業(yè)界已經發(fā)現了類似的方向以及技術路線，但是還沒人把它做出來。

而機器人的臨界點應當達到什么程度？他表示，如果哪一天我們帶一個人形機器人來到完全陌生的會場，和它說，幫忙把這瓶水帶給某個觀眾，它可以流暢地完成；或者說「把這個房間整理一下」，它也能自己完成，那就差不多達到了臨界點。

“如果快的話，未來的1-3年內還是很有可能實現的。最慢的話估計3-5年也可以實現，但是現在確實還沒有達到這個效果。”

3、關鍵問題：數據還是模型？

之所以智能機器人還沒達到應有水平，到底是模型的問題，還是數據的問題？王興興給出了獨特答案：

“目前全球范圍內，大家對于機器人數據問題的關注度，都有點太高了。現在最大的問題其實反而是模型?！?/strong>

他認為，目前具身智能和機器人的模型架構不夠好，也不夠統一。

“在大語言模型領域，當有了足夠多的好數據時，就能把模型訓練得越來越好。但是在具身智能領域，會發(fā)現在很多情況下，數據采了卻用不起來。大家對模型的關注目前是相對有點少，反而對數據關注有點太高了?！?/p>

4、對VLA模型持懷疑態(tài)度

“VLA是一個相對傻瓜式的架構，我個人對它還是抱一個比較懷疑的態(tài)度。”

王興興表示，VLA模型對于真實世界的交互，數據質量是不太夠用的。有個簡單的想法，是在VLA模型上加RL訓練，但綜合宇樹長期的嘗試來看，VLA+RL還是不夠的，模型架構還得再升級和優(yōu)化。

5、宇樹的做法

去年，OpenAI發(fā)布了視頻生成模型以后，行業(yè)內產生了一個想法——如果生成一個「整理房間」的視頻，是不是能讓視頻生成模型直接去驅動一個機器人去執(zhí)行？

去年，宇樹就做了這個事情——利用預訓練的機器人動作視頻，去控制機器人仿照執(zhí)行。他指出，目前谷歌的全新一代的視頻生成模型，也是一個視頻驅動的世界模型，同樣想實現這樣的效果。

“我覺得這個路線的方向，可能比VLA模型的收斂概率還大。但是我沒有驗證不敢打包票，目前該方法的問題就是，視頻生成模型太考驗視頻生成質量了，導致對GPU的消耗有點大。但是對機器人來說，如果遇到并不需要很高精度的視頻生成質量，還是可行的?！?/p>

6、機器人的Scaling law才剛開始

王興興指出，目前宇樹等品牌的機器人，在跳舞、格斗等動作上，實現的效果還不錯。但是要想進一步整體提升能力，還面臨著一個很大的問題。

“目前，機器人領域的Scaling law，大家做得非常不好。舉個最簡單例子，如果我有一個新的舞蹈要去訓練，那么每次加入新的動作，都要重新訓練，而是從頭開始訓練，這是非常不好的。我們是希望我每做一個新訓練的時候，是可以在之前的訓練基礎上去做AI訓練的?！?/p>

他認為，做AI訓練的時候，理論上應該訓練速度越來越快，學習新技能的效果越來越好。但是全行業(yè)內目前還沒人能做出來，這是非常值得做的一個方向。

因為這在語言模型上已得到過充分驗證，但是在機器人的運動控制上面，大家才剛剛開始。

“在未來2-5年，最重要的還是端到端的具身智能AI模型，模型本身是非常最重要的。”

7、硬件工程優(yōu)化

更低成本、更高壽命的硬件，哪怕對于已經發(fā)展100多年的汽車行業(yè)來說，如果要做一輛很好的汽車出來，工程量還是非常大的。

“對機器人行業(yè)來說，未來可能每年要生產幾百萬、幾千萬甚至幾億臺的人形機器人。如果要大批量生產制造出來，它的工程量的挑戰(zhàn)還是非常嚇人的一件事情?！?/p>

8、算力部署的局限性

目前，在人形機器人上，或者在移動機器人本體上，沒辦法直接部署很大規(guī)模的算力。這是因為它的尺寸和電池都有限，它部署的算力功耗也是有限制的。

王興興稱，在人形機上，最多只能部署峰值功耗約為100瓦的算力，且平時工作時算力只有幾個手機的水平。但是，未來的機器人對于大規(guī)模算力的需求肯定是毋庸置疑的，而且可能會是分布式的算力。

因為，大家都希望機器人工作的通信延遲比較低。此時如果數據中心或者算力中心在異地，延遲實在是太大了。所以他認為，未來如果一座工廠里有100個機器人，也可以配備集群的分布式服務器，這樣其安全性和通訊延時是可以接受的。

再比如，如果一個小區(qū)中每家每戶都有機器人的時候，該小區(qū)也可以有分布式的集群。并且如果有一個新客戶想買一臺人形機器人的時候，他不需要給這部分算力的建設花錢，成本也會更低很多。

“我覺得分布式集群是未來在機器人領域非常重要的構成。”王興興說道。

9、全球共創(chuàng)的重要性

他認為，機器人領域是一個全球共創(chuàng)的過程，包括中國、美國的很多的大企業(yè)，大家在過去的很多年和當下，都做了很多貢獻，也希望共同推動行業(yè)進步。

“在AI領域，沒有一家大公司能保證只要有足夠的人、有足夠的資源，就能永遠保持在AI領域領先。OpenAI和DeepSeek已經證明了AI的創(chuàng)新，永遠伴隨著一些隨機性。所以很多情況下，需要每家公司或者每家高校都做出很多貢獻，進行全球共創(chuàng)。”