宇树王兴兴，迈过具身智能ChatGPT时刻

全球最受瞩目的“科技春晚”——英伟达GTC 2026大会正式开幕。宇树科技创始人王兴兴在GTC大会演讲中表示，具身智能要迎来ChatGPT时刻，意味着在80%的陌生场景中，通过语音或文字指令，机器人能够顺利完成大约80%的任务。为了解决上述问题并真正实现具身智能，不能单靠一家公司，需要更多的全球合作

在演讲中，王兴兴先是介绍了宇树科技极具代表性的各个机器人，Unitree G1、Unitree A2、Unitree H2、Unitree As2。在这些机器人演进过程中，就不得不提到RL模型。RL模型是让机器人自主学习最优控制策略的核心框架，本质是通过与环境交互试错，学习 “状态→动作” 的映射关系，最终实现特定任务（如机械臂抓取、移动机器人导航、无人机避障等）。

王兴兴表示，宇树RL控制模型开发历程大致可以分为五个阶段，2023 V1.0，基本行走和跑步：相对固定的姿态动作；2024 V2.0，行走、跑步、舞蹈和功夫等，全身流畅的动作序列；2025 V3.0，格斗等，全身任意流畅的动作序列，任意组 合，抗干扰；2025 V4.0，任意动作下，被强力干扰倒地后，快速自恢复；2025 V5.0，全身动态遥操作，任意动作。

谈及此次主题具身智能如何迈过ChatGPT时刻，王兴兴认为当前面临三大核心挑战。一是要提高模型对任务的表达能力，突破泛化瓶颈。模型本身的表达能力、运动表达能力一定要强，要实现这个目标，多模态模型、感知及编码器和解码器等都需要继续改进；二是要提升模型对多元数据的利用率，增强知识迁移。与语言模型有所不同，机器人模型是非常稀缺的，在此情况下，若依靠海量数据才能把模型训练出来，整个利用率是有点低的，因此要尽可能在模型训练或者预训练阶段，先把基础模型训练出来，提高对真机数据的利用率；三是提高强化学习规模效应，实现多任务近最优能力。目前业内大多做法是在机器人强化学习训练好了之后，数据就丢掉了，每次新动作都要重新训练，是否可以把这些数据收集起来放到一个大模型里，二次利用，尽可能多训练。

在具身智能大模型领域，赛道很火热，各种各样模型层出不穷。在这些不同类型的模型中，王兴兴更看好世界模型和视频生成模型，天花板很高，未来会是主流的方向。宇树科技开源了基于视频生成的模型UnifoLM-WMA-0，以及通用人形机器人视觉 - 语言 - 动作（VLA）大模型UnifoLM-VLA-0。

最后，王兴兴提到具身智能的ChatGPT时刻是在80%的陌生场景中，通过语音或文字指令，机器人能够顺利完成大约80%的任务。为了解决上述问题并真正实现具身智能，我们需要更多的全球合作。