王兴兴：人形机器人规模应用的最大卡点是AI模型不够用

快速阅读: 8月9日，北京，宇树科技创始人王兴兴在世界机器人大会上表示，AI模型不足是当前人形机器人应用的最大障碍，VLA模型需进一步优化，未来两到五年，机器人核心技术仍是具身智能AI模型。

王兴兴在2025世界机器人大会上的发言 8月9日,宇树科技创始人、CEO王兴兴在北京举行的世界机器人大会上,谈及当前智能机器人暂时还没得到大规模应用的技术障碍时表示,最大的挑战是模型。“现在对具身智能和机器人来说,AI模型完全不够用,这也是限制当前人形机器人大规模应用最大的卡点。”此外,王兴兴对目前机器人公司选择的常用技术路线VLA模型架构持怀疑态度。

王兴兴在2025世界机器人大会上的发言 VLA模型指的是Vision-Language-Action Model(视觉-语言-动作模型),可以把它理解为——让机器“看得懂、听得懂,并且能动起来”的一种AI模型,强调像人一样,从感知环境到自主决策并采取一定的行动。

王兴兴认为,对于VLA模型,目前在真实世界交互中,数据采集的质量和数量都不足,即便在VLA模型基础上加入Reinforcement Learning(强化学习训练),仍不够用,模型本身还需要进一步升级和优化。

“目前机器人大模型类似于处在ChatGPT出来前的一到三年。”王兴兴称。

什么时候才能达到机器人GPT时刻? 王兴兴认为,如果有一天,我们带一台机器人到一个它此前从未去过的环境,随便给它一个指令,譬如“把这瓶水递给某位观众”或“帮忙整理一下这个房间”,它就能顺畅、自主地完成任务。那时就接近机器人的“GPT时刻”了。

今年5月,谷歌在I/O 开发者大会上正式发布了新的世界模型Veo 3,这是其首款能够同步生成音效(包括环境音与对话)的AI视频生成模型。

王兴兴认为,谷歌这条视频生成路线技术的收敛速度和成功概率可能会比VLA模型更高,但仍然面临还有很多挑战。其中一个主要问题是,视频生成模型过于关注画质,导致GPU消耗非常大。

另外,王兴兴指出,目前还面临的一个大问题是,如果要进一步提升机器人模仿学习的能力,必须解决Scaling law,而这一点目前行业做得并不好。“最简单的例子是,当我训练机器人执行一个新动作,比如学一支新舞或完成一项新任务时,往往需要从零开始训练,这非常低效。理想情况下,新的训练应该基于已有训练成果,让训练速度越来越快,学习新技能的效果越来越好。” 王兴兴指出,这是一个非常值得深入研究的方向,Scaling law在语言模型上的成功已经得到验证,但在机器的运动控制上,大家做的还只是刚刚开始,他建议可以关注这方面的研究。

王兴兴表示,在未来两到五年,除了更低成本、更高寿命的硬件之外,机器人的技术核心仍将是端到端的具身智能AI模型。

(以上内容均由Ai生成)