每經(jīng)記者｜朱成祥    每經(jīng)編輯｜黃博文    

11月5日，在第八屆虹橋國際經(jīng)濟論壇“人形機器人創(chuàng)新發(fā)展合作”分論壇上，宇樹科技創(chuàng)始人兼首席執(zhí)行官王興興發(fā)表了主題演講。

王興興認為，今年機器人產(chǎn)業(yè)非?；馃帷２贿^，他也指出，機器人大模型進展比想象中緩慢，還沒有達到臨界值。王興興表示，具身智能大模型、端到端技術(shù)的進步，總體上非?？?，但是比他想象的稍微慢一點點。

對于什么才是具身智能發(fā)展的臨界點，即具身智能“ChatGPT時刻”，王興興認為，在陌生的場景中，給機器人發(fā)送語音或文字，若機器人能夠完成80%左右的任務(wù)。這便是突破性技術(shù)，基本可以達到“ChatGPT時刻”。

那么，為了早日實現(xiàn)“ChatGPT時刻”，更應(yīng)該研究模型，還是收集更多的數(shù)據(jù)？王興興表示，目前在模型結(jié)構(gòu)上大家做了很多嘗試，發(fā)現(xiàn)泛化能力不夠，還需要創(chuàng)新。大家也需要收集更大規(guī)模的數(shù)據(jù)、質(zhì)量更好的數(shù)據(jù)。但目前，對數(shù)據(jù)的采集、對數(shù)據(jù)質(zhì)量的評判還非常困難。

王興興提出，模型和數(shù)據(jù)需要相輔相成，而不是一股腦采集大量數(shù)據(jù)，或者一股腦把模型做大。

目前，具身智能主流模型有VLA（視頻語言動作）+RL（強化學(xué)習(xí)）模型和基于視頻生成的世界模型。王興興表示，前者可以用仿真環(huán)境做訓(xùn)練，或者用真實場景做訓(xùn)練，但泛化能力相對來說不是特別夠。因此，他更喜歡基于視頻生成的世界模型。

然而，王興興也認為，該模型面臨比較大的挑戰(zhàn)。因為基于視頻生成的世界模型對算力的需求非常大，需要的算力卡比較多，所以中小型人形機器人公司往往“跑不動”，反而是一些大型AI公司、互聯(lián)網(wǎng)公司視頻模型的資源更加豐富，做出該模型的概率更大。