具身智能GPT时刻再次成为讨论焦点。10月22日，宇树2026世界物理AI大会暨宇树合作伙伴生态大会在杭州召开，宇树科技（688836）董事长、创始人兼CEO王兴兴谈到，机器人若能在约80%的陌生场景中，通过语音或文字指令完成约80%的主要任务，就可视为迈向这一时刻。据界面新闻报道，他认为大模型已在机器人规划和导航方面展现较强能力，但模型与真实机器人的输入输出对齐仍是最大挑战。讨论由此从模型会不会理解语言，转向它能否把理解稳定地落实为动作。
“具身智能GPT时刻”不是单看机器人能否听懂一句话。人在陌生环境中说“把东西整理好”，通常默认对方能观察环境、辨认物品、判断先后顺序，并在执行中处理变化；机器人则需要让模型接收的信息、形成的计划和实际动作彼此衔接。语言回答得通顺，不代表机器已经完成任务；规划方案看起来合理，也不等于机械动作能在现实空间中准确执行。王兴兴提出的判断，指向的是从数字模型能力到实体行动能力之间的跨越。
其中的“对齐”，关系到指令、模型输出和机器人动作能否对应起来。用户给出的是日常语言，任务却发生在具体环境里：物品的位置、周围空间和执行结果都可能影响下一步动作。若模型对现场信息判断有偏差，或者输出的动作无法被机器人正确执行，任务就可能中断。因此，机器人需要的不只是一次性的指令识别，还包括让规划与执行相互匹配。报道没有给出这组“80%”对应的具体测试条件和任务范围，因而它更适合作为王兴兴描述目标能力的尺度，不宜直接当成已经验证的通用性能指标。
普通人熟悉的整理房间，恰好能看出这道门槛。对人来说，收拾桌面可能是一连串自然动作；对机器人而言，指令必须落到实际环境中的任务步骤，动作执行后还要与目标相符。任务越开放，指令留给执行者自行判断的空间越大，模型规划和实体动作之间就越需要配合。即便机器人能在某一固定条件下完成操作，也不能据此推断它能应对陌生场景。具身智能的讨论因此不只关乎模型能力，还涉及任务能否被稳定执行、结果能否符合用户预期。
