引言

上市之后的第一次公开演讲，宇树科技创始人王兴兴把聚光灯从“跑多快、跳多高”的舞台技艺，移向了一个更具产业含金量的命题：机器人何时真正走进工厂与家庭？他的答案并不靠一个炫目的单点指标，而是指向“泛化能力”的临界点——两个80%时刻：在80%的陌生场景中，机器人能在语音或文字指令下顺利完成约80%的任务。为了抵达这一临界点，他提出“物理AI机器人的自进化”，用基础大模型将论文检索、代码生成、仿真训练、真机测试与评价反馈串成闭环，让研发从人工密集的“最后一厘米”走向可持续迭代。

这一判断，既是对具身智能发展路径的再校准，也是对产业落地节奏的量化承诺。

两个“80%”：从炫技指标到可用阈值

为什么是80/80，而不是更高的99%？

• 用户体验阈值：在真实生产与生活中，稳定完成“大多数”任务，比在特定场景达成极致性能更有价值。80%/80%代表“可用且可扩展”的起点，随后可以通过任务分解、二次尝试、人工兜底与协作提升整体完成率。
• 评测可操作：将“陌生场景”和“自然语言任务”两条轴量化，便于构建标准化测试集，避免只在熟悉环境“内卷”。这比单一速度、力矩等指标更贴近落地。
• 经济性拐点：当机器人能在广泛场景完成多数事务，单位部署的投资回收期（ROI）开始显著缩短，才具备规模化推广的商业动力。

如何定义“80%陌生场景/任务”？

• 场景维度：房间布局、光照材质、动态干扰、工具变化等跨域扰动；
• 任务维度：自然语言描述、长链路操作（如“收拾桌面并分类”）、容错与重试能力；
• 评测机制：多次试做与“任务分解成功率”并评，避免“一刀切”的成败判定。

80/80不是终点，而是从“能演示”迈向“能部署”的转折点。

自进化闭环：让AI接管“最后一厘米”

王兴兴给出的路径，是“物理AI机器人自进化”。核心是以基础大模型为大脑，以海量多模态数据为燃料，把研发链路自动化、闭环化。

闭环的关键环节

• 知识获取与代码生成：由模型自动检索论文、工具文档，生成控制与感知代码，减少人工织补；
• 仿真训练与域随机化：在高保真模拟中做大规模预训练与对抗扰动，学习泛化策略；
• 真机测试与反馈：让机器人队列形成“数据工厂”，实时回传成功/失败轨迹、偏好信号与安全事件；
• 自动评测与修正：基于任务完成率、耗时、能耗、风险评分的多目标优化，触发再训练与参数微调。

四个支点：把闭环做“粗壮”

• 更强的基础模型：通晓语言、视觉、运动与物理常识，能做任务分解与长时规划；
• 更多元的规模数据：真人与互联网数据提供语义与常识，合成/仿真数据覆盖长尾，配合场景编辑器持续扩展；
• 更多的真机反馈：真实接触、摩擦、滑移、偏差与硬件容忍度，只有真机能教会；
• 更多的技能积累：沉淀“技能原语库”（抓取、开合、拧动、插拔、擦拭等），供模型组合调用，提高样本效率。

与其让工程师反复微调“最后一厘米”，不如让闭环在规模化数据和任务上持续打磨，推动“每次部署都更聪明”的滚雪球效应。

数据与控制：从端到端生成到安全落地

过去动作多为离线编排，如今已能基于语音端到端生成动作序列，虽然目前仍有“几秒级”延迟与一次生成一次样的差异，这些问题暴露了两个落地要点。

多模态控制栈的现实取舍

• 云-边协同：云端做重推理与规划，边缘端做安全监控与快速反应；延迟敏感环节（接触控制、避障）必须在本地闭环；
• 层级策略：高层用语言/视觉规划，中层用技能原语拼装，底层用力控与稳定器保证安全；
• 变异与一致性：端到端生成的“多样性”有助探索，但对工业一致性不友好，需要引入“可重复模式”与确定性约束。

数据获取的工程挑战

• 真人/互联网数据：提供语义和常识，但噪声大、标注标准需统一；
• 真机数据：贵而慢，但不可替代，适合做对齐与校准；
• 安全与隐私：家庭与工厂都对数据采集敏感，需边缘学习、联邦训练与可撤销数据协议；
• 奖励与偏好：利用自监督、偏好学习与安全约束，构建更可靠的学习信号。

在这些工程取舍上取得平衡，决定了80/80距离现实有多远。

从“能演”到“能用”：指标、效率与里程碑

速度纪录、舞台编队、载人机甲展示了硬件边界与控制冗余，但产业拐点更依赖以下指标：

• 泛化效率：新任务新增数据/工时的需求量是否持续下降；
• 部署效率：从拿到任务到可稳定运行的时间，能否从周级压到日级、小时级；
• 可靠性与可维护性：MTBF（平均无故障时间）、热插拔能力、远程诊断覆盖；
• 经济性：单机全生命周期成本与单位产出，是否优于“人+简单治具”。

可预见的里程碑路径：
- 工厂内先达80/80（半结构化、任务清晰），以机器人队列日更迭代；
- 再向家庭延展（高度多样化、长尾极长），借助技能市场与云端协作，逐步攻克复杂物品与开放指令。

影响与展望

• 对产业的意义：两个80%若达成，服务、制造、物流、安防将进入“机器人优先”的流程再造期。标准化的任务接口、数据协议与技能市场会像移动应用商店那样出现，供应链将围绕高复用部件与可维护设计重构。
• 对技术的牵引：基础模型将进一步吸纳具身数据，形成“会看、会说、会做”的统一体；云边协同与时延优化会成为系统设计主线；评测从单指标转向多目标（效率、安全、能耗、舒适度）。
• 风险与节制：过度为特定基准调优、忽视安全冗余与伦理治理，会让推广受阻。真正的加速器不是单一算法突破，而是“千台级真实部署×数据闭环”的规模效应。
• 时间窗口：以当前进展与产业节奏估计，工厂侧的80/80有望率先到来；家庭侧仍取决于成本曲线、长尾数据与安全规范的共同成熟。关键在于跑通自进化闭环，并让它在真实世界高频运转。

当机器人在大多数陌生环境里，听懂自然语言就能完成大多数事务，产业的齿轮才会真正啮合。两个80%，既是对泛化能力的量化，也是对闭环能力的验收。比拼的不再是一次性奇技，而是持续进化的能力曲线。

标签： 具身智能 机器人泛化 自进化 基础模型 工业机器人