宇树王兴兴到底在“怕什么”？
王兴兴认错了。在即将过去的10月份，他对未来的担忧仿佛突然加速。
在10月12日的工博会上，王兴兴表示，“过去十几年我犯的最大的错误，就是对AI的相信还不太够。”10天之后的物理AI大会上，他的措辞更重了，直言“这几年我对AI的预期，还可以再翻10倍以上。”
能让王兴兴公开认错，对具身智能行业来说尤其重要。
毕竟他是把宇树科技做成“人形机器人第一股”的人。在相当长的一段时期，王兴兴都是把“机器人首先是机械”当作默认前提。而且，宇树2026年前三季度营收18.17亿元，同比增长55.71%，G1也成为全球卖得最多的人形机器人之一。
他的这套打法，在过去似乎是成功的。
但是，当下的具身智能行业正在经历一个微妙的分裂。一方面是具身智能的落地仍然磕磕绊绊。王兴兴承认，机器人大规模应用的泛化性和效率“都还要进一步提高”。而另一方面，通用大模型正在以几乎不讲道理的速度在刷新能力边界，尤其是GPT-6 Astra发布后，宇树把它接到自己的机器人上做测试，王兴兴说“效果实际上非常不错”。
资本市场的反应也很意思。
10月15日，宇树科技跌到了404元的低点，市值较上市首日高点蒸发超过2400亿。但是，随着王兴兴开始“认错”，开始说“物理AI已经被击穿”，公司股价开启绝地反击，从404元一度反弹突破700元，不到两周涨了70%。摩根大通在10月25日把宇树评级从“低配”直接上调两级到“增持”，目标价从300元调到995元，理由很直接，就是王兴兴把物理AI的突破预期从“最长10年”压缩到了“2到3年”，其判断行业销售S形曲线将明显前移。
那么，王兴兴的“认错”和担忧背后，到底预示着具身智能的什么方向？
王兴兴为什么认错？
要理解王兴兴的“认错”，就要先理解具身智能过去是怎么干活的。
这条路径很简单，基本上是固定的，可以分为定义任务、拆解动作、写控制算法、在特定场景里反复调试等几个过程。宇树G1能跑能跳、能后空翻，甚至是在春晚舞台上抖手绢扭秧歌，靠的是运动控制层面的工程积累。
这套方法在边界清晰的环境里效果非常好，一台调好的机器人可以在固定工位上重复几千次不出错。但是，这种需要预训练的机器人，天花板也很明显，换一个场景、换一个物体、换一个任务，之前的规则可能全部作废，训练又要重头再来。
在八月份的世界机器人大会上，王兴兴曾详细说过这个问题。当时，他把具身智能最大的瓶颈归结为“AI模型的输入输出与机器人的对齐程度不够”。
机器人和语言大模型不一样，传感器有误差，执行器有偏差，抓取陌生物体时差几毫米，成功率就暴跌。这样的环境里，传统工程思维就大行其道，因为误差可以测量，偏差可以校准，问题可以逐个解决。
但是，GPT-6 Astra出现后，其带来的冲击可能颠覆传统路径。而在宇树科技自己做的测试中，王兴兴深感意外的不是机器人能画画，而是“零训练”这个条件。
过去机器人要学会一个新任务，那是相当费劲，需要采数据、训模型、调参数，一套流程下来少则几周多则几个月。而GPT-6 Astra则完全跳过了这个流程，给提示词就可以，机器人就能按照要求开始行动了。
这让王兴兴很意外，也感受到了压力，否则他不会公开认错。
GPT-6 Astra的这套流程意味着，过去具身智能行业引以为傲的“真机数据积累”和“任务训练管线”，在通用大模型面前，至少在某些任务上，不再是非做不可的流程。
你这边费劲巴拉几个月采的数据训的模型，外部团队用大模型，在同样的本体上，零训练就完成了。
几个月的训练对标零训练，这样的反差由不得从业者不担忧。
王兴兴的“认错”不是一句简单的自我批评，他真正承认的是，具身智能行业过去默认的那套问题解决方式，可能不是唯一的路，甚至可能不是最快的路。通用大模型的能力增长，可能正在颠覆整个行业的基础。
当然，这不等于说传统机器人技术就要被淘汰了。
据天眼查显示，宇树科技的知识产权积累主要集中在硬件和控制层面，现有超百项机器人专利，包括人形机器人的动作控制方法、拳击控制方法和系统等。宇树的运动控制、硬件设计、量产能力仍然是实打实的东西。但这样的技术可能已经不足以“构成壁垒”。
王兴兴真正低估的，不是某一项具体的AI技术，而是AI持续进化、并且反过来加速研发流程的那种自我强化的能力。
所以，王兴兴认错了。但即便大模型取得了突飞猛进的发展，具身智能的瓶颈就会自己消失吗？
具身智能瓶颈，如何突破？
有着浓重“技术极客”气质的王兴兴，不会止步于认错。AI赢了，硬件公司服了，仅此而已吗？
在工博会上，王兴兴把叙事拉回现实。
“明年GPT-7出来，可能直接把具身智能问题打穿。”这句话听起来是服了大模型，但在八月和十月，王兴兴还反复强调过另一句话，“具身智能迈过ChatGPT时刻最核心的挑战，仍然是AI模型的输入输出和真实机器人的对齐。大模型可以规划和导航，但物理接触之后的事情还没有解决。”
