昨日，在 2026 世界互联网大会乌镇峰会互联网企业家分论坛上，宇树科技创始人王兴兴抛出判断：明年有较大概率成为机器人行业、或是机器人模型的临界点。
这个判断的核心，指向具身智能能否跨过通用化的门槛，迎来属于物理世界的 “ChatGPT 时刻”。
在他的定义里，具身智能的标志性拐点，是机器人可以在约80%的陌生场景中，仅凭语音、文字指令，完成约80%的任务。当前全球头部多模态模型已经具备不错的空间理解与规划能力，简单抓取、搬运任务的成功率已经可以做到很高，距离这个目标已经很近，但仍有一道关键鸿沟横在前面。
现在行业里已经跑通的能力，集中在封闭、固定的作业环境。经过充分训练后，机器人在单一工序、固定工位上作业成功率可以接近100%，工厂产线场景已经可以落地验证。
但这类机器人的短板同样突出：泛化能力弱，换物品、换环境就要重新调试，很难做到任意产品、任意地点的便捷部署，距离通用工具还有距离。
王兴兴把当前最大瓶颈概括为“最后几毫米的问题”，也就是AI模型的感知、规划输出，和真实机器人物理动作之间的对齐难题。
模型看懂任务不代表机械手可以稳定完成精细操作，拆装零部件、精密装配、穿针引线这类高要求动作，目前成功率依然偏低。
触觉感知、控制信号实时性、虚实世界的微小偏差，共同限制了机器人的上限。他认为，这一类核心问题，有望在未来一到三年逐步被攻克。
除了模型与物理实体对齐，数据低效也是行业普遍痛点。真机采集成本高、大量交互数据没有被充分复用。宇树内部已经在探索物理AI自进化路线：由人设定目标、做结果评价，交给模型自主编写控制代码、在仿真环境中测试迭代，再下放到真机验证，形成闭环。
这套方案的目标，是拉高物理数据的利用率，降低机器人开发、调参的人力成本，加速模型迭代速度。
需要厘清的是，临界点不等于全面商用普及。王兴兴所说的拐点，更多是模型能力层面的质变节点：机器人大模型对物理世界的理解、任务泛化能力跨过一条阈值线，不再只适配提前标定好的场景。
跨过这一点之后，机器人的部署成本会明显下降，从定制化展品，转向可以快速适配新任务的工具。硬件成本、电池续航、整机可靠性、供应链成熟度，依然是产业化落地需要持续攻坚的配套条件，不会随模型单点突破同步解决。
在更长周期的产业资源判断上，他还提到，算力、数据之外，芯片产能，以及背后绑定的能源、矿产资源，会持续成为具身智能赛道竞争里的关键变量。当模型能力打开上限，上游硬件资源的约束会进一步凸显。
这一判断也给行业提供了一个清晰观测标尺：接下来一年，重点看通用模型在非预设场景下的任务泛化、精细操作稳定性，以及物理AI自进化闭环能不能跑出可复现的效果。
如果 “80%陌生场景完成80%任务” 这个指标持续逼近，人形机器人、具身智能的产业化节奏，或将进入新的阶段。
