宇树王兴兴：物理AI会在未来两三年突破，非常害怕浪费每一天
通用AI大多局限在屏幕之内，物理AI让机器走进现实干活。结合行业大会现场观点与落地案例，客观梳理人形机器人赛道的技术瓶颈、应用场景和产业推进节奏。


同样是AI，写文章算题的和动手干活的，门槛完全不在一个层面。很多人已经习惯了AI在手机、电脑屏幕里输出内容，却很少留意，让机器稳稳当当在现实世界操作物品，难度要高出一大截。宇树科技创始人王兴兴，把全部重心放在这条难度更高的赛道上，他给出的判断是，物理AI有望在一到三年内迎来关键突破，他自己始终带着紧迫感，不愿意白白消耗时间。

2026年10月22日，2026世界物理AI大会暨宇树合作伙伴生态大会在杭州举办，这场大会上，王兴兴完整讲出自己对物理AI发展节奏的判断。他口中的物理AI，也常被行业叫做具身智能，简单来说，就是让AI不再局限在服务器构建的数字空间，依托机器人本体、传感器和执行机构，看懂身边真实环境，自主规划动作，完成抓取、搬运、巡检这类和实物打交道的任务，形成感知、判断、行动、修正的闭环。

现在市面上的通用大模型，处理文字、推理题目、生成画面已经具备不错的水准，相当于大脑具备思考能力。但真实世界有很多不确定因素，光线会变、物品摆放没有统一标准，传感器采集的数据自带误差，电机运转、关节转动的时候，动作执行也会出现偏差。数字仿真环境里一次就能完成的抓取动作，放到普通房间里，很容易抓空或者碰倒周边东西。这也是当前行业公认的核心卡点：模型输出的指令，很难和机器人在物理空间里的动作精准对齐。导航、路线规划的技术已经成熟，柔性接触、精细操作，是现阶段最难啃的工程问题。

王兴兴在演讲里设定了一个清晰标准，用来标记物理AI行业的标志性节点，也就是行业常说的ChatGPT时刻。这个标准很务实：机器人进入陌生环境，只依靠一句文字或者语音指令，能在八成陌生场景中稳定完成八成核心任务，不需要人工提前录入空间布局，也不需要工作人员远程干预调试。举个例子，机器人第一次走进一间仓库，收到整理物料的指令，自主识别箱子、区分不同物料，避开通道里临时堆放的杂物，独立完成收纳。按照他的估算，简单的整理类任务，示范版本最快在2026年底到2027年就有机会落地，而普通家庭大规模用上这类机器人，还需要五到十年时间，技术突破和大众普及本身就存在时间差，不能混为一谈。

今年刚好是宇树成立第十年，王兴兴从2009年就开始自主研发双足机器人，一路从四足机器狗，迭代到现在的G1、H2-X人形机器人。G1机型从2024年5月发布，截至本次大会，累计下线一万到两万台，是全球交付规模靠前的人形机器人产品。宇树每年可以产出数万台整机，同时自研生产几十万个关节电机和配套模组。即便这个产能在行业里已经处于靠前位置，王兴兴依旧认为，距离普及还有很远距离。未来这条赛道想要真正铺开，整机产能需要向着千万台级别推进，供应链搭建、成本控制、良品率提升，每一环都需要持续打磨。他把下一阶段赛道竞争的重心，归纳成三个方向：大规模硬件制造能力、适配硬件的物理AI模型落地能力，还有算力集群、配套芯片的供给保障能力。

产业的推进从来不是单靠一家企业独立完成，场景开放、配套标准、上下游协同，共同支撑技术迭代。2026年6月，人形机器人与具身智能实景实训专项行动启动，专项面向工业生产、仓储物流、应急救援、零售服务等方向，目标到2026年底，在一批代表性场景完成常态化应用验证，沉淀一百个以上高价值场景，实现万台级别的落地规模。这套模式的核心思路是用真实场景带动技术迭代，开放工厂、园区、仓库等实地环境，让机器人在真实工况里试错，把现场遇到的问题反馈给算法和硬件团队，持续沉淀实景数据，避免技术长期停留在展厅演示阶段。

赛道里面已经出现一批脱离展会舞台、持续稳定运行的落地案例。在重庆，宇树落地西部创新运营中心，当地配套厂房、智算中心和产业配套资源，围绕核心零部件、整机组装、场景应用搭建链条，把机器人产业作为地方产业转型的方向之一。在成都锦江区，合作搭建面向基础教育的具身智能实验室，落地在中学课堂，学生可以动手调试、操控机器人，把前沿技术转化成科创课程，提前储备赛道需要的技术人才。

