新华财经上海 11 月 5 日电 （记者 王鹤）11 月 5 日，在第八届虹桥国际经济论坛-人形机器人创新发展合作分论坛上，宇树科技创始人兼 CEO 王兴兴对具身智能的 「ChatGPT 时刻」 何时到来作出前瞻判断。他指出，当前人形机器人的核心发展仍取决于具身智能大模型的进展速度，并提出了实现突破需解决的模型与数据等三个关键问题。
图为：宇树科技创始人兼 CEO 王兴兴
具身机器人当下及未来最关键的核心技术：机器人大模型
在王兴兴看来，谁能在未来一两年内实现 「在 80% 的陌生场景中完成 80% 任务」 的突破，谁就是全球最领先的具身智能。
「目前人形机器人 （包括具身智能） 最关键的还是机器人大模型 （具身智能模型） 的进展速度，我觉得稍微有点慢了。」 王兴兴表示，相对去年来说，今年深度强化学习的全身运控的进步非常明显，但在具身大模型，「端到端能干活 「的技术进步稍微慢了一点，但总体而言其对人形机器人的前景较乐观。
王兴兴称，「具身机器人目前的发展阶段类似于 ChatGPT 发布前的 1-3 年左右，大家已经发现了方向，但还没有做成可以突破临界点的事情。」
具身智能 ChatGPT 会是什么样子的？
对于真正的具身智能的 ChatGPT 时刻会是什么样子，王兴兴提出了自己的构想。「某一天我们公司或者全球的某一个公司、实验室能达到下面这个效果——在 80% 的陌生的生活场景中，如果给机器人发送语音或文字，机器人大概能完成 80% 左右的任务。」
王兴兴畅想道，如果到明年这个时候，一台人形机器人能够在一个从未见过的真实场景中，仅凭自然语言指令就完成任务——例如 「帮我拿杯水」 或 「请把这份资料交给那位记者朋友」，且无需任何预训练或预设环境，就能自主识别、规划与执行，这样的系统若能实现约 80% 的成功率，将是一次突破性的技术飞跃。
他认为，这一能力的实现将标志着人形机器人领域迎来类似于人工智能的 「ChatGPT 时刻」，是极其重要的里程碑目标。
智能体机器人当下及未来最关键的挑战：是模型问题还是数据问题？
王兴兴称，目前智能体机器人在模型和数据两个方法都存在提升空间。 在模型层面，尽管业界已对多种结构进行了尝试，但现有模型的泛化能力仍显不足，亟需在架构设计上进行更具突破性的创新。 在数据层面，虽然人们普遍期望获得更高质量、更大规模的数据集，但现实中数据采集难度大、质量评估标准尚不完善，成为制约发展的关键因素。
「大家希望数据更质量更好、有更大规模数据，但目前对数据的采集，包括数据质量的评判还非常困难。」 王兴兴表示，模型与数据两者相辅相成，需要持续投入时间与研究精力，而非盲目追求 「数据量越多越好」 或 「模型越大越强」。他强调，真正的突破在于对模型结构创新、数据采集方式以及数据质量提升的深入思考与系统改进——这也是当下全球人工智能与智能体研究共同面临的核心难题。
当前主流的人形机器人智能体训练路径主要有两种：VLA+RL（视觉-语言-动作结合的强化学习） 和基于视频生成的世界模型 （Video-generated World Model）。两种方式既可在仿真环境中训练，也可在真实环境中进行，但目前普遍面临泛化能力不足的挑战。
王兴兴解释称，从实验结果来看，在特定产品或限定场景下，模型表现良好——若训练数据质量高、数量充足 （数百至上千条），成功率几乎可达 100%。然而，一旦更换操作物体或改变环境场景，成功率便骤降至 70% 甚至更低；若模型同时承担几十种任务，性能反而下降。这表明，当前智能体模型的泛化能力仍有待显著提升。
以宇树的研究为例，该公司去年尝试开发基于视频生成世界模型的机器人系统，并已将模型结构、训练算法、部署方案及数据集完全开源。该模型思路相对直观：机器人通过采集自身动作与环境反馈，生成动态视频，并据此 「预想」 未来应如何行动，再据此控制行为。理论上，整个闭环可自洽运行。
然而，这一方向仍存在关键难题——视频生成与机器人控制之间的对齐问题。当前视频生成模型的生成能力极强，可以根据指令生成高质量场景 （如 「一个人形机器人在家中做家务」），但这些视频难以与真实机器人的动作控制精确对应。换言之，视频模型能 「生成世界」，却无法让机器人在现实世界中按此逻辑精准行动。两种模态 （视觉生成与物理执行） 的对齐误差较大，成为视频生成世界模型实现实际落地的最大技术瓶颈。
编辑：葛佳明
声明：新华财经 （中国金融信息网） 为新华社承建的国家金融信息平台。任何情况下，本平台所发布的信息均不构成投资建议。如有问题，请联系客服：400-6123115
