◎记者 王子霖 宇树科技登陆科创板次日，公司创始人、董事长王兴兴便现身2026世界机器人大会主论坛，并在演讲中透露了宇树科技最新的预研方向：推动物理AI机器人模型自进化。 当前，生成式AI与代码大模型在辅助编程、软件自动化测试等开发环节已实现规模化落地，显著提升了软件开发效率，但在机器人领域，AI技术的应用仍有较大突破空间。基于此，宇树科技将致力于推进物理AI机器人模型的自进化。 具体而言，公司计划依托当前最前沿的AI大模型作为驱动核心，自行定义规则、经验框架及约束工具，使AI大模型能够自主检索网络上最新的学术论文、顶尖研究成果及优质开源方案，并据此让大模型自动编写机器人的控制代码。控制代码实现部署后，评估机制由模型自评价与人工评审共同构成。 王兴兴介绍，基础模型能力的持续提升，将带动物理AI机器人模型自进化循环的效能同步提升。随着基础模型持续不断迭代升级，自进化系统本身的能力也会随之增强，形成良性循环。 在数据利用层面，相比效率较低的人工处理方式，自循环系统可将仿真数据、真实世界数据及人类行为数据全面纳入训练流程，显著提高数据利用效率。随着未来机器人部署规模扩大，测试数据与评价指标不断丰富，数据的规模化增长与利用率提升将得到有效保障。 王兴兴表示，一旦该闭环体系顺畅运行，机器人的开发效率与迭代速度将显著提升。经过持续运转，有望实现机器人自我进化能力的实质性飞跃。 在2026世界机器人大会展馆，宇树科技通过多机型协同演示，全面呈现了机器人从单体智能向群体智能、从运动控制向自主协同加速演进的最新进展。集群调度方面，多台人形机器人与四足及轮足机器人组成集群，依托自研AI群控系统完成统一编排协同运动。此外，宇树科技载人机甲GD01也在展馆亮相。 演讲中，王兴兴还对具身智能的“ChatGPT时刻”做出预判。他认为，当前行业面临的最大瓶颈在于具身智能泛化能力不足：大量AI模型在特定固定场景下，经充分训练后任务成功率可接近100%，但操作对象或环境条件一旦发生微小变化，成功率即急剧下滑，泛化短板十分突出。 他提出，当机器人在陌生环境中，能够通过语音指引或语言指令完成约80%的任务时，产业将迎来爆发的临界点。“我希望快的话2年至3年，慢的话5年或者10年。”王兴兴分析，目前最大的瓶颈是AI模型的输入输出与机器人的对齐程度不足。现有机器人模型在执行移动、装配或搬运任务时，整体趋势正确，但在最后几厘米或几毫米的微调阶段，无法有效修正触觉误差，导致最终成功率下降。 王兴兴提出，这一问题的根源在于AI模型的输入输出与现实世界之间存在偏差。语言模型的输入输出均为数字编码，文字内容严格限定在向量空间内，可逆且基本无损耗。相比之下，机器人的每一次输入输出都会引入偏差与损耗。正是这种累积性误差，导致当前全球范围内的机器人模型在泛化能力和任务成功率上表现欠佳。王兴兴相信，伴随技术进步，这一问题将在未来几年迎刃而解。

◎记者 王子霖

宇树科技登陆科创板次日，公司创始人、董事长王兴兴便现身2026世界机器人大会主论坛，并在演讲中透露了宇树科技最新的预研方向：推动物理AI机器人模型自进化。

当前，生成式AI与代码大模型在辅助编程、软件自动化测试等开发环节已实现规模化落地，显著提升了软件开发效率，但在机器人领域，AI技术的应用仍有较大突破空间。基于此，宇树科技将致力于推进物理AI机器人模型的自进化。

具体而言，公司计划依托当前最前沿的AI大模型作为驱动核心，自行定义规则、经验框架及约束工具，使AI大模型能够自主检索网络上最新的学术论文、顶尖研究成果及优质开源方案，并据此让大模型自动编写机器人的控制代码。控制代码实现部署后，评估机制由模型自评价与人工评审共同构成。

王兴兴介绍，基础模型能力的持续提升，将带动物理AI机器人模型自进化循环的效能同步提升。随着基础模型持续不断迭代升级，自进化系统本身的能力也会随之增强，形成良性循环。

在数据利用层面，相比效率较低的人工处理方式，自循环系统可将仿真数据、真实世界数据及人类行为数据全面纳入训练流程，显著提高数据利用效率。随着未来机器人部署规模扩大，测试数据与评价指标不断丰富，数据的规模化增长与利用率提升将得到有效保障。

王兴兴表示，一旦该闭环体系顺畅运行，机器人的开发效率与迭代速度将显著提升。经过持续运转，有望实现机器人自我进化能力的实质性飞跃。

在2026世界机器人大会展馆，宇树科技通过多机型协同演示，全面呈现了机器人从单体智能向群体智能、从运动控制向自主协同加速演进的最新进展。集群调度方面，多台人形机器人与四足及轮足机器人组成集群，依托自研AI群控系统完成统一编排协同运动。此外，宇树科技载人机甲GD01也在展馆亮相。

演讲中，王兴兴还对具身智能的“ChatGPT时刻”做出预判。他认为，当前行业面临的最大瓶颈在于具身智能泛化能力不足：大量AI模型在特定固定场景下，经充分训练后任务成功率可接近100%，但操作对象或环境条件一旦发生微小变化，成功率即急剧下滑，泛化短板十分突出。

他提出，当机器人在陌生环境中，能够通过语音指引或语言指令完成约80%的任务时，产业将迎来爆发的临界点。“我希望快的话2年至3年，慢的话5年或者10年。”王兴兴分析，目前最大的瓶颈是AI模型的输入输出与机器人的对齐程度不足。现有机器人模型在执行移动、装配或搬运任务时，整体趋势正确，但在最后几厘米或几毫米的微调阶段，无法有效修正触觉误差，导致最终成功率下降。

王兴兴提出，这一问题的根源在于AI模型的输入输出与现实世界之间存在偏差。语言模型的输入输出均为数字编码，文字内容严格限定在向量空间内，可逆且基本无损耗。相比之下，机器人的每一次输入输出都会引入偏差与损耗。正是这种累积性误差，导致当前全球范围内的机器人模型在泛化能力和任务成功率上表现欠佳。王兴兴相信，伴随技术进步，这一问题将在未来几年迎刃而解。