10月12日，中国国际工业博览会开幕式上，宇树科技创始人王兴兴谈及具身智能的技术拐点时，给了一个比以往更激进的判断：“快的话甚至一两年内就有可能，因为明年GPT-7出来，可能直接把具身智能问题打穿。”

这不是他第一次给出时间表。2025年8月，世界机器人大会，他说“顺利的话一两年或两三年”。今年8月，他改口为“快则两到三年，慢则五到十年”。到了10月，变成“一两年”。

每次有新模型发布，他的时间表就往前拨一次。

GPT-6让宇树测出了什么

王兴兴的乐观不是凭空的。他在会上特别提到了GPT-6：“我们把它放到各种机器人上做各种任务测试，效果实际上非常不错。”

具体“不错”到什么程度，可以从其他团队的测试中看到参照。破壳机器人创始人许华哲在外滩大会上透露，GPT-6 Astra在机器人控制任务中的成功率达到95%，而前代Fable 5.1只有40%。GPT-6能完成抓取、旋转、递送等操作，即使面对筷子这类需要精细力控的物体，“它认识桌面上的东西，也会往正确的位置走”。

但许华哲同时指出，GPT-6的物理泛化能力仍然有限。它能解决“看见什么、东西在哪里、怎样靠近并抓住”的问题，但无法完成使用筷子拨动物体、堆叠盒子、折叠衣服等涉及复杂物理接触的任务。“复杂物理交互仍是具身智能公司的最后阵地。”

这个判断恰好解释了王兴兴为什么把赌注押在GPT-7上。通用大模型已经证明了自己在语义理解和空间泛化上的能力，下一步要攻克的，就是物理交互这一关。王兴兴的判断是，GPT-7有可能“直接把问题打穿”——不是渐进式改善，而是跳跃式突破。

工厂里的真实瓶颈，不是AI不够聪明

技术突破的预期在加速，但机器人进工厂的实际进展并没有想象中快。

王兴兴自己承认：“目前我们公司以及其他机器人公司都在工厂里落地试点，确实目前要大规模应用，无论是泛化性还是效率，都还要进一步提高。”

宇树早在2024年就与数家汽车企业开展了落地试点。但两年过去，仍然停留在“试点”阶段。IDC的数据显示，2026年上半年全球人形机器人出货接近2.5万台，其中科研教育、表演展示和政府数采中心等场景仍占全球出货量的69%，工业制造、零售和物流等场景尚未成为主要出货方向。

瓶颈具体是什么？王兴兴在世界机器人大会上说过一句很直白的话：“每当有新任务时需重新训练，整体效率低于人。”机器人在一个工位上学会了拧螺丝，换一个工位可能就得重新训练。泛化性不够，意味着每个新场景都是一次从零开始的成本。

效率问题更实际。工业场景对节拍的要求是刚性的，一条产线的工人每小时产出有明确标准。机器人如果速度不够，或者错误率偏高，整条线就得为它减速。新华财经的调研中，有企业反映机器人“错误率较高”，感知精度不足、决策系统与工业场景脱节是常见问题。

王兴兴说这些问题“未来几年是非常有可能解决的”，但他没有给出解决路径的细节。从宇树自己的动作来看，思路是把AI用在模型开发链条上——形成“物理AI自进化”系统，让代码编写、模型训练、部署、测试和反馈形成自循环。但他也强调，“仍需要人参与评价”。

谁在赚钱，谁在赌未来

王兴兴的乐观表态，放在人形机器人行业当下的资本环境里看，有另一层意味。

弗若斯特沙利文的数据显示，2026年上半年全球人形机器人收入排行榜前五名全是中国公司：优必选6.2亿元排第一，智元机器人6.1亿元排第二，宇树科技5.8亿元排第三，银河通用2.1亿元，乐聚机器人1.5亿元。

但排名第一的优必选，上半年亏损3.39亿元。全尺寸具身智能人形机器人——也就是真正“能干活”的那类——上半年只卖出921台。过去几年，优必选持续亏损，今年上半年仍未盈利。

宇树的情况稍好。2025年出货超5500台，营收约17亿元，扣非净利率约34.8%。但它的主力产品是G1这类几万元级的半尺寸机型，客户以科研教育为主。真正面向工业场景的全尺寸机型，出货量远不及半尺寸产品。

这不只是宇树的问题。整个行业的结构是：便宜机型贡献了大部分销量，贵机器撑起了大部分收入，但还没有任何一家公司靠全尺寸人形机器人在工业场景中跑出正利润。上半年2.5万台的出货里，大多数是单价三万美元以下的机型。全尺寸机型只占销量约两成，却拿走了行业收入的75%以上。

钱在涌进来。截至10月11日，年内具身智能领域一级市场投融资事件565起，金额合计1126.22亿元。2025年全年这个数字是395.11亿元，今年不到十个月已经是去年的近三倍。但资本的投资方向在变。上半年整机企业吸金占比下降，核心零部件与数据基础设施的投融资活跃度上升。投资逻辑正从“为梦想买单”转向“为场景付费”。

转折点如果真来，先受益的不是工厂

王兴兴在工博会上还提到一个容易被忽略的判断：商业服务的落地可能比工业领域更快。

这个判断值得注意。如果具身智能的拐点在一到两年内到来，最先起量的场景可能不是工厂，而是商业服务——导览、巡检、零售辅助这类对效率要求不那么苛刻、容错空间更大的场景。宇树目前的主力客户科研教育，本质上就属于这一类。

相比之下，家庭场景的落地被王兴兴排在最后。家庭环境对机器人的适应能力要求最高，桌椅摆放、物品位置、地面状况每天都在变化，泛化能力的门槛远高于工厂的固定工位。王兴兴说工业领域和To B商业服务“会比居家场景更快、更成熟”，这个排序是务实的。

对投资者而言，这意味着人形机器人的商业化时间表需要分层理解。工厂场景的规模化取决于泛化性和效率能否在几年内实质性改善；商业服务场景的放量可能更早；家庭场景则是更远期的事。

特斯拉Optimus的量产节奏也指向类似的结构。弗里蒙特工厂原本生产Model S和Model X的产线已经被改造成机器人制造设施，目标年产能100万台。截至2026年3月，超过1000台Optimus已在特斯拉自家工厂里分拣电池、搬运零件。但对外销售要等到2027年以后，长期目标价格压到2万到3万美元，前提是年产量冲到百万台。

特斯拉的策略是自己先用，用真实产线数据迭代，再考虑卖给外部客户。这个飞轮——数百万英里FSD训练教出的空间理解、Cortex 2.0超算放大训练、工厂里的机器人把真实操作数据喂回去——是纯机器人创业公司复制不了的。

信仰不能替代验证

王兴兴这次演讲中最有传播力的一句话，是对自己过去误判的反思：“过去十几年我犯的最大的错误，就是对AI的相信还不太够。”

这句话放在一个机器人公司创始人口中，分量不轻。它意味着，他认为自己此前对AI能力的估计过于保守，而现在正在修正这个偏差。修正的方式，就是把技术临界点的时间表不断提前。

但信仰不能替代验证。GPT-6让机器人拿起筷子，不等于机器人能在工厂里稳定干活；GPT-7如果真能“打穿”具身智能问题，从模型突破到工程落地之间仍然隔着数据采集、硬件适配、场景调试和成本控制的漫长链路。

王兴兴说“一两年内”是技术临界点，不是商业化节点。这个区分很重要。技术在加速，但工厂里的机器人仍然需要回答一个更朴素的问题：它一天能拧多少个螺丝，成本什么时候能低于一个工人。在这个问题有答案之前，所有的临界点预测都只是预测。