据第一财经报道，10月12日，第26届中国国际工业博览会在上海开幕。宇树科技创始人王兴兴在开幕式及对话环节中，围绕AI技术演进对具身智能产业的作用分享了自己的判断。
GPT-7或成具身智能"破局点"，临界点或在一两年内
王兴兴给出的核心判断是：等到明年GPT-7问世，具身智能面临的难题很可能被一举"打穿"。他预计行业临界点会来得相对快，时间窗口大约是一到两年，不过在当下，泛化性和效率这两大难点仍待攻克。
他同时透露，宇树团队已经把GPT-6接入机器人执行任务并展开测试，从反馈来看表现令人满意。王兴兴表示，自己这两年对AI的信心反而越发增强，回顾过去十多年，他自认犯过的最大失误就是此前对AI的信任还不够，而眼下仍有不少人没有真正用起来、拥抱AI。
原文提到，一个名为GPT-6 Astra的通用大模型前段时间正式发布，在具身智能圈内激起很大的测试热情，同时带动了从业者对技术路线的讨论，其中自进化方向尤其引人关注。
自进化是人类参与逐渐退出的过程
王兴兴近期多次谈到"物理AI自进化"这一说法。按照他的观察，大语言与多模态模型的训练自动化水平已经相当高，今年或明年头部大模型企业或许能大致达到自进化状态；但落到具身智能，这条路径还相当初阶——机器人模型的训练与调试，依旧要由工程师人工完成。他认为写代码、训练、部署这些环节其实都能交给AI自动跑，人只需要评估结果、给出分数即可。
在王兴兴看来，模型沉淀的经验越丰富，人的介入比重就会越低。
针对行业此前普遍反映的数据稀缺问题，Sharpa联合创始人向少卿在对话中给出了不同角度的解释：自进化本质上是数据不断累积后自然生长出来的一套流程。他表示，人类操作数据、仿真数据与真机数据三者存在逐层递进的关系。机器人构型与人相近，人类操作数据中蕴含着对世界运行规律以及自身身体的认知，可以作为机器人起步阶段的关键学习材料；仿真数据的价值体现在强化学习与数据增广；真机数据则用来弥合仿真到现实之间的Sim2Real Gap。
他把这套机制概括为：人类操作数据先埋下智能的"种子"，机器人在仿真环境里扩充知识，再回到真实场景中反复试错、迭代能力，这本身就构成自进化的路径。据了解，上述三类数据的开发与部署眼下正同步推进。
作为本体厂商，宇树科技更倾向聚焦真机数据。王兴兴解释，让机器人真正进入物理世界、走完最后的几厘米并提升成功率，真机数据的作用不可替代。
中国工程院院士、之江实验室主任王坚在会场发出呼吁，希望海尔、施耐德这类制造业企业后续能把工业数据开放给机器人公司使用。他指出，当下人工智能已经能读懂代码、写出代码，这是质变；但AI与工业界数据之间的距离依然很远，这些数据被锁在各家企业自己的"抽屉"里，此问题若得不到解决，双方深度融合会非常困难。他判断，机器人若要迎来一次真正的变革，就要把这些"抽屉"里的数据释放出来。
算力该放端侧还是云端，三条路线各有侧重
除数据之外，具身智能的算力底座同样是讨论重点，也直接关系到机器人往后能否大规模铺开。原文提到，目前机器人的算力部署大体分为云端、端侧和边缘侧三种——云端即把任务放到数据中心处理，端侧是把算力直接塞进机器人本体，边缘侧则是在机器人旁边就近布置计算资源。
三位嘉宾看法各异。王兴兴表示宇树会从客户需求出发做取舍，所有型号都堆上高算力属于吃力不讨好的做法，因此算力可以做成选配；偏运动能力的AI对算力没那么敏感，直接放本体也能跑，而涉及决策判断以及大规模场景部署，仍然依赖云端。
向少卿的思路取决于所需算力规模与时延要求。机器人执行任务时与物理世界实时交互，从时延角度看算力越贴近机器人越好，理想状态是在端侧。但他坦言现实情况是端侧算力尚不足以支撑机器人所需的全部运算，短期内机器人的"思考"还应留在云端；若把时间轴拉到十年以后机器人走进千家万户，算力重心有望由云向端迁移。
王坚则认为行业尚处早期、机器人形态本身都没定型，现在讨论算力路径为时尚早，选择上应从实用主义出发，有多大能力就先做多少事，核心还是先把一台好机器人做出来。
泛化性与效率是规模化前提，Sharpa计划铺设3万台
关于机器人何时能大规模应用，王兴兴把答案指向泛化性和效率两个问题，并预期未来几年内能够解决。
向少卿认为，泛化性的基础条件包括无需对环境做改造、能够不间断连续作业等。他举例说，Sharpa此前把机器人投放在上海的一家DQ门店，机器人在"工位"上按流程一步步制作冰淇淋。他还透露，Sharpa计划在餐饮、零售、宾馆三大场景中部署3万台机器人；从单一场景走向多场景，会直接检验机器人的泛化能力。他给未来定下的目标也较为具体：企业拿到机器人后，借助Sharpa提供的工具采集少量数据、稍微训练一下便能上手使用。
小结：王兴兴把具身智能的临界点押在GPT-7上，并已在GPT-6上实测机器人任务；但数据仍锁在企业"抽屉"、端侧算力仍显不足、泛化性待验证这三道门槛不解决，机器人规模化落地便难以提速。