王興興對AI更樂觀了，機器人為何還沒大規模進廠？

不過，這份樂觀並不意味着工業場景會最先普及。王興興指出，相比工廠，部分面向企業的商業服務場景可能推進得更快，而家庭服務對機器人適應復雜環境的能力要求更高，落地順序未必靠前。

算力如何分配，也是機器人廠商面臨的現實問題。王興興解釋，受機身空間、電池供電和散熱限制，不可能在每臺機器人上都安裝大量高端算力。宇樹的思路是，運動控制等實時性要求高的計算留在本體，涉及復雜決策和大範圍場景適應的運算，則盡量借助雲端。

他補充稱，本體算力可按客戶需求選配，無需所有型號統一配置。雲端的優勢是算力能夠靈活調度，但如果未來模型可以足夠小、直接在本體運行，同樣是更理想的選擇。

向少卿也把時延視爲重要約束。他認爲，未來三到五年，大量復雜計算仍可能放在雲端，執行動作則主要依賴端側。長期看，機器人數量增加會帶來雲端負載和通信帶寬壓力，更多計算能力可能轉向本地。

在王堅看來，雲端與端側並不是非此即彼的技術路線，而是計算資源的分工。他以智能手機爲例指出，成熟產品往往同時使用本地和雲端算力。機器人產業還處於早期，算力部署更應該從實際需求出發，而不是急於選擇某一種技術路線。

除了算力配置，王興興還談到近期基礎模型的進步。他表示，全球AI技術幾乎每隔一兩個月就有較大更新。此前GPT-6發布後，宇樹團隊已經將其用於不同機器人的任務測試，效果“還不錯”。

他判斷，具身智能的技術臨界點最快可能在未來一兩年到來。他甚至提出，如果明年GPT-7推出，有可能“直接把具身智能問題打穿”。

但基礎模型的進步，並不意味着機器人模型的開發已經成熟。王興興說，現階段機器人模型開發仍比較“原始”，工程師查論文、寫模型，訓練完成再交給測試人員，測試結果返回後繼續修改，許多環節仍靠人工銜接。

他認爲，寫代碼、模型訓練、部署測試等環節可以進一步交給AI完成，讓模型根據測試結果自動迭代。但現階段，人工評價仍不可缺少。例如，機器人動作是否合適、任務成功率是否達標，以及結果是不是人真正需要的，目前還需要人參與打分。

在訓練數據方面，王興興認爲，第一視角的人類操作數據有價值，但機器人真正進入物理世界時，最後幾毫米的接觸與操作，仍需要依靠真機數據不斷調整。作爲本體廠商，宇樹尤其關注機器人在真實環境中的測試反饋。

向少卿認爲，人類操作、仿真和真機三類數據各有作用。人類操作數據提供初始參考，仿真可以用於強化學習、擴展訓練場景，真機數據則用來修正仿真與現實之間的偏差。這三個環節可以同時進行，但很難省略任何一環。

“我覺得工業界應該把工業數據拿出來。”王堅在現場呼籲。他認爲，互聯網文本和開源代碼能夠被用於訓練大模型，一個重要條件是數據能夠被廣泛獲取，而大量工業數據仍留在各家企業內部。

“工業界所有的數據今天還是鎖在每個人的抽屜裏的。”王堅說。如果工業數據始終無法用於模型訓練，機器人企業就很難充分利用工業生產中積累的經驗。

王興興對此回應，AI確實需要各種數據，但企業也有保密要求。工業數據如何在保護商業機密的前提下用於訓練，仍是需要解決的問題。

目前，一些機器人企業則開始從門店實際運營中積累操作數據。8月28日，，並於次日正式啓動運營。

向少卿介紹，Sharpa的機器人能夠在無需專門改造的門店中處理真實訂單。他認爲，機器人進入商業場景，重要的是能否適應原有設備和工作流程，並持續完成任務，而不是爲了機器人重新改造經營環境。

向少卿透露，Sharpa下一步計劃在餐飲、零售和賓館三類場景部署3萬臺機器人。他希望未來門店經營者只需少量數據和簡單訓練，就能讓機器人適應新場景。

從單店驗證走向數萬臺部署，效率和成本還有差距。此前，界面新聞記者在上述合作門店觀察到，機器人制作一杯冰淇淋約需6分鍾，熟練店員通常只需兩三分鍾。

Sharpa聯合創始人李一帆當時也向界面新聞記者坦言，該設備現階段還談不上盈利。整套設備的標價仍在幾十萬元，長期目標是降至10萬元人民幣量級。

對於外界以“展品還是產品”來評價機器人，王堅認爲這一說法對仍處於快速迭代期的行業並不公平。在他看來，機器人技術已經取得了很大進步，但行業仍需要找到真正適合機器人、又能解決實際問題的應用。