王兴兴的“一两年”承诺,具身智能真正卡在哪?

10 月中旬的上海工博会上, 王兴兴再次被追问具身智能的“ChatGPT 时刻”。他给出的判断是: 快则一两年, 明年 GPT- 7 可能把问题“打穿”。这句话迅速刷屏, 但它真正值得讨论的地方, 不是 GPT- 7 有多强, 而是它把模型升级与 Agent 落地放在了一起。

📌 模型像参谋,Agent 才是执行者

大模型擅长在抽象空间里做概率外推: 识别目标、规划路径、拆解步骤。 但地图画得再细 , 也不等于脚知道杯子有多重、桌面有多滑。物理世界要的不是“大概对”, 而是可重复、可验收的确定动作。

一台能干活的家务机器人, 指挥中枢并非云端大模型 , 而是身上的行动系统: 总 Agent 调度, 视觉、力控等子 Agent 执行, 靠传感器实时纠偏。物理载体则是手和脚, 灵巧手、关节电机、触觉传感器决定能力上限。模型、Agent、物理载体, 是三条不同的腿。

🔍 用三把尺子衡量, 卡在第三步

• 结果标准: 走路、跳舞、固定产线动作可做到高成功率, 但多依赖工程师示教和刚性路径。
• 过程标准: 开放环境刚起步。Figure 披露在 30 户陌生住宅完成 420 次试验, 整体任务成功率约 56%; 智元称真机数据扩到 3 万小时后,100 项原子任务零样本平均成功率为 44.1%。第三方评测结果更不乐观: 简单抓取可达 95%, 毫米级对位插入只有 10%。
• 迭代方向标准: 机器人还不会把 A 家摔的跤变成 B 家的经验, 也难以在连续失败后自己总结“这种材质要加力”。

这不是单纯的时间问题。 结果标准背后是验收口径 , 过程标准背后是安全责任, 迭代方向标准背后是价值取舍。谁定标准, 谁承担后果, 决定了机器很难自己长出行业标准。

💡 真正的壁垒, 是院墙里的数据

具身智能的验证器, 是真实世界对每一次接触给出的物理反馈 。它不在云端, 而在产线、医院、厨房和实验室里。据公开报告口径, 全球高质量真实物理交互数据存量约 50 万小时, 而通用具身模型训练可能需要 1000 万小时级; 真机遥操作有效数据单价约 500 至 1000 元 / 小时。

更值得警惕的是出货结构。IDC 数据显示 ,2026 年上半年全球人形机器人出货接近 2.5 万台, 科研教育、表演展示、政府数采中心合计占比约 69%。也就是说, 近七成机器人仍在“被研究、被表演、被采数据”, 而不是替人干活。

📊 接下来该盯什么

• 评测有没有第三方考场: 再听到“突破”, 先问场景数量、任务类型、失败统计和阈值型任务占比。
• 数据有没有回流闭环: 谁能在真实产线上跑出可回采的数据, 谁才在攒真资产。
• 标准归谁掌握: 行业验收、责任边界和数据归属, 可能比模型参数更能决定落地速度。