11月4日的乌镇峰会上, 宇树科技 创始人王兴兴给行业泼了一盆冷静水:2027年大概率成为机器人行业的临界点,但机器人距离真正理解和操作物理世界,还隔着「最后几毫米」。这句话比任何融资数字都更刺耳,因为它点破了当下具身智能最真实的处境。
过去两年,行业在「会动」这件事上进步神速。机器人能奔跑、跳跃、格斗,能在进博会和乌镇峰会上打乒乓球、冲泡功夫茶、用拍立得给记者拍照。硬件制造能力也上了台阶—— 优必选 在乌镇披露,其产线已能做到每10分钟下线一台人形机器人。
但「会动」和「能当可靠、经济的劳动力」之间,隔着一整条鸿沟。正如进博会和虹桥论坛反复传递的信号:具身智能正从「秀表演」走向「秀服务」,行业关注点已从「舞台上跳起来」转向「工厂里干起来、超市里用起来」。
宇树科技 创始人王兴兴的判断里藏着一个关键区分:当前顶尖的多模态模型,空间理解和动作规划能力已经相当出色;真正的瓶颈,不在「想得明白」,而在「对得上物理世界」。这「最后几毫米」,指的就是模型认知与真实操作之间的对齐缺口。
具象一点说,人类拿起一只玻璃杯,是凭视觉和触觉同时判断杯子的位置、重量和摩擦力,并随时调整手指力度。机器人要复现这件事,必须让视觉感知、物理推理和运动控制形成实时闭环——而不是把「看到」和「做到」当成两个互不相干的模块。
墨奇智能 联合创始人、CTO黄青虬在机器人与具身智能论坛上把这个点讲得更透:物理AI与语言模型最大的区别,在于现实世界是连续变化的,机器必须根据每一次接触和环境反馈即时修正动作。语言模型可以「想半天」,物理AI必须在毫秒级闭环里「边做边改」。
这直接把问题引向了数据。黄青虬提出一个反直觉的判断:10万小时高精度操作数据训练出的模型,可能优于1000万小时低质量数据训练出的模型。换句话说,当行业还在比谁的语料时长更长时,真正稀缺的是「带着接触反馈和纠错信号」的高质量操作数据。
小米 在乌镇披露的数据提供了另一个观察角度:其具身基座模型已使用超过10万小时、覆盖1700多种场景的数据进行预训练,并在青年公寓跑出了连续30分钟以上、覆盖3个房间、包含50多种任务的长程任务链。长时长、多场景、多任务,正在成为衡量「对齐程度」的新标尺。
可一旦进入精细操作,成功率仍是短板。乌镇峰会上机器人展示了打球、烧菜等「人情味」技能,但面对拆装手机、穿针引线这类精细活,成功率还很低。吉林大学教授、月泉仿生科技创始人任雷把落地的「三道坎」总结为:精细操控不足、运动能耗偏高、人机交互安全性待夯实——这恰是「几毫米」的具体内容。
有意思的是,「最后几毫米」既是技术判断,也是产业信号。前两年资本争论的是「拼本体还是拼大脑」,如今问题变成了:数据管道和实时闭环能不能跨过这道对齐缺口。当本体厂还在找场景,资本市场已经给「无本体的数据公司」单独定了价。
制造端的成熟和部署端的稚嫩,形成了一组刺眼的不对称。 优必选 每10分钟下线一台的产能,对应的是「能造出来」;而拆手机、穿针这些真实任务成功率偏低,对应的是「造出来也未必干得好」。产能解决的是供给,闭环解决的是可用性。
跨过「几毫米」的路径,大概率不是某一个更大的模型,而是一套能持续纠错的闭环:仿真提供可控的预演,真机提供带反馈的接触,数据再回流打磨模型。 智元机器人 、 宇树科技 、 特斯拉 等玩家都在不同路径上逼近同一个目标——让机器人从「听懂指令」进化到「对得上物理」。
也正因如此,2027才会被反复点名。王兴兴口中的「临界点」,本质是把「最后几毫米」压缩到可被工程化解决的那一刻:当闭环足够稳,机器人就从展品变成可被验收的劳动力。
但「最后几毫米」也是一种自谦式的诚实。它提醒行业,demo里的顺滑和现场里的笨拙,往往只差这一道没有被填平的缺口。把演示当部署,是把「几毫米」误当成「已抵达」。
对从业者而言,这句话的含金量在于方向感:与其继续堆参数、刷视频,不如把工程资源砸进感知—推理—控制—反馈这条实时闭环里。谁先让机器人在真实接触中稳定地「边做边改」,谁就先摸到临界点。
本文基于公开报道整理。