聊模型的王興興

《智能涌現》製圖

王興興表示，宇樹雖然對於模型的投入保持謹慎狀態，但其實「模型團隊人數算多的」。

文｜邱曉芬

編輯｜蘇建勛

當行業里都認為，宇樹是一個做機器人本體的公司，宇樹科技創始人王興興，在世界機器人大會（WRC）期間的一番言論，打破了這刻板印象。

WRC上，王興興在他的主題演講中，將大段篇幅留給了模型、算法和數據，其中不少觀點引起了行業廣泛討論——

比如，對於當前機器人大火的VLA（Vision-Language-Action）路線，王興興直言，他持有一定的懷疑態度。他甚至認為，「這是一個相對傻瓜式的架構」。

原因是具身領域的現存數據量不夠。王興興認為，當VLA模型與真實世界交互的時候，背后的數據質量、數量，並不太夠用。

這已經是個共識，但不少具身公司都瘋狂用堆真機數據、仿真數據、甚至建數採廠的方式來彌補。

王興興對此也直言不諱——「大家對於基礎數據的關注度太高了」，相反，他認為應該把焦點放在具身機器人的模型架構上，因為現在的模型「不夠好、也不夠統一」。

「宇樹的模型團隊其實不算小」

此前王興興在公開場合中多次強調，宇樹的核心優勢在於機器人本體硬件而非大腦，過往的種種表述，很容易讓外界產生，「宇樹不做機器人大腦」的印象。

而在WRC期間，王興興向《智能涌現》等媒體表示，宇樹雖然對於模型的投入保持謹慎狀態，但其實「模型團隊人數算多的，但相比於AI大廠算少的。」

△王興興接受媒體採訪中 《智能涌現》拍攝

但是，他也堅信，在模型上部署人員數量多寡，與最終的結果並不強掛鉤——至少，從過去AI領域的經驗來看，創新不一定在大廠中發生。

「不是資源多、錢多、人多，就能做出全球最好、最早的技術，一箇中小型團隊，也是有概率做出更好的模型，只是壓力也會很大。」王興興對《智能涌現》等媒體説到。

在大腦的路線選擇上，王興興選擇多方下注，他的另一個引發行業熱議的論點，有關當下最熱門的「VLA」。

王興興並不認同行業里在VLA模型還不夠好的情況下，就瘋狂堆一大堆數據去訓練。因為，對於一個能力更強的具身模型來説，或許只要很少的數據，就能以更高的成功率做訓練。

當然，宇樹不是完全不使用VLA，在演講中，王興興也提到，宇樹也在嘗試在VLA模型上，加AI進行訓練。

不過，在大腦路線上，宇樹顯然會更傾向於視頻的路線。去年，谷歌已經發布了視頻驅動的世界模型，王興興説，早在去年，宇樹已經嘗試了類似的方法。

具體而言，就是先讓視頻生成模型生成一個「機器人整理房間」的視頻，再用這個視頻去驅動機器人，完成整理房間的任務。

△王興興演講截圖

王興興判斷，這種視頻的路線，未來或許會比VLA的路線發展更快、收斂的概率更大。只是，這種視頻的路線也不是100%完美。由於對視頻質量要求過高，會導致GPU消耗過多。

但未來機器人的算力問題如何解決，王興興也有了一定的預期。

他判斷，未來機器人領域，需要搭建低成本、大規模、分佈式的算力集羣。他認為，未來如果一個工廠里有 100 個機器人，那工廠里面大概率可以搭建一個分佈式的服務器集羣，因為機器人需要更低的通訊延迟。

宇樹機器人，只表演，不干活？

從今年春晚的機器人扭秧歌丟手絹，再到今年WAIC、WRC大火的機器人格鬥，這讓很多人以為，宇樹的機器人不干活，只做表演。

尤其是，一眾新入局者，都在費盡心思把機器人送進工廠擰螺絲、疊衣服、疊被子，形成了對比。

王興興直言，現階段要讓機器人進工廠、進家庭干活，並不太現實，而在當前，表演則是機器人相對容易落地的方向。

相反，在宇樹的內部，思考如何讓機器人干活的員工，也是最多的。

他也解釋了為什麼宇樹很少對外宣傳機器人干活的場景——「機器人干活，對於AI模型的挑戰很大，目前我們的實現也並不理想。」

對於「干活」這件事，王興興提出了自己的看法——他希望，機器人不應該只做單功能性的事情，比如整理衣服、燒菜，而應該是通用型、多功能的，比如能在工廠端茶倒水，又能做表演。

王興興這次也對機器人的節點下了判斷：機器人的ChatGPT時刻，最快可能2-3 年實現，最慢可能是3-5年。他認為，這波具身智能浪潮，不會超過10年。

不過，ChatGPT時刻長啥樣？

王興興設想了一個畫面——在一個場館里，人形機器人隨意走來走去，你隨機吩咐一個機器人做點事情，他都能幫你完成時，這才達到了機器人的「臨界點」。

封面來源｜作者拍攝

歡迎關注