王兴兴认错，人形机器人到了临界点？

做了十几年机器人的王兴兴，在工业博览会的舞台上公开「认错」了。

10月12日，第二十六届中国国际工业博览会开幕式深度对话环节，宇树科技创始人王兴兴说了一句在业内流传很快的话：「过去十几年我犯的最大错误，就是对AI还不够相信。」

这句话的分量不轻。王兴兴是靠四足机器人、靠极致成本控制打出天下的工程师型创业者，他不是「信仰派」，而是典型的「先落地再谈理想」派。连他都开始把「对AI的信仰与日俱增」挂在嘴边，说明具身智能行业的风向标，正在从「先把硬件做便宜」转向「先把智能做出来」。

而几乎同一时间，学术圈的最新进展也在给他背书：机器人已经能接住你抛过来的箱子了。

本文的核心判断是：具身智能的临界点，可能真比大多数人想的要近——但前提是，行业得先解决「反应」这件事。

🎤 王兴兴的「忏悔」，信息量在哪

先回到工博会现场。

王兴兴在对话中透露了两个关键信息。第一，前段时间GPT-6的发布对具身智能行业的认知冲击很大，宇树科技团队已经把它部署到机器人上做任务测试，「效果表现还不错」。第二，他对临界点的判断很具体：「具身智能行业临界点的到来还是会比较快的，相对快的话甚至可能是一两年。」

注意措辞——不是五年，不是十年，是一两年。

对一家还在为量产爬坡、为成本抠每一颗螺丝的公司创始人来说，给出这么激进的时间表，本身就是一个信号。据多位接近行业的人士私下交流，头部整机厂现在内部讨论的重心，已经从「本体还要不要降本」变成了「哪个模型先接进来、怎么接」。

当然，王兴兴也没有回避问题。他明确说，要让机器人实现大规模应用，还要解决泛化性和效率两个问题，但他判断未来几年这些问题将得以解决。

翻译一下这段话的产业逻辑：

• 泛化性，决定了机器人是只能在固定工位上重复一个动作，还是能到陌生环境干没排练过的活。这是「专用设备」和「通用劳动力」的分界线。
• 效率，决定了机器人的单位时间产出能不能打平人工成本。机器人再聪明，干活比人慢三倍，工厂老板算完账还是不会买单。

底层模型能力的跃迁（GPT-6级别），恰好是同时撬动这两个问题的杠杆。语言和多模态模型带来的任务理解、场景理解能力，正在把机器人从「预编程的执行器」变成「可指令调度的智能体」。

王兴兴那句「很多人还没有充分使用或者拥抱AI」，与其说是感慨，不如说是对同行的一记提醒：模型端的进度，已经跑在了大部分机器人公司的接入速度前面。

📦 接住一个抛来的箱子，为什么是硬指标

说完了判断，看证据。

最近arXiv上的一篇论文《Reflex: Visually Grounded Reactive Humanoid Control》，研究了一个看起来朴素、实际上极难的任务：让机器人接住抛给它的箱子。

为什么选这个任务？论文开头的描述很形象：人类可以毫不费力地回击一记网球、接住一个掉落的杯子、给迎面推来的购物车让路、在卸货时接住同伴抛来的纸箱。这些日常动作的共同点是——预判一个运动目标，并在大约一秒钟内做出全身反射式响应。

对机器人来说，这一秒里塞着三个必须同时解决的难题：

1. 全身协调控制——不是动一只手，是腿、腰、双臂整体协同；

2. 实时应对物体动力学——箱子在空中是变速、变姿态的，得边飞边算；

3. 感知落地——只能靠机器人自己头上的第一视角（egocentric）视觉，不能靠动捕、不能贴标记。

论文明确指出，现有系统都只覆盖了其中一部分：要么只靠末端执行器（手臂）去接，要么依赖动捕系统，要么要求物体带标记。换句话说，「接抛物」这个人类幼儿玩得溜的事，此前没有任何一套系统能完整拿下。

