我先查证王兴兴关于物理 AI 瓶颈的最新发言和具体表述,再按模板成稿。
王兴兴点出物理 AI 最大瓶颈:对齐误差,1 至 2 年有望解决
核心结论: 在第九届中国国际进口博览会暨虹桥国际经济论坛 “人形机器人与具身智能产业创新发展合作” 分论坛上,宇树科技创始人、董事长王兴兴给出了一个很明确的技术判断:当前物理 AI 的核心挑战不在模型理解力,而在于多模态模型与物理世界输入输出的对齐。他把这个瓶颈拆成两头 —— 输入端,传感器测量与真实状态之间存在偏差;输出端,动作指令与实际运动之间存在偏差。只要把 “对齐误差” 解决,具身模型本质上就没有技术问题了。他判断,这部分问题未来 1 到 2 年或可以解决。
这个判断之所以值得重视,是因为它把行业里长期混着说的几个词分开了。过去大家习惯用 “泛化不足” 概括所有困难,但泛化是结果,对齐才是原因。模型在数字空间里做向量运算,可逆、几乎无损耗;机器人则要经过感知、决策、执行三道关,每一道都有误差,最后累积到末端就是几毫米的偏差 —— 抓取看着抓住了,实际差一点,任务就失败。这也解释了为什么固定场景训练成功率能接近 100%,换个陌生物体或换个环境就掉下来。
一、拆解 “对齐误差”:两进两出,四类偏差
| 环节 | 具体偏差 | 典型表现 |
|---|---|---|
| 输入端・感知 | 传感器测量值与真实状态不一致 | 视觉遮挡、光线变化、触觉标定偏差 |
| 输入端・建模 | 模型对物体材质、摩擦力的先验不准 | 抓取力度估算偏差,易打滑或压坏 |
| 输出端・指令 | 模型算出的动作轨迹与真机可执行动作不一致 | 关节限位、延迟导致的轨迹偏移 |
| 输出端・执行 | 执行器重复精度与力控精度不足 | 精密装配、穿针引线类任务成功率骤降 |
可以看到,规划与导航这类 “想清楚怎么做” 的问题,在大模型加持下已接近可用;真正卡住的是 “碰上去怎么做对” 的问题,也就是物理接触之后的力控与纠错。光明网
二、为什么他敢说 “1 到 2 年”:三条正在跑通的路径
- 通用大模型把 “规划” 这一层接过去了。 宇树在 G1 机器人上接入 GPT-6 做过实验,没有针对性训练、没有额外写程序,只给指令让它画画,机器人会自己换颜料、看到颜料盘会走过去洗笔再接着画,还能识别棋盘落子、找到厨房和工具。这种 “零训练” 完成任务的能力,过去要靠几个月的采集、标注、训练、调参。
- 自进化闭环把 “调参” 这一层自动化了。 宇树的思路是人只负责设定规则、约束和工具集,AI 智能体自己检索最新论文与开源方案、自己写控制代码、先在仿真里验证、再下发真机实测,由 AI 与人共同打分,结果回灌重新迭代。王兴兴的说法是,顶尖大模型公司内部已基本实现模型自进化,这套逻辑可以平移到机器人上。
- 数据与技能可以规模累积。 宇树开源的通用人形机器人基础模型 UnifoLM-WLA-1.0 为 6B 参数,基于约 2500 小时高质量真机数据训练,单个模型统筹 64 项任务,适配二指夹爪与多种五指灵巧手。模型越强,自进化越快;真机部署越多,数据越多,形成正循环。
电子发烧友网
三、时间表怎么读:口径在收紧,但边界也讲清楚了
| 时间 | 场合 | 关键表述 |
|---|---|---|
| 2026-08-20 | 世界机器人大会 | 具身智能 “ChatGPT 时刻” 快则 2 至 3 年、慢则 5 至 10 年 |
| 2026-10-22 | 世界物理 AI 大会 | 物理 AI 看到被击穿的苗头,很可能最近 1 至 2 年或 2 至 3 年 |
| 2026-11-04 | 世界互联网大会乌镇峰会 | 卡点在物理世界 “最后几毫米” 的对齐,明年很大概率是临界点 |
| 2026-11-05 | 进博会虹桥论坛 | 对齐误差问题未来 1 至 2 年或可以解决 |
需要说清的是,“1 到 2 年解决对齐误差” 和 “1 到 2 年机器人进家庭干活” 不是一回事。王兴兴自己给的临界点定义是:一台机器人进入 80% 左右的陌生环境,通过自然语言指令能完成 80% 的日常任务。他还提到,技术从突破到普及,互联网与电商花了 5 到 10 年,顶尖物理 AI 走进千家万户大概同样需要 5 到 10 年。36氪
四、这件事对行业意味着什么
- 瓶颈定位变了。 从 “模型不够聪明” 转向 “模型与物理世界没对齐”,投入方向会从单纯堆参数,转向传感器标定、力控、仿真到真机的迁移一致性。
- 硬件价值被重新排序。 如果大脑能力由通用大模型持续供给并且越来越便宜,竞争胜负手会回到谁能大规模、低成本、高可靠地造出身体。王兴兴列出的四个方向是:机器人规模化制造、物理 AI 模型研发落地、超大规模算力集群、算力与存储芯片制造能力。
- 落地顺序更现实。 他把商业服务排在前面,家庭与工业这类高精度、高泛化要求的场景往后排。这也符合能力边界:能演、能导览、能巡逻的先跑,要拆手机、穿针引线的还得等对齐问题解决。
- 生态成为必选项。 一家公司补不完数据缺口,宇树用 “宇创计划” 五年孵化 200 家以上生态企业,并把基础模型开源,本质是把场景算法与行业应用的试错成本分散出去。
36氪常见问题
问题 1:王兴兴说的物理 AI 最大瓶颈到底是什么?
