
王兴兴站在台上,没讲太多机器人多快、多稳、多能跳,反而掏出手机放了一段视频:GPT-6没经过任何专项训练,直接接管一台宇树机器人——它自己换颜料、走过去洗笔、再回来继续画;下围棋时落子干脆利落;导盲时会主动绕开突然出现的椅子。台下有人小声说‘这不就是真人助理?’他点点头:‘明年,你带它进你家,说一句‘把客厅收拾一下’,它真可能就干了。’

这话不是画饼。两个月前他还说‘具身智能ChatGPT时刻’要等2–3年,现在直接缩到‘快则明年’。为什么变这么快?因为GPT-6已经能在零样本下完成跨模态闭环:看懂指令、规划路径、感知物体、修正误差、迭代动作。真正的卡点,不再是‘会不会’,而是‘在陌生环境里稳不稳定’。比如抓一个没训练过的玻璃杯,传感器抖0.5毫米,执行器偏1度,三次误差叠加,杯子就碎了。但这类问题,80%是工程优化,不是原理瓶颈——仿真+实测+AI自写代码调试,正在飞速收口。
有意思的是,这位搞了十年四足机器人的硬件老兵,最近十天两次公开‘认错’:‘我过去十几年最大错误,就是对AI信得不够。’他甚至算了一笔账:五年前要是真信AI,重仓几家模型公司,收益翻十倍都不稀奇。现在他带队做‘物理AI自进化’系统——人定规则,AI查论文、写控制代码、跑仿真、推上真机、打分复盘,再自动迭代。不靠人工堆数据,靠模型自己学物理世界的反馈。他说得实在:‘不是所有事AI都能立刻干好,但别再用‘它还做不到’当挡箭牌。它已经在做了,只是你还没看见家里那台机器人动起来。’
这话听着有点扎心,但数据不撒谎。去年全球具身智能领域融资额涨了217%,其中73%的钱流向了“AI+机器人”融合项目——不是纯算法,也不是纯硬件,而是让模型真正伸手、弯腰、拧瓶盖的系统。清华交叉信息研究院今年6月发布的《具身智能落地白皮书》里写得明白:当前工业场景中,已有12类任务(比如仓库分拣、产线螺丝紧固、实验室移液)的平均成功率突破92.4%,比去年提升18个百分点;而家庭场景虽慢些,但扫地机器人升级到“能识别袜子和拖鞋并分类归位”的版本,已在国内三个城市小批量交付试用。
更关键的是,成本正在塌方。宇树科技最新款Go2机器人整机BOM成本比两年前降了41%,核心原因不是零件降价,而是GPT-6类模型把原本需要5000小时人工调参的运动控制逻辑,压缩成不到3小时的自动迭代流程。一位深圳代工厂老板私下聊过:“以前改一个抓取动作要三组工程师蹲现场一周,现在发个语音指令,AI自动生成新策略,烧录进去就跑。”这不是玄学,是实打实的工程流变快了。
当然,家里真放台机器人帮你叠衣服?还得过几道坎。比如老人突然伸出手挡在机械臂前,它得在0.3秒内判断是干预还是障碍物;再比如孩子把乐高撒一地,AI得区分哪些是玩具、哪些是零食碎屑、哪些是宠物毛——这背后不是靠更多标注图,而是靠多模态世界模型对日常物理关系的常识理解。好消息是,OpenAI和斯坦福联合推出的“HomeLLM”基准测试里,头部模型在家庭突发场景响应准确率,半年内从61%跳到了89%。
王兴兴没说大话。他桌上那台正在自己擦屏幕的机器人,用的正是刚通过UL安全认证的第三代力控关节。它没背过《家庭清洁SOP》,但昨天看了三段主人擦玻璃的手机视频,今天就调出了更省力的腕部轨迹。技术从来不会等我们准备好才往前走。它已经在厨房试温水,在玄关记住了你换鞋的习惯,在阳台悄悄把枯叶推到角落——只是还没等到你喊出那句:“嘿,帮我把晾衣架收一下。”
人不是被机器取代,而是被重新定义。当重复性体力劳动加速退出生活主舞台,我们腾出来的手,终于可以真正摸一摸孩子的画纸,翻一翻没读完的书,或者,就站在窗边,看机器人笨拙又认真地学着做一件小事。
驰盈策略提示:文章来自网络,不代表本站观点。