从“会说”到“会做”之间，还隔着很大的距离。
对大语言模型来说，其输入是文字，输出也是文字，错了可以撤回，重来一次成本几乎为零。但置身物理现实世界的机器人完全不同，输入是传感器信号，输出是关节力矩。这个过程中，传感器有噪声，执行器有延迟，物体有摩擦系数，环境有光照变化。细微的变化，都可能带来完全不同的结果。
王兴兴举过一个具体例子，让机器人拿东西，看着快拿住了，最后差几厘米甚至几毫米，误差没办法修正，成功率就会严重下跌。而对于这种问题，GPT-6虽然可以理解“把纸盒扔进垃圾桶”这个指令，但理解不了纸盒被捏扁之后的重心变化，也不理解垃圾桶边缘的反弹力和地面湿滑对步态的影响。
这些问题，无法靠更大的参数量或更多的文本训练数据来解决。因为物理世界的规律，需要物理交互的数据来学习，而真机数据的采集恰恰是又慢又贵，难以规模化。
对此，王兴兴给出的思路是“物理AI自进化”。
简单来说，就是让AI不只用来控制机器人，还用来加速机器人能力的研发过程。AI自己检索论文、写控制代码、在仿真里试错、部署到真机测试、根据结果迭代。如果这套闭环能够跑通，数据采集和模型迭代的效率会大幅提升。
但是，这个思路还有一个前提，就是仿真环境和真实世界之间的差距足够小，小到在仿真里学的东西在真机上不会完全失效。而这个“足够小”目前还没有被证明。
现在看起来，王兴兴的立场看起来有些矛盾。他既说“一两年内击穿”又说“对齐问题没解决”。事实上，从大模型能力的增长曲线看，趋势非常陡峭，而从物理执行的现实看，每一步都磕磕绊绊，两者都真实存在。
王兴兴既不能假装没看到大模型的发展，也不能直接穿过具身智能的瓶颈。所以，他的“认错”认的是前者的速度，而“担忧”的，则是技术瓶颈不会因为前者变快就被解决。
这个矛盾可以在宇树科技的财报数据上看出端倪，三季度其营收6.65亿，同比增长69.93%，但归母净利润1.13亿，同比下降17.37%，扣非净利润下降17.42%。钱都花到哪里去了？研发。
当前，宇树科技研发投入占营收的比例从上年同期的9%，直接跳到了19%以上。王兴兴不敢停下来，他要在物理执行的瓶颈被AI大模型突破前，先尽可能的充实自己的实力。
他的焦虑，比“机器人能不能造出来”复杂得多。
宇树科技压力和出路
事实上，在具身智能这条赛道，宇树科技的机器人开起来造得还不错。机器人连续登上春晚，累计销售了几万台，在同行普遍亏损的时候还能保持盈利。
但是，这不是问题的关键。王兴兴需要面对的情况并不乐观，因为当“让机器人干活”这件事的解决方式发生变化，宇树围绕“造机器人”建立起来的整套优势，还能不能兑换成未来的竞争力已经成为问题，“降维打击”的阴霾已经在头顶盘旋。
这里有三重压力。第一重就是要重新定义研发速度。工博会上，王兴兴描述过机器人模型开发的现状：研究人员有想法、查论文、写代码、训模型、测试、手动反馈，一轮迭代下来周期很长。
而根据他最新的判断，这些环节AI可以自动完成。如果成立，企业之间的差距就不再取决于“谁有多少工程师”，而取决于“谁的AI闭环跑得更快”。同时，研发投入的激增以及增收不增利的财报数据也说明，这个闭环目前还处于“烧钱”阶段，不一定能立刻换来利润。
花钱买速度，买不买得到是另一回事。
第二重压力是技术壁垒的迁移。简单概括宇树科技过去的壁垒，就是能把机器人造得更便宜，而且能跑能跳。但是，当通用大模型让“让机器人干活”变得越来越便宜，越来越通用，硬件成本优势会被压缩成制造业利润。
王兴兴自己列过一张清单，包括大规模制造能力、专属物理AI模型、超大规模算力集群、芯片供给、能源供给。在这些东西里，宇树在制造上有积累，在模型和算力上不占优势。他也承认宇树“跟全球最头部的多模态大模型公司做一模一样的模型，那是不太现实的”。
他是他清醒，也是无奈的地方。
第三重压力，也是容易被股价反弹所掩盖的，就是技术突破和商业成功之间的时间差。王兴兴认为，GPT 7发布后，可能打穿具身智能。但是，“打穿”和“赚钱”是两件事。物理AI技术要规模化落地，仍然面临感知精度、运动控制稳定性、数据积累及软硬件协同等多重挑战。
宇树的选择已经很清楚，就是一边继续做硬件，把出货量往上推，让规模本身变成一种筹码。一边押注“物理AI自进化”，押注在通用大模型把“身体硬件”的溢价彻底抹平前，它能掌握真实场景中的部署规模和数据回流的一方，从而掌控议价权。
王兴兴说，“我真的非常害怕浪费每一天”。
他的这种紧迫感不是对某一家公司的恐惧，而是对一个窗口正在收窄的时不我待。
也许，股价反弹让王兴兴有更多的时间和空间去再搏一把。但是，这也让代价推得更高。而他真正需要警惕的，也许是宇树过去的成功之路，明天未必还能让宇树活得好。
本文来自微信公众号“铑科技”，作者：鸿辰，36氪经授权发布。