消费和特种场景的落地，也在稳步推进。国内多个城市的商场设置机器人体验点位，Go2四足机器狗面向科研、教育群体供货，不少学校和科创工作室采购用来开展机器人教学。在应急演练场景中，四足机器人搭载气体检测、热成像设备，进入人员难以抵达的废墟区域开展探测，代替人员进入存在有毒、高温风险的区域作业，拓展一线人员的安全边界。海外也有实际应用案例，波兰当地使用足式机器人在城郊区域开展巡查，驱赶闯入居民区的野生动物，成为国产足式机器人出海落地的一个样本。

本次大会上新亮相的H2-X机型，最长续航达到8小时，相比前代版本续航能力有明显提升，能够支撑长时间连续作业。它展示的腾空跳跃、高台跌落翻滚恢复姿态等动作，不只是视觉展示，本质是验证机器人在地形变化、突发扰动下的平衡控制能力，这类能力是安保巡逻、应急救援场景的基础要求。研发团队的资源分配，也在逐步调整，从优先展示高难度动作，转向打磨抓取、搬运、巡检这类具备实用价值的功能，把重心放在可以长期稳定交付的作业能力上。

这条赛道的竞争格局，和早年互联网、大模型行业有明显区别，单一硬件或者单一算法，很难长期锁定优势。全球多家算力厂商同步布局机器人仿真训练工具，芯片厂商、自动化设备企业、大模型研发团队都在参与进来，不同团队路线各有侧重，一部分优先深耕工业场景，一部分主攻商业服务场景，多条路线并行发展，共同扩充实景数据集，降低整个行业的试错成本。

客观来看，未来两三年迎来突破，不等于很快家家户户都能买到性价比合适、好用的家用机器人。这里所说的突破，是技术卡点取得实质性进展，模型和硬件对齐难题得到改善，出现一批成熟稳定、可以商用落地的标杆方案，优先在工业、特种、商业服务场景铺开。家庭场景环境变量多、需求分散，对价格敏感度高，落地节奏会慢很多。产业链持续投入的价值，更多在于带动电机、减速器、传感器、算力芯片等高端零部件同步升级，夯实智能制造升级的基础。

王兴兴那句害怕浪费每一天，不是制造焦虑，是硬件研发从业者面对技术窗口的真实心态。数字AI的发展浪潮已经走完一轮，改造物理世界的浪潮才刚刚起步，合适的发展窗口期有限。一旦行业跨过临界点，生态、标准、供应链格局会快速成型，后续追赶的成本会大幅增加。硬件研发迭代周期长，真机测试、零部件调试、场景适配都需要大量时间，试错成本很高，研发团队每天循环在仿真调试、真机测试、场景对接的工作里，节奏紧凑。

普通人不用急于跟风进场，但看懂赛道逻辑，能更好理解后续产业变化的方向。未来的工厂里，除了固定工位的机械臂，会出现能够自主移动、灵活调整任务的人形机器人；仓储环节的机器人，不再只能沿着预设轨道搬运，遇到货箱摆放错乱、通道临时遮挡，可以自主调整方案；高危巡检、抢险勘探这类岗位，逐步由足式机器人承接，减少一线人员暴露在风险中的机会。这些变化不会一夜发生，会跟着模型对齐能力提升、硬件成本下降、场景持续验证，一步步落地。

物理AI长期发展的落脚点，是拓展人的能力边界，提升生产效率，而不是简单替代人力。重复性、危险性、高强度的任务交给机器人承接，人力可以转向方案设计、设备运维、创意策划这类工作。国产机器人团队，正在和全球同行一起摸索这条全新路线，在自研硬件、实景场景落地的过程里积累独有的工程经验。

物理AI的拐点已经临近，但产业长跑才刚刚开启。技术验证、产能爬坡、场景普及，每一步都需要持续投入，需要从业者沉下心打磨。接下来两年，会是这条赛道集中验证技术猜想、补齐工程短板的关键周期，很多之前只在演示视频里出现的功能，会逐步变成稳定交付的产品。

你更看好物理AI机器人优先落地在工业车间、应急巡检，还是商业服务场景？欢迎在评论区留下看法，持续关注账号，跟踪人形机器人和智能制造赛道的真实进展。

免责声明：本文内容基于公开会议发言、产业通知及公开行业报道整理，仅用于产业信息交流，不构成任何投资建议，技术落地进度存在不确定性，相关企业成果以官方发布为准。