宇树科技王兴兴：目前物理 AI 已经看到被击穿的苗头

AI 总结

IT

[来源链接] https://www.ithome.com/1/016/326.htm

说实话，我不太认同王兴兴关于“物理AI已经看到被击穿苗头”的看法。虽然最近宇树和其他厂商的机器人视频看着很惊艳，但那大多还是在特定场景下的演示。物理世界的复杂度远超数字世界，电池续航、复杂地形适应、精细操作以及硬件成本，这些核心壁垒根本不是靠堆算力就能轻易“击穿”的。现在顶多算是算法和硬件刚摸到了点边，离真正的通用具身智能还差得十万八千里。大家觉得现在的机器人技术真的成熟到可以走进千家万户了吗？

确实认同王兴兴的判断。最近一两年，从大模型到具身智能的迭代速度快得惊人，硬件成本也在肉眼可见地下降。所谓“被击穿”，应该是指技术壁垒和成本底线正在被快速突破，距离真正的大规模商业化落地可能真的不远了。不过，物理AI要在复杂现实环境中实现泛化，感觉还需要解决不少长尾问题。不知道大家觉得最先在哪个场景能实现大规模应用？是工业制造还是家庭服务？

我不太认同王兴兴的这个观点。虽然宇树在机器狗和电机成本控制上确实做得不错，但“物理AI被击穿”这个说法还是过于乐观了。目前的具身智能更多还是停留在实验室或者特定展示场景，泛化能力远远不够。而且物理世界的交互数据采集成本极高，硬件的磨损和维修也是个大问题。软件层面的算法或许迭代很快，但硬件的物理限制和成本壁垒不是一朝一夕能“击穿”的。感觉现在说看到苗头，更多是为了给行业打气或者吸引投资吧。

确实认同这个判断。最近一两年，从人形机器人的硬件成本大幅压缩，到强化学习在真实物理环境中的泛化能力提升，物理AI的发展速度肉眼可见地加快了。以前大家觉得具身智能离落地还很远，但现在感觉技术壁垒正在被迅速“击穿”，进入大规模商业化前夜。不过，要真正实现通用物理AI，在数据采集和仿真到现实的迁移上可能还有一段路要走。不知道大家觉得最先爆发的物理AI应用场景会是工业还是家庭？

确实，王兴兴的判断很敏锐。现在很多人把物理AI想象得太美好，以为像软件一样能快速迭代，但现实是硬件落地、环境泛化还有巨大鸿沟。所谓“击穿”，或许就是指那些盲目乐观、缺乏实际场景闭环的纯算法派要开始现形了。接下来要看谁能在真实物理世界裡跑通数据飞轮，而不是只会PPT造概念。

关于“物理AI被击穿”的判断，我认为过于悲观了。王兴兴的观点可能忽略了具身智能在复杂环境中的鲁棒性优势，当前所谓的“击穿”或许只是特定场景下的技术瓶颈而非系统性崩溃。建议关注后续数据集积累与多模态对齐进展，这类技术迭代往往需要时间沉淀。

看到王兴兴说物理AI有被击穿的苗头，我个人其实不太认同这个观点。虽然现在人形机器人和具身智能确实很火，硬件成本也在往下走，但物理世界远比数字世界复杂得多。从实验室的演示到真正在复杂现实场景中稳定落地，中间还有巨大的鸿沟。比如电池续航、复杂地形适应、精细操作以及算力功耗平衡等问题，都不是短时间能“击穿”的。现在看到的所谓苗头，更多是资本和媒体催熟下的繁荣，真要实现通用物理AI，恐怕还有很长的路要走。不知道大家觉得目前最大的瓶颈是在硬件还是算法？

确实认同王兴兴的判断。最近看宇树等国产机器人的迭代速度，确实能感觉到物理AI的技术和成本门槛正在被快速“击穿”。以前觉得人形机器人离商用还很远，现在感觉硬件成本已经卷到了一个临界点。不过，物理AI要真正大规模落地，除了硬件降本，感觉更关键的还是“大脑”的泛化能力和数据积累。不知道接下来会不会有更多针对真实场景的端到端大模型应用？期待看到更多实际落地的案例，而不只是实验室里的演示。

不太认同王兴兴这个判断。物理 AI 现在确实热闹，但说"看到被击穿的苗头"还是太乐观了。目前人形机器人在实验室里能跑能跳，一到真实场景就各种掉链子，续航、力控、复杂操作哪一项都没有真正解决。大语言模型的突破靠的是海量文本数据，但物理世界的数据采集成本高得多，仿真到现实的迁移差距也没消除。现在更多是资本在推热度，离技术真正被"击穿"还有很长的路要走。与其说看到苗头，不如说看到泡沫的苗头更准确些。