业内普遍认为宇树专注于机器人硬件制造，但宇树科技创始人王兴兴，在世界机器人大会（WRC）上，其表述颠覆了这种固定看法。

在WRC活动期间，王兴兴发表了核心发言，着重阐述了模型运用、算法设计以及数据管理议题，其分享内容中诸多见解激发了业界的深度探讨，

例如，针对目前机器人领域热门的VLA（视觉语言行动）方向，王兴兴明确表示，他对此存有保留意见，他甚至觉得，这种体系设计比较简单化。

由于当前具身领域的数据积累不足，王兴兴指出，当VLA模型与实际环境互动时，其依赖的数据在品质和规模上均显匮乏。

业界普遍认同这个观点，然而许多实体企业却热衷于借助大量真实设备信息、模拟实验结果，乃至创建专门的数据采集生产基地来加以应对。

王兴兴对此毫不避讳，直言“公众对于基础数据过于重视”，他反而强调，应当将注意力集中在具身机器人的架构设计上，因为当前这些架构“性能欠佳且缺乏一致性”。

“宇树的模型团队其实不算小”

王兴兴以前在公开场合说过好几次，宇树的主要长处是机器人身体部件，不是智能核心，他以前的那些说法，很容易让外面的人觉得，“宇树不搞机器人的智能部分”。

在WRC活动期间，王兴兴向包括《智能涌现》在内的多家媒体透露，尽管宇树对模型研发的态度较为审慎，不过其“模型研发团队的人员规模相对可观，只是与人工智能领域的巨头企业相比，仍然显得略微不足。”

王兴兴接受媒体采访中 《智能涌现》拍摄

然而，他深信，团队规模大小，和最终成效关联不大，至少，参照以往人工智能行业的状况，突破性进展并非总出现在大型企业那里。

并非仅仅依靠资源丰富、资金充裕或人力充足，就能够研发出世界领先且率先问世的技术成果，即便是规模较小的团队，也存在成功创造出更优越模型的可能性，但前提是必须承受巨大的工作压力，王兴兴在接受《智能涌现》等媒体采访时这样阐述观点。

王兴兴在思考如何选择路径时，采取了分散风险的策略，他提出的另一个引发广泛讨论的观点，是关于当前最受关注的“VLA”。

王兴兴不赞成行业内在VLA模型效果不佳时，就盲目投入大量数据用于训练，认为对于性能更优越的具身模型，或许少量数据就能以更优的效率完成训练。

当然，宇树并非完全不采用VLA，王兴兴在演讲中提及，宇树正探索在VLA模型中，融入AI进行训练。

然而，在思考路径上，宇树明显更偏向于影像的途径。去年，谷歌已经推出了以影像为主导的世界模型，王兴兴指出，早在去年，宇树就已经着手探索了相近的技术方案。

首先，需要让视频生成系统制作出一段「机器人整理房间」的影像，接着，利用这段影像来操控机器人，使其执行整理房间的动作。

王兴兴演讲截图

王兴兴认为，这种视频的路径，往后可能比VLA的路径进步更迅速，聚集的可能性更高。不过，这种视频的路径也不是十全十美的。因为对视频的清晰度标准太高，会造成GPU使用太多资源。

但未来机器人的算力问题如何解决，王兴兴也有了一定的预期。

他分析，未来机器人行业，必须建立低成本、范围广、分散式的计算中心。他主张，未来一个制造场所若有 100 台自动化设备，那里很可能能够组建一个分散式的计算设施，毕竟自动化设备对通讯的即时性要求更高。

宇树机器人，只表演，不干活？

近期春晚中，机器人表演扭秧歌和丢手绢，又加上在WAIC和WRC赛事上机器人格斗大受欢迎，造成一种印象，认为宇树的机器人不用于实际工作，只擅长做展示活动。

特别是，众多新加入的竞争者，都在竭力让自动化设备进入制造场所，从事拧紧螺丝、折叠衣物和被褥等作业，与此形成了鲜明反差。

王兴兴明确表示，现阶段让机器人进入工厂、进入家庭从事工作，还比较困难，而在目前，表演是机器人比较容易实现的应用领域。

在宇树里面，负责琢磨机器人能做些什么事的职员，数量要多得多。

他说明了宇树很少公开展示机器人作业的情形，因为让机器人工作，对人工智能模型的考验非常严峻，我们当下的完成情况也相当不令人满意。

关于从事工作这个议题，王兴兴阐述了自己的观点，他主张，自动化设备不应仅限于执行单一任务，诸如整理衣物或烹饪食物，而应具备通用性、多样化的能力，例如可以在生产线上提供茶水服务，同时也能进行艺术展示。

王兴兴就机器人节点问题发表了看法：机器人达到GPT水平，最快或许需要两到三年时间，最慢则可能要三到五年。他估计，这场关于具身智能的发展热潮，总共不会持续超过十年。

不过，GPT时刻长啥样？

王兴兴勾勒出一个场景，在某个场所中，仿生机器人四处游荡，你随意指派一个去执行任务，它都能顺利完成，这标志着机器人技术实现了关键突破。