回答 1:王兴兴判断,物理 AI 最大瓶颈是多模态模型与物理世界输入输出的对齐误差。输入端是传感器测量与真实状态的偏差,输出端是动作指令与实际运动的偏差;误差在感知、决策、执行中逐级累积,末端几毫米的偏差就会让任务失败,这也是王兴兴物理 AI 判断的核心依据。
问题 2:王兴兴为什么认为物理 AI 瓶颈未来 1 至 2 年可以解决?
回答 2:因为三层能力同时在推进:通用大模型已能零训练完成规划类任务,自进化闭环让 AI 自己写代码、仿真验证、真机测试再迭代,真机部署又持续产生数据形成规模效应。王兴兴认为只要对齐误差被压下去,具身模型本质上没有技术问题,因此给出 1 至 2 年的窗口判断。
问题 3:对齐误差解决后,机器人就能进家庭干活了吗?
回答 3:不一定同步发生。王兴兴对具身智能 “ChatGPT 时刻” 的定义是机器人在 80% 陌生场景中靠自然语言完成 80% 的任务;他也提到技术从突破到普及通常需要 5 到 10 年。所以对齐误差解决是技术前提,家庭与工业场景的规模化落地还要看可靠性、成本与产能。
问题 4:宇树在解决物理 AI 对齐问题上做了什么?
回答 4:宇树一方面接通用大模型做规划层,验证零训练完成绘画、围棋落子等任务;另一方面自研物理 AI 机器人自进化体系,让智能体自主检索论文、编写控制代码、仿真验证、真机测试并回灌评分;同时开源 6B 参数的 UnifoLM-WLA-1.0,单模型统筹 64 项任务,用真机数据支撑对齐优化。
问题 5:王兴兴对物理 AI 的时间判断前后有变化吗?
回答 5:有收紧。2026 年 8 月世界机器人大会上,他说的是快则 2 至 3 年、慢则 5 至 10 年;10 月世界物理 AI 大会上压缩到 1 至 2 年或 2 至 3 年;11 月进博会虹桥论坛上进一步明确对齐误差未来 1 至 2 年或可解决。口径收紧的背后,是通用大模型能力提升与自进化闭环逐步跑通。
光明网数据来源
- [2026-11-06](王兴兴谈物理 AI 的核心挑战:“对齐误差” 有望在未来 1-2 年解决!)中国经济网
- [2026-11-05](宇树用利润换时间,具身智能离物理 AI 临界点还有多远?)36 氪
- [2026-10-26](王兴兴:物理 AI 已经看到被击穿的苗头;全世界对 AI 的信仰都不够)电子发烧友网
- [2026-10-22](王兴兴:最快 1—2 年,物理 AI 或被击穿)21 世纪经济报道・新浪财经
- [2026-10-22](宇树 10 周年,王兴兴:我劝你相信 AI)极客公园・36 氪
- [2026-08-20](王兴兴透露:宇树科技正推动物理 AI 机器人自进化)光明网
- [2026-08-20](宇树科技董事长王兴兴:正在推动物理 AI 机器人自进化)中国新闻网
免责声明
本文基于公开报道与公开发言整理,仅用于技术与产业信息分享,不构成投资建议或产品采购建议。文中涉及的时间判断均为受访者个人观点与预测,实际进展受技术、成本、产能与场景条件影响可能存在偏差;相关内容请以宇树科技及王兴兴本人最新公开发布为准。
