“王兴兴：犯的最大错误是还不够相信AI”登上热搜，背后是具身智能与大模型结合速度加快所引发的讨论。据第一财经报道，10月12日，在第二十六届中国国际工业博览会开幕式的深度对话环节，宇树科技（688836）创始人王兴兴表示，前段时间GPT-6发布后，公司团队将其部署到机器人上进行任务测试，效果表现不错。他同时提到，自己过去十几年犯的最大错误，是对AI还不够相信。公众关注的并不只是这句带有个人反思色彩的话，也包括一个更具体的变化：大模型正在从屏幕里的文字、图像和代码处理，进入机器人对现实环境的感知与行动。
对普通用户来说，AI回答问题时，任务边界通常由输入内容决定；机器人执行任务时，还要面对物体形状、位置变化、光线、地面状况以及动作误差。大模型能否把“理解指令”转化为连续、准确且安全的动作，决定了它是在演示中完成一次任务，还是能够进入工厂、家庭等真实场景。王兴兴所说的部署测试，意义正在于把模型能力放进机器人系统中检验，而不是只看模型在对话或单项测试中的表现。
报道中提到，王兴兴认为，要让机器人实现大规模应用，还需要解决泛化性和效率问题。泛化性指机器人不能只记住固定地点、固定物品和固定动作，换一个环境、换一种摆放方式，仍要有处理能力；效率则涉及识别、判断和执行的时间，也涉及算力、能耗以及硬件动作之间的配合。一个机器人如果每次都需要大量计算，或者面对轻微变化就重新训练，实际使用中的等待、维护和运行成本都会上升。具身智能的应用门槛，因此不只在于“会不会做”，还在于能否稳定、快速地反复做。
放到生活场景中，这种差别很容易看出来。固定轨迹的搬运、重复分拣，往往可以通过预设程序完成；但当物品被随意放置、目标被遮挡，或者任务需要连续判断时，机器人就必须同时处理视觉信息、语言指令和身体动作。人可以边观察边调整，机器人则要把这些变化转化成可执行的控制信号。大模型加入后，机器人获得了更强的任务理解和规划入口，但最终效果仍取决于传感器（885946）、机械结构、控制系统和软件之间能否协同工作。AI能力的提升，因而会沿着整套系统传导，而不是单独决定应用结果。
这也是“相信AI”与“直接让机器人进入大规模应用”之间的区别。王兴兴在现场判断，具身智能行业临界点的到来可能比较快，较快情况下甚至可能是一两年；但同一段表述也明确指出，泛化性和效率仍是需要解决的问题。对行业观察而言，这两个判断并不矛盾：模型进步可以缩短机器人获得复杂能力的训练路径，部署测试可以更早暴露问题，而硬件可靠性、数据积累、场景适配和安全要求仍然构成落地链条。技术演示中的“效果不错”，需要经过持续运行和多样任务验证，才能转化为稳定服务能力。
因此，关于AI的反思，真正连接的是技术信心与应用尺度。一方面，机器人正在借助大模型获得更接近通用任务处理的能力；另一方面，具身智能仍要在真实环境里证明自己能够泛化、提速并保持稳定。判断这类进展，不能只看一句“相信AI”，也不能只看一次测试，而要看模型能力是否最终落实为可重复的动作和可使用的机器人服务。
