宇树科技王兴兴言论引关注，对智驾有何参考价值？

宇树科技创始人王兴兴称VLA模型是“相对傻瓜式”的架构，同时认为视频生成模型有前景。这一观点在智能驾驶领域引发了关注和争议。

“VLA模型是相对傻瓜式的架构。”

2025年8月9日，在北京举办的2025世界机器人大会上，宇树科技的创始人、CEO兼CTO王兴兴在演讲中表达了这一观点。尽管他是针对具身智能大模型发表看法，但这也让人对当前智能驾驶最热门的模型方向产生了思考。包括极佳视界的CEO黄冠也吐槽他的观点“太业余”。

王兴兴认为，世界模型可能是更好的技术方向。不过，在短期的未来2 - 5年，“最大的肯定还是一个端到端的具身智能AI模型”。在大会上，他从核心瓶颈、新兴技术引擎及未来技术重心三个方面，对具身智能机器人的发展态势进行了梳理与分析。下面我们来看看他的观点有何启发。

核心瓶颈：模型不够好

很多人认为机器人未大规模应用是因为硬件性能不足或成本过高，但王兴兴指出，当前机器人硬件（包括人形机器人的灵巧手、整机等）已基本够用。从技术层面讲，人形机器人的硬件能满足基本需求，虽工程实施有挑战，但可支撑基础功能实现。

他认为，限制其大规模应用的核心瓶颈是具身智能的AI大模型尚未成熟。

王兴兴觉得目前的机器人大模型（具身智能）发展阶段，类似ChatGPT发布前的1 - 3年，业界明确了方向和技术路线，但未突破关键临界点。他认为没达到临界点，主要是行业对“数据”关注过高，忽视了模型本身的问题。

王兴兴指出，具身智能发展的关键问题是模型架构不完善、缺乏统一性和泛用性，导致能力受限，数据也不能充分利用。以VLA模型为例，他认为其是“相对傻瓜式的架构”，在真实世界交互中对数据质量依赖过高，适应性不足，所以他对VLA模型的应用前景持怀疑态度。

此外，“VLA模型 + RL训练”是常见的优化思路，但他认为实践证明这还不够，“模型架构必须进一步升级，不能停留在简单组合层面”。

他还指出，“RL Scaling law（缩放定律）”的缺失也是限制发展的因素，导致机器人学习新任务时要从零开始，训练效率低下。具身智能的理想状态是“新任务训练基于旧有基础，速度越来越快、效果越来越好”，这在语言模型中已得到验证，在机器人运动控制领域虽处于起步阶段，但潜力巨大，值得深入探索。

新技术方向：视频生成模型

既然VLA模型不够优秀，那什么模型才是方向呢？王兴兴认为，现阶段视频生成模型的路线可能比VLA模型更快，收敛概率更大。其核心逻辑是利用视频生成模型预先“模拟生成机器人动作序列的视频”，指导实体机器人执行动作。例如，指令为“整理房间”，模型可先生成虚拟视频，再转化为控制信号。

不过，王兴兴也指出，当前视频生成模型过度关注“视频质量”，导致GPU消耗较高，而机器人只需能驱动动作的视频，这一矛盾有待解决。

未来技术重心：模型、硬件与算力网络

王兴兴预判，未来2 - 5年，具身智能机器人的发展将聚焦三大方向：

一是统一的端到端智能机器人大模型。端到端模型是提升机器人能力的关键，未来要重点推动其研发，实现“基于既有训练基础快速学习新技能”，提升通用性和效率。

二是更低成本、更高寿命的硬件及批量制造。硬件优化很重要，汽车行业发展百年仍有工程难题，对于未来可能大规模应用的人形机器人，必须解决“低成本、高寿命”及“超大批量制造”的工程挑战。

三是低成本、大规模的分布式算力网络。机器人本体受尺寸和电池容量限制，无法部署大规模算力，其峰值功耗通常仅100瓦左右。未来需构建分布式算力网络，如工业场景可在工厂部署局部服务器集群，民用场景可建立区域级算力集群，降低成本，保障延迟和安全性。

会后采访中，媒体提到机器人的价格预期，王兴兴表示，当机器人具备大规模作业能力时，甚至可能免费，因为“每台机器人出厂后都可以缴税”。他举例说，若企业派遣机器人开垦荒芜之地，机器人创造的部分价值将转化为税收。

“这个过程快的话可能要2 - 3年，慢的话可能3 - 5年，但是我觉得这波浪潮(的到来)大概率不会超过10年。”王兴兴说道。

王兴兴的发言引发了争议。当前智能汽车行业，VLA + RL是热门方向，理想汽车、小鹏、华为、文远知行等企业采用了这一路线或近似路线。同时，华为、蔚来，以及理想、小鹏也采用了世界模型，不过表述和功能有区别。具身智能和智能驾驶开发逻辑未必一致，王兴兴的意见只是一家之言，后续技术路线之争还需在实战中见分晓。

本文来自微信公众号“赛博汽车”（ID：Cyber - car），作者：王凌方，编辑：邱锴俊，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com