来自 科技2025-08-11 16:01:35
【导语】在8月9日举行的北京世界机器人大会上，宇树科技创始人、CEO王兴兴指出，智能机器人大规模应用的最大技术障碍在于AI模型。他对当前常用的VLA模型架构持怀疑态度，认为数据采集的质量和数量均不足，模型需进一步升级优化。王兴兴提出，当机器人能在未知环境中自主顺畅完成任务时，将接近“GPT时刻”。他还讨论了谷歌Veo 3视频生成模(mó)型(xíng)的(de)优(yōu)势(shì)与(yǔ)挑(tiāo)战(zhàn)，并(bìng)强(qiáng)调(diào)解(jiě)决(jué)Scaling law对(duì)提(tí)升(shēng)机(jī)器(qì)人(rén)模(mó)仿学习能力至关重要。展望未来两到五年，王兴兴认为，端到端的具身智能AI模型将是机器人技术的核心。
8月9日，宇树科技创始人、CEO王兴兴在北京举行的世界机器人大会上，谈及当前智能机器人暂时还没得到大规模应用的技术障碍时表示，最大的挑战是模型。“现在对具身智能和机器人来说，AI模型完全不够用，这也是限制当前人形机器人大规模应用最大的卡点。”此外，王兴兴对目前机器人公司选择的常用技术路线VLA模型架构持怀疑态度。
王兴兴在2025世界机器人大会上的发言
VLA模型指的是Vision-Language-Action Model（视觉－语言－动作模型），可以把它理解为——让(ràng)机(jī)器(qì)“看(kàn)得(de)懂(dǒng)、听(tīng)得(de)懂(dǒng)，并(bìng)且(qiě)能(néng)动(dòng)起(qǐ)来(lái)”的(de)一(yī)种(zhǒng)AI模(mó)型(xíng)，强(qiáng)调(diào)像(xiàng)人(rén)一(yī)样(yàng)，从(cóng)感(gǎn)知(zhī)环(huán)境(jìng)到(dào)自(zì)主决(jué)策(cè)并(bìng)采取(qǔ)一(yī)定(dìng)的(de)行(xíng)动(dòng)。
王(wáng)兴(xìng)兴(xìng)认(rèn)为(wèi)，对(duì)于(yú)VLA模(mó)型(xíng)，目(mù)前(qián)在(zài)真(zhēn)实(shí)世界交互中，数据采集的质量和数量都不足，即便在VLA模型基础上加入Reinforcement Learning（强化学习训练），仍不够用，模型本身还需要进一步升级和优化。
“目前机器人大模型类似于处在ChatGPT出来前的一到三年。”王兴兴称。
什么时候才能达到机器人GPT时刻？
王兴兴认为，如果有一天，我们带一台机器人到一个它此前从未去过的环境，随便给它一个指令，譬如“把这瓶水递给某位观众”或“帮忙整理一下这个房间”，它就能顺畅、自主地完成任务。那时就接近机器人的“GPT时刻”了。
今年5月，谷歌在I/O 开发者大会上正式发布了新的世界模型Veo 3，这是其首款能够同步生成音效（包括环境音与对话）的AI视频生成模型。
王兴兴认为，谷歌这条视频生成路线技术的收敛速度和成功概率可能会比VLA模型更高，但仍然面临还有很多挑战。其中一个主要问题是，视频生成模型过于关注画质，导致GPU消耗非常大。
另外，王兴兴指出，目前还面临的一个大问题是，如果要进一步提升机器人模仿学习的能力，必须解决Scaling law，而这一点目前行业做得并不好。“最简单的例子是，当我训练机器人执行一个新动作，比如学一支新舞或完成一项新任务时，往往需要从零开始训练，这非常低效。理想情况下，新的训练应该基于已有训练成果，让训练速度越来越快，学习新技能的效果越来越好。”
王兴兴指出，这是一个非常值得深入研究的方向，Scaling law在语言模型上的成功已经得到验证，但在机器的运动控制上，大家做的还只是刚刚开始，他建议可以关注这方面的研究。
王兴兴表示，在未来两到五年，除了更低成本、更高寿命的硬件之外，机器人的技术核心仍将是端到端的具身智能AI模型。
