王兴兴在2026世界机器人大会提出：具身智能“ChatGPT时刻”或在两三年内到来，企业现在应关注什么？

王兴兴在2026世界机器人大会上的核心判断，并不是“人形机器人马上全面普及”，而是具身智能可能在未来两三年迎来类似ChatGPT的关键阶段，前提是机器人能够从固定任务中的高成功率，走向陌生环境中的稳定泛化。对企业而言，真正值得关注的问题不是要不要追逐人形机器人，而是人工智能能否进入机器人研发、测试和应用的完整流程。

“ChatGPT时刻”首先是泛化能力的时刻

8月20日，宇树科技创始人、董事长王兴兴在2026世界机器人大会发表《从展品到产品：人形机器人产业的下一个十年》主题演讲。他表示，具身智能的“ChatGPT时刻”快则两三年、慢则五到十年，具体时间取决于技术突破速度。

这一判断并非确定性的市场预测。王兴兴给出的技术判据是：当机器人被带到陌生家庭环境，仅依靠语音或语言指令，就能完成约80%的日常任务时，具身智能才算接近真正的产业临界点。

这一定义把讨论重点从“机器人能否完成某个动作”，转向“机器人能否在变化环境中持续完成任务”。

目前，机器人在固定场景、固定物品和专项训练下，可能取得接近100%的单任务成功率。但当物品更换、位置变化，或环境出现此前没有见过的情况时，系统的成功率可能明显下降。王兴兴将泛化能力不足视为全球通用机器人面临的主要瓶颈。

这也是人形机器人尚未大规模进入工厂和家庭的重要原因之一：它们已经可以完成部分动作，却未必能以足够稳定、足够高效的方式完成连续工作。

AI进入机器人研发，变化不只是增加一个模型

传统机器人研发通常依赖工程师拆解任务、设计动作、采集数据，再通过仿真和真机反复调试。每增加一个新任务，都可能需要重新编程、重新采集数据，甚至重新设计控制策略。

AI的作用，则可能从“控制某个动作”进一步进入研发流程本身。

1. 从人工编程转向模型生成技能

在较理想的研发闭环中，工程师可以用自然语言描述任务，由模型生成初步程序、动作策略或控制参数，再交由仿真环境验证。机器人执行过程中产生的数据，又可以反过来用于修正模型。

这并不意味着模型可以直接替代工程师。真实机器人涉及安全边界、机械约束、力控精度和异常处理，模型生成的方案仍需要经过工程验证。但如果AI能够承担一部分重复性的编程、调参和测试工作，研发团队就有可能缩短从任务定义到样机验证的周期。

2. 从单次演示转向持续积累数据

具身智能的训练数据不能只来自文本和图片，还要包括动作、力反馈、环境变化、失败原因以及人类评价。

王兴兴在演讲中提到让AI驱动机器人研发流程，通过编程、仿真、真机测试形成闭环，推动“物理AI”自进化。其关键不在于机器人能否一次性学会一个动作，而在于系统能否记录失败、分析原因，并将改进结果用于下一轮任务。

对企业来说，这意味着研发资产的定义可能发生变化。过去的重要资产是机械结构、控制算法和专利；未来还包括任务数据、仿真环境、失败样本、评测体系和模型迭代工具链。

3. 从固定场景优化转向跨场景泛化

机器人在一条固定产线上完成单一装配任务，和进入多个工厂、仓库或家庭处理不同任务，是两种不同的技术问题。

前者可以通过环境改造、工装夹具和专项训练提高效率；后者则要求机器人理解指令、识别环境、规划动作，并在异常发生时及时调整。企业评估技术进展时，不能只看一次演示是否成功，还应观察系统对物品变化、光照变化、空间变化和任务组合的适应能力。

企业当前应重点观察三个信号

王兴兴的时间判断可以作为产业观察窗口，但不应直接转化为采购或投资结论。企业更需要建立自己的技术成熟度判断框架。

看研发流程：AI是否真正进入闭环

企业可以重点询问四个问题：

• 模型是否参与任务分解、程序生成或动作规划，而不只是用于语音交互？
• 是否建立了仿真、真机和数据回流机制？
• 机器人失败后，系统能否定位问题并形成可复用的改进数据？
• 新任务的训练和部署周期，是否在持续缩短？

如果AI只是作为展示功能存在，不能影响研发效率、任务成功率或维护成本，那么它对业务的价值仍然有限。

看应用场景：先验证效率，再讨论通用性

当前机器人落地仍应从边界清晰、风险可控、重复性较高的任务开始，例如简单搬运、物料分拣、巡检辅助或特定装配环节。

企业不宜一开始就以“完全替代人工”为目标，而应先测量几个可比较指标：

• 单位时间完成量；
• 单次任务成功率；
• 更换物品后的成功率变化；
• 新任务所需训练时间；
• 异常情况下的人为接管频率；
• 设备维护和数据标注成本。

如果机器人只能在演示环境下完成任务，进入真实业务后仍需要大量人工看护，那么它更接近技术验证，而不是成熟产品。

看投入节奏：把长期研发与短期业务分开

具身智能仍处于技术路线快速变化阶段，模型架构、数据采集方式、硬件形态和控制方案都可能继续调整。企业可以采用分阶段投入，而不是一次性重资产押注。

第一阶段是小规模验证，用真实业务中的一个具体任务建立基线；第二阶段是扩大任务数量，测试模型能否跨场景迁移；第三阶段才是评估是否具备规模化部署条件。

对于创业公司，核心问题是能否形成独特的数据和场景壁垒，而不是简单采购通用机器人。对于制造企业，重点应放在工艺改造、数据回流和人机协同流程。对于投资者，则应区分“硬件出货增长”“展演热度”和“有效工作时间增加”这几个不同指标。

从“能做动作”到“真正干活”仍有距离

王兴兴此次演讲的价值，在于把行业关注点从外形、动作和单次展示，重新拉回到泛化能力、效率和研发闭环。

人形机器人能够行走、舞蹈或完成某个指定动作，并不等于已经具备通用作业能力。真正影响商业化的，是它能否理解不完全的指令，适应没有见过的环境，在任务失败时自主调整，并以接近人工或更优的效率持续工作。

因此，“两三年内迎来ChatGPT时刻”应被理解为一个有条件的行业判断，而非已经实现的产业结果。对企业而言，眼下最值得做的准备不是盲目扩大设备采购，而是建立任务数据、仿真测试、失败评估和投入退出机制。

如果未来具身智能确实接近王兴兴所描述的临界点，最先受益的企业，可能不是最早购买人形机器人的企业，而是已经拥有真实场景、持续数据和快速验证能力的企业。