这就是为什么这个任务是「硬指标」——它逼着系统把控制、预测、感知三件事同时做对，缺一个，箱子就摔地上。

这个表格也解释了Reflex的研究价值：它是把「演示环境里能做」推向「真实环境里能做」的一次收敛。

🧩 三段式拆解：一条可以抄的工程路线

Reflex真正值得产业链关注的，不是「会接箱子」这个表演效果，而是它把问题拆解的工程方法论。

整套框架分三个阶段，逐级训练、逐级衔接：

第一步，用强化学习训一个基于状态的全身接箱策略——先在「开了上帝视角」的条件下，让机器人本体学会怎么接。

第二步，教这个策略从延迟且不完整的观测中，推断飞行箱子的动力学状态——解决「信息不全、时间滞后」这个真实世界的核心痛点。

第三步，冻结全身控制器，单独训练一个第一视角RGB-D的视觉编码器，让它直接从画面中恢复出第二步需要的动力学表征。

这个拆法的聪明之处在于：每一层能力都有直接、干净的训练信号，视觉学习部分因此变得「大幅更可扩展」（substantially more scalable）。

结果如何？论文给出的数据：在仿真中，Reflex从第一视角RGB-D输入达到85.7%的接箱成功率，而上帝视角的状态策略是87.9%——两者只差2.2个百分点。也就是说，视觉这条链路的信息损耗，被压到了几乎可以忽略的程度。

对做具身智能的团队来说，这里有一个可以直接借鉴的判断：与其一上来就端到端硬训「视觉输入到全身动作输出」的巨型模型，不如先找到一个紧凑的中间表征（比如物体动力学状态），把感知和控制解耦，再各自规模化。这条路线在算力和数据都稀缺的当下，性价比明显更高。

同期还有另一条相呼应的信号：有研究团队展示了双臂机器人以接近人类的动作完成抛接球——四肢可以快速、高精度协调运动，去应对不同形状、重量和质感的运动物体。两件工作一软一硬、一仿真一演示，指向的是同一个方向：机器人的「运动敏捷性」与「动态交互能力」，正在以肉眼可见的速度追上人类基线。

⏱️ 把两件事放到一张时间线上看

现在把王兴兴的判断和学术进展摆到一起，脉络就清晰了：

产业侧在喊「临界点快到了」，学术侧在把「泛化性」的一块块硬骨头啃下来——接抛物只是其中一个标志性切片，但它背后代表的是实时反应式全身控制这个大类能力。物流分拣、协作搬运、人机共处场景里的避让与配合，本质上全是这一类任务。

一位产业观察者的话概括得直白：以前人形机器人比的是「站得稳、走得直」，现在比的已经是「接得住、躲得开」。

需要保持清醒的是，从论文里的仿真指标、实验室演示，到产线上7×24小时的可靠运行，中间还隔着可靠性工程、成本和场景适配三座山。85.7%的成功率放到仓储场景，意味着每七箱摔一箱，这是不能接受的。临界点到来前的这段时间，恰恰是行业把成功率从85分磨到99分的最难走的路。

基于以上事实，给出三个可操作的判断：

第一，模型接入速度会成为整机厂的短期分水岭。 宇树科技已经把GPT-6级别的模型部署上机测试，这个动作本身比测试结果更重要。还在观望「大模型跟机器人到底有没有关系」的团队，会在一两年内被甩开身位。

第二，分层架构+紧凑中间表征，是当下性价比最高的技术路线。 Reflex证明了解耦感知与控制、通过动力学表征衔接，可以让每一段训练都有清晰信号。全端到端当然浪漫，但数据饥渴的问题还没解，工程团队不必陪跑。

第三，「反应式任务」是检验具身智能成色的试金石。 静态演示（走路、挥手、抓固定物体）的水分很大，接抛物、动态避让、协作搬运这类一秒内必须给出全身响应的任务，藏不住任何短板。投资人和客户看项目，建议直接让机器人接个箱子。

回到开头。王兴兴说「对AI还不够相信」是自己最大的错误——这句「忏悔」的真正含义是：机器人行业的下一轮洗牌，将由「信AI信得早、接得快」的一方主导。 一两年的临界点预言未必精确到日，但方向上的共识，正在行业里加速形成。

临界点不是等来的，是被一个个「接住箱子」的瞬间推过来的。