AI信徒王兴兴一段话，宇树涨了54%，但考验在后面
近期，宇树科技股价一改此前疲态，连续攀升，最新报价较10月15日盘中低点404.3元/股累计反弹幅度超过54%，尤其今日直接以20%涨幅涨停，收于624元/股，市值再度突破2524亿元。
与股价飙升同步，宇树刚推出定位为“保镖”的H2-X功夫传奇机器人，在演示视频中，它能扛起汽车、施展飞踢肘击，负载能力较以往的跳舞形态显著提升，显然仍在挑战物理硬件极限。
在近日举行的2026世界物理AI大会暨宇树合作伙伴生态大会上，王兴兴的演讲中超过90%篇幅都在聚焦AI。
他提到，“全世界包括他自己对AI的信仰都还不够”；“如果同事更关注AI，个人财富可能增长十倍甚至几十倍”；“真正理解尖端AI模型潜力的人或许只有几千人”；“物理AI已出现被突破的迹象，快则1到2年，慢则2到3年……”
这与几年前的王兴兴截然不同，自2016年创业以来，他此前更多精力投入在硬件研发上。
从本次大会演示看，宇树已在推进自研物理AI模型和机器人自进化体系，但现场最直观的绘画、下围棋等演示，主要基于GPT-6 Astra的测试结果。
外界或许更关心的是，已转变为AI信徒的王兴兴，究竟何时能推出宇树自身的AI能力？当人形机器人硬件能力持续提升，宇树能否将自研AI从技术路线转化为实际产品能力，将成为下一阶段的关键考验。
王兴兴处处提及AI，但宇树的AI体现在何处？
遗憾的是，王兴兴反复强调AI，但在宇树生态大会上，能站得住脚的自研AI成果并不多。
这两天，宇树在杭州举办了十年来的首场生态大会。新发布的Unitree H2-X引人注目：轻松翻越汽车、飞踢肘击能将车门砸出凹陷、徒手抬车、从4米高台跃下平稳着陆，官方称续航最长8小时。
不过，这些动作展示的仍是宇树在硬件、运动控制和动作编排上的优势，而非王兴兴极为看重的AI。
这场大会的主论坛主题为“世界物理AI大会”，王兴兴的演讲题目是《相信，尽可能相信AI》。他几乎将整场演讲聚焦于AI：全世界对AI的信仰还不够，包括他自己；四五年前他曾提醒同事关注头部AI公司股票，若当时相信，个人财富可能已增长十倍甚至几十倍；真正理解尖端AI模型潜力的人可能只有几千人；物理AI已看到被突破的迹象，快则1到2年，慢则2到3年……
他越强调AI，观众就越期待看到宇树的AI成果；但落到现场，真正拿得出手的演示却并非来自宇树自研模型。
首先，宇树确实有自研AI产品。9月，宇树发布了通用人形机器人基础模型UnifoLM-WLA-1.0。此次大会上，王兴兴进一步介绍了正在预研的“物理AI机器人自进化V1.0”。
他还把“物理AI机器人自进化V1.0”作为今年最重要的预研方向——让AI自主查阅论文、编写代码，在仿真环境中训练，再进入真实机器人测试，并通过AI或人工打分反馈，形成持续迭代闭环。
但预研框架不等于已跑通的模型，技术路线图也不等于已落地的能力。
现场最直观的AI演示，反而来自GPT-6 Astra：机器人在零训练条件下完成绘画、洗笔、换颜料、下围棋、室内导航。王兴兴自己也承认，大模型已能较好解决规划和导航，但实际动手操作时仍容易出错。
这说明，外部大模型确实能驱动机器人完成部分任务，但也暴露了宇树自研模型尚未站到台前。
更重要的是，UnifoLM-WLA-1.0发布已一个多月，但在这次大会上却没有一个基于该模型的现场实操演示。观众看到的仍是GPT-6 Astra驱动的画面，而宇树自己的模型仍欠缺实质性落地。
准确地说，宇树的AI并非没有，只是还没真正走到舞台中央。
