文 | AIX财经（AIXcaijing），作者 | 王璐，编辑 | 阿伦
人形机器人正快速走向多样化应用场景。
《2026人形机器人产业发展报告》中的数据清晰显示，到2026年上半年，我国人形机器人出货量突破4万台，中国企业的全球出货量占比高达97%。这个数字意味着，在每100台人形机器人中，有97台是由中国制造商生产出来的。
尽管产量增长迅猛，行业仍面临一个实际问题：这些机器人有多少真正投入到实际工作中？过去几年，人形机器人最吸引眼球的场面往往是他们在舞台上跳舞、完成后空翻等“炫技”表演，但今年，行业开始关注“落地”应用。
2026年世界机器人大会（WRC）以“人机共生，产需共融”为核心主题，将重点从“炫技”转向了“产需”。展馆内，观众依然对人形机器人跳舞的展台兴趣浓厚，但更受专业关注的是那些在物流仓库、药房货架以及工厂生产线上的机器人。具身智能的展示阶段即将结束，机器人“打工”的时代正式开启。
行业领袖们的发言直指核心，没有花哨的表演，也没有不切实际的承诺，只有对泛化瓶颈、数据短板、落地难题等真实问题的坦率面对，以及对商业化路径的务实探讨。这些发言或许不够华丽，却恰恰反映了行业的真实动向。本文依据8月20日“应用牵引”主题论坛的发言，整理出人形机器人行业领先企业在落地应用上的核心观点及产业趋势。
01.具身智能的“GPT时刻”：两大核心疑问
“具身智能何时能迎来GPT时刻”这一话题近两年经常被讨论，它反映了行业内外对人形机器人能像大语言模型一样实现重大突破的期待。在今年的WRC上，宇树科技创始人兼CEO王兴兴、银河通用创始人兼首席技术官王鹤等企业代表，就“GPT时刻的具体衡量标准是什么”以及“如何实现这一突破”等关键问题分享了各自的看法。
第一个争论点：GPT时刻的门槛应设定为多少？
王兴兴提出了一个具体的量化标准，即机器人在约80%的陌生环境中，能够完成约80%的任务。但他同时指出，要达到这一水平，最快也需要2-3年时间，最慢则可能需要5-10年。王鹤则认为，门槛应是“零样本泛化成功率达到70%-80%”，通过轻量后训练，成功率可接近100%。
苏度科技联合创始人兼CEO韩铮提出了更高的要求，他认为具身智能要实现大规模应用，必须保证大于99%的高可靠性。他指出，当前主流的模仿学习路径在测试中虽能达到80%左右的成功率，但在实际环境中，一旦遇到环境或物体变化，成功率会大幅下降，无法满足生产环境的需求。
虽然三家公司的标准有所不同，从70%-80%到99%以上，评价维度也有差异，但它们的分歧也显示出行业对“具身智能GPT时刻”的临界点仍在探索中。
第二个争论点：泛化的瓶颈是什么，又如何克服？
王兴兴认为，未达到“GPT时刻”的主要障碍是AI模型与真实机器人之间的对齐不足。他指出，机器人每次的输入输出都伴随着物理世界的误差，最终几厘米甚至几毫米的触觉调整无法完成，导致成功率降低。
王鹤则强调，问题的根源在于VLA与世界模型的分离方式。VLA需要输出具体动作，因此训练数据必须包含动作标签。而世界模型虽然通过预测未来来学习，但它的局限在于“只能想象未来，无法直接决定如何执行动作”。
星动纪元创始人、CEO陈建宇从系统层面分析了瓶颈。他认为，主流的VLA本质是模仿学习，泛化能力存在天然局限，面对全新场景和任务很难自主生成合适动作。
针对这些瓶颈，各家提出了不同的解决方案。王兴兴的建议是“物理AI机器人自进化”，即让AI大模型自主检索相关论文、生成控制代码，并在仿真与真实机器人之间自动迭代，通过AI与人工的联合评价形成正向循环；王鹤的方法是将VLA与世界模型整合，提出了World Action Model（WAM），让模型在理解世界的同时直接生成动作；陈建宇的思路是搭建完整的“大脑-本体”系统。
网友评论