10月12日，宇树科技创始人王兴兴在第26届中国国际工业博览会开幕式上给出了一个会被行业和资本反复引用的判断：明年GPT-7出来的话，可能直接将具身智能的问题“打穿”。所谓“打穿”，赌的是通用大模型这颗“大脑”的持续进化；而从现场多位嘉宾的发言拆解下来，具身智能真正卡住的技术瓶颈有五个——数据、泛化、效率、训练方式和算力布局，其中一部分能被大脑进化加速，另一部分是模型再强也无法自动跳过的“身体”问题。第一财经
这个判断的另一半他说得同样明白：具身智能临界点的到来会比较快，甚至可能是一两年，但目前仍然面临泛化性和效率的难题。换句话说，王兴兴既给出了时间表，也亲自点名了卡点。第一财经
改变王兴兴的，是GPT-6已经装上了机器人
转变的直接触发点是模型升级。前段时间，通用大模型GPT-6 Astra的发布在具身智能行业掀起了一股测试热潮，还引发了行业人士对技术路线的讨论和思考。36氪持续跟踪着这款新模型的表现，最近它正在扫荡一批悬置多年的数学证明题。第一财经36氪
关键是宇树已经把它用上了机器人：公司团队将GPT-6部署至机器人做任务进行测试，效果表现还不错。第一财经
王兴兴对态度转变说得很直白：过去十几年他犯的最大错误就是对AI还不够相信，现在他对AI的信仰反而与日俱增。第一财经
瓶颈一：物理交互数据造不出来，产业数据拿不到
数据紧缺是现场被提到最多的约束。Sharpa联合创始人向少卿在工博会上把机器人数据拆成三层：人类操作数据隐含对世界运行机理的认知，是智能的“种子”；仿真数据的意义在于强化学习、数据增广，而真机数据将解决仿真的Sim2Real Gap。第一财经
最关键的恰是最难积累的真机数据。按王兴兴的说法，将机器人真正部署至物理世界的最后几厘米、提高成功率，真机数据仍然非常关键。第一财经
另一份缺口在产业侧。中国工程院院士、之江实验室主任王坚认为，人工智能虽然已经能理解和编写代码，但目前人工智能距离工业界的数据还是比较远，这类数据是锁在每个企业的“抽屉”里，他在现场特地呼吁海尔、施耐德等制造业企业把工业数据开放给机器人企业。第一财经
供给侧的国家层面基建已经在启动，央视《新闻联播》10月初提到，我国正加快训练场基础设施建设、完善行业标准规范，推动具身智能从实验室走向产业化，中关村一家具身智能数据平台已交付150万小时人类视频数据，量级达到全球领先。央视网
瓶颈二：泛化性——离开演示场景就失灵
泛化被现场嘉宾给出了很实际的标准：机器人泛化性的基础包括不需要改造环境、可以不间断地干活等。第一财经
行业并不缺“一家门店、一台机器人”式的演示，比如把机器人部署进上海一家DQ门店、在工位上按步骤制作冰淇淋；真正的考验发生在从单一场景走向多场景，Sharpa公开的规划是在餐饮、零售和宾馆三大场景部署3万台机器人。第一财经
而这三万台要立得住，前提是做到企业拿到机器人后采集少量数据、稍作训练就能够使用。向少卿坦言，这只是接下来的目标，还不是当前已经具备的能力。第一财经
瓶颈三：效率与可靠性——工业闸门不等人
效率的硬尺子来自制造一线。ABB机器人中国区总裁韩晨把话说得很硬：如果应用具身智能之后，作业速度不及人工，那么它就不具备现实的生产价值，充其量只能作为数据采集与科研实验手段，绝不能用于正式生产。他也不回避行业内部确实存在部分概念泡沫，工业级应用的核心底线是安全、可靠与高性能。第一财经
另一道门槛是回报周期。如果制造业务完全绑定某一个单一版本的模型，极可能面临“前期投入尚未收回、底层模型便已迭代淘汰”的断代风险。行业眼下倾向的解法，是把物理AI能力嵌入成熟的离线仿真编程平台，在仓储物流、产线自动锁螺丝等可验证场景中梯次推进。第一财经
瓶颈四：机器人不会自己学习，训练还靠人肉调试
王兴兴对“自进化”落差的对比点到了要害：大语言和多模态模型训练的自动化程度已经非常高，头部大模型公司今年或明年可能差不多实现自进化；但在机器人这边，模型的训练和调试的工作仍然依赖于人类工程师完成。第一财经
他设想的出路是写代码、训练以及部署等链路利用AI自动化实现，人类负责评估效果打分，模型积累经验越多、人类参与度越低。这也呼应了ABB机器人全球总裁马思康在同一展会上的判断：工业自动化的下一个时代，将由机器人的学习速度、而非机器人的编程水平来定义。第一财经第一财经
瓶颈五：算力怎么摆，同台嘉宾给了三个答案
王兴兴主张算力按需求选配：每个型号的机器人上面都加很多高算力，其实也是很吃力不讨好的一件事情，偏运动能力的机器人可以在本体部署，决策型和大规模场景还是得靠云端。第一财经
向少卿给出的标尺是时延：目前行业的现实是端侧算力无法满足机器人自己需要完成的运算，短期内机器人的“思考”还是会在云端。第一财经
王坚则直接给这个话题降温：具身智能行业还处于早期、机器人形态也未发展成熟，目前探讨算力还比较早，路径选择要从实用主义出发。三种答案并存本身就说明，云端、端侧、边缘的算力架构在行业内还没有收敛。第一财经
GPT-7能打穿什么：大脑可加速，身体不可跳步
把五个瓶颈放回“打穿”这个命题里，GPT-7被寄望的部分集中在大脑：训练自动化程度、机器人决策与跨场景理解，都会随通用模型的能力增长被直接抬升，这也是王兴兴乐观的来源。而泛化和效率的另一半长在“身体”上：真机数据的最后几厘米、锁在企业抽屉里的工业数据、工业场景对速度和安全可靠性的验收门槛，都不会因为等一次新模型发布而自动消失。
还要划一条边界：GPT-7本身尚不存在，“明年出来”是王兴兴的假设而非已发布的产品，本轮采集能确认的最新通用模型仍是GPT-6 Astra；“临界点一两年”也是头部本体厂商的判断而非行业共识——同台的王坚就认为机器人形态尚未成熟、连算力路径都还不必急于定论。对想判断机器人爆发会不会提前到来的读者，更可靠的观察信号是这几个：跨场景部署能否真的做到“采集少量数据、稍作训练就能使用”，3万台量级的商业部署能否如期落地，工业数据开放是否会得到海尔、施耐德这类企业的响应，以及机器人训练链路里AI自动化的环节会不会多起来。这些信号比任何一次模型发布会都更能说明，瓶颈究竟被打穿了没有。