它已搭建好骨架——模型、数据、评测、开源生态都在推进，但离“让机器人听懂一句话就去干活”还有距离。王兴兴预测具身智能的“ChatGPT时刻”最快2027年到来，这意味着宇树给自己留了一年多的追赶窗口。
问题是，窗口期内，对手不会停下脚步等待。
硬件可持续迭代，但智能能力才是下一道关卡
宇树的硬件优势是真实的。H2-X能抬车、能飞踢、能从4米高台跃下，续航8小时，运动控制能力在全球人形机器人中属于第一梯队。
但硬件在中国没有壁垒。电机、减速器、控制器、激光雷达，供应链已成熟，后来者靠工程迭代就能快速追赶。如果恰巧去过2026世界机器人大会现场，许多人第一感觉就是：能唱会跳的人形机器人随处可见，并非哪一家的独门绝技。
因此，仅靠持续改进硬件来维持先进性，对宇树来说远远不够。
真正决定谁能留在牌桌上的，是智能能力。
王兴兴自己把这道坎说得很清楚。他给具身智能的“ChatGPT时刻”设定了量化标准：在约80%的陌生场景中，通过自然语言指令完成约80%的主要任务。这个标准不低——它意味着机器人要从“特定场景下的演示品”变为“通用环境中的可用产品”。
难点在于，大模型让机器人更会“思考”，但做家务并非单纯聊天。
王兴兴承认，目前大模型已能较好解决规划和导航，但实际动手操作时仍容易出错。核心瓶颈是AI模型的输入输出与真实机器人之间的对齐：传感器读数有偏差，关节响应有延迟，抓取力度、摩擦力、遮挡和光线变化都会带来误差。
拿起一枚象棋或许不难，但要把细小零件装配到位、将易碎杯具稳妥放进洗碗机，最后几毫米的误差就可能决定成败。
更麻烦的是泛化性。当前AI模型在固定场景中经过充分训练，成功率可接近100%；但只要物品位置、形状或环境稍作变化，成功率就可能明显下降。
家庭场景恰恰最不“配合”：桌面每天不同，老人小孩宠物随时改变空间状态，任务也常模糊——“收拾一下客厅”听起来简单，背后却包含识别、规划、抓取、移动、避障、纠错和失败重试。机器人不能只完成一次漂亮演示，它必须在陌生环境里反复成功。
这正是宇树自研模型需要证明的地方。
9月发布的UnifoLM-WLA-1.0是6B参数的具身多模态大模型，基于约2500小时真机数据训练，单模型统筹64项任务，在多项具身推理评测中领先开源模型。
但评测领先不等于现场能打。UnifoLM-WLA-1.0发布已一个多月，这次大会上却没有一个基于该模型的现场实操演示。观众看到的仍是GPT-6 Astra驱动的画面。
这恰恰说明，宇树的自研模型还差一次“现场证明”。 发布模型、提出技术路线、搭建算力集群，与证明模型的实际能力，是两回事。真正值得关注的，是自研模型能否在真实机器人上稳定完成任务，能否适应陌生环境，又能否根据执行结果持续改进。
招股书显示，宇树2023年至2025年三年合计研发费用约2.65亿元，相较于AI大模型公司在研发层面的投入，这样的资金完全不在一个量级。王小川曾透露，一个千亿级参数大模型单次训练成本在3000万至5000万元人民币之间。多位具身赛道从业者也向凤凰网科技感慨，具身大脑投入巨大，日消耗在百万元级别。
机器人“会打架”已经实现，但离“会过日子”还有一段路。对宇树而言，下一阶段的竞争，不只是让机器人做出更惊艳的动作，更是让自研AI真正转化为机器人的执行能力。
到那时，人们评价一台机器人，大概不会再问它能不能扛车，而是会问：它能不能在我出门前，把厨房收拾干净，并且不把猫吓跑？
本文来自微信公众号“凤凰网科技”，作者：路春锋，36氪经授权发布。