在人形机器人正处在最热闹的时候，A股“人形机器人第一股”掌门人似乎给行业泼了一盆冷水。
8月20日，在2026世界机器人大会上，宇树科技创始人王兴兴在上市后的首场公开演讲坦言，具身智能的ChatGPT 时刻还未到来，快则两年到三年后，慢则将要五年或者十年之后。
过去两年，人形机器人已成为最炙手可热的科技“时尚单品”。在各大晚会的舞台上、游戏厂商的展会上，甚至商场和零售门店的入口处，人们越来越容易看到这些充满未来感的机器人。它们或灵巧、或略显笨拙地跳舞、行走、挥手，与观众握手互动，正在迅速从实验室走进大众视野。
但热闹的展示背后，这些机器人的实际能力，显然与人们对“未来机器人”的想象还相去甚远。至少在更普遍的期待中，机器人不应该只是登台表演或者承担营销任务，而应该真正进入工厂和家庭，搬运、整理、操作工具，或承担部分家务和护理工作。大众的问题一直具体而直接：机器人什么时候才能真正会干活？
在大语言模型领域，ChatGPT曾经提供过一个极具象征意义的答案。它并不是第一款语言模型，却第一次让大量普通用户直观意识到，AI已经跨过了某个能力临界点。类似的时刻什么时候会发生在具身智能领域，也逐渐成为机器人行业最受关注的问题之一。
机器人走进千家万户，关键还在泛化能力
在8月20日举行的世界机器人大会上，宇树科技创始人王兴兴把具身智能当前最大的瓶颈指向了一个已经被行业反复讨论的问题——泛化能力。
在他看来，目前很多机器人模型在固定场景中，只要完成足够的数据采集和训练，任务成功率已经可以接近100%。但只要操作物体发生变化，或者环境稍微改变，机器人的成功率就可能明显下降。
这也是机器人距离真正进入生活和家庭最重要的一道门槛。
王兴兴给出了一个相当具体的判断标准：如果有一天，把一台机器人带到一个完全陌生的家庭或者环境，它仅通过语音或语言指令，就能够完成大约80%的任务，那么具身智能就差不多迎来了自己的“ChatGPT时刻”。在时间上，他认为快的话可能还需要2至3年，慢的话则可能需要5年甚至10年。
王兴兴尤其强调，真正困难的并不是让机器人“大致知道该怎么做”，而是最后几厘米甚至几毫米。
比如让机器人拿起一个物体，模型可能已经正确规划了整个动作，机械臂也已经移动到了物体附近，但最后一点位置误差、触觉反馈或者抓取力度没有被正确修正，就可能让整个任务失败。
这也是机器人和大语言模型非常不同的地方。
语言模型的输入和输出始终发生在数字空间中，而机器人每一次感知和动作都必须与真实物理世界发生交互。传感器存在噪声，执行器存在误差，物体的位置、材质和重量也不断变化，这些误差会随着任务执行不断累积。因此，对于具身智能而言，从“基本会做”走向“稳定做对”，可能比最初学会一个任务更加困难。
几乎就在王兴兴发表上述判断的同时，银河通用创始人兼CTO王鹤也给出了一个更加明确的年份。王鹤表示，随着数据持续积累和技术进一步突破，具身智能预计将在2028年迎来“ChatGPT时刻”。他将这个节点定义为：机器人在没有针对某一项任务进行专项训练的情况下，也能够完成大约70%至80%的日常任务。
两者的判断实际上非常接近。王兴兴关注的是机器人进入陌生环境后的任务完成率，王鹤关注的则是基础模型在没有专项训练情况下的直接泛化能力，但两个人都把临界点放在了大约70%至80%的未知任务成功率上。
这也意味着，他们口中的“ChatGPT时刻”并不是今天人形机器人展示出来的运动能力，也不是某个经过大量训练的固定Demo可以做到99%以上成功率。真正的变化，应该发生在机器人开始摆脱对固定场景、固定物品和专项训练的依赖之后。
机器人何时真正“开窍”，集体指向2至5年
就在一个月前的2026世界人工智能大会（WAIC）上，一场圆桌把同样的问题抛给了六位具身智能领域的头部创业者和研究者。
7月19日，在一场由智元机器人和觅蜂科技举办的“智启具身论坛”活动中，在最后的圆桌环节，主持人要求六位嘉宾回答一个非常直接的问题：机器人的ChatGPT时刻，还有几年？
结果出奇地集中。智元机器人合伙人、觅蜂科技董事长兼CEO姚卯青给出的答案是2年；Sunday Robotics联合创始人兼CEO赵子豪（Tony Zhao）认为是3年以内；腾讯首席科学家、Robotics X实验室主任张正友给出3至5年；Dyna Robotics联合创始人兼首席科学家马也骋认为大约需要4年；Physical Intelligence研究科学家任至意判断需要4至5年；佐治亚理工学院教授徐丹飞的答案则是5年。
六个人来自完全不同的公司和研究机构，技术路线也各不相同，但最终给出的答案全部集中在未来2至5年。
其中，姚卯青是最为乐观的一位。他的判断主要建立在数据规模的增长之上。在姚卯青看来，当前制约物理AI进一步发展的关键，可以概括为“数据、表征和闭环”三堵墙。相比互联网世界中可以廉价获得的海量文本和图片，机器人真实交互数据不仅昂贵，而且受到机器人本体、任务和场景差异的限制。
真正能够开箱即用的机器人，需要理解开放式自然语言指令，并在常见任务上达到大约70%至80%的基础成功率。要实现这一点，具身智能需要规模远超当前水平的数据。他甚至提出，未来可能需要达到亿小时级别的数据规模。
也就是说，在姚卯青的判断框架中，“ChatGPT时刻”很大程度上是一个Scaling问题：当真实世界数据、仿真数据、互联网视频、第一视角数据和机器人部署后回流的数据逐渐形成规模，模型能力也可能随之跨过临界点。
Sunday Robotics的赵子豪则把时间压在3年以内。相比一味追求更加复杂的机器人本体，赵子豪更关注机器人“大脑”什么时候能够真正成熟。Sunday Robotics长期聚焦家庭机器人和基础模型，其思路是，如果一个足够强的机器人基础模型能够理解复杂环境和任务，即使机器人使用相对简单、成本更低的夹爪，也可能首先解决大量实际问题。
张正友的态度要谨慎得多。他给出的答案是3至5年，但强调这个时间窗口并不意味着行业只需要等待一个更大的模型突然出现。大语言模型之所以能够快速形成规模化能力，一个重要前提是Transformer逐渐成为较为统一的架构。但机器人智能目前还没有形成这样清晰的技术范式。
从高层认知、视觉感知和任务规划，到实时运动控制、身体反馈和安全反应，一台机器人需要同时处理不同时间尺度上的问题。因此，真正的突破可能需要数据采集、仿真、真实部署、失败恢复、硬件和模型一起进步，而不是简单复制大语言模型的Scaling Law。正因如此，张正友在给出判断时，也特意强调行业仍需要“踏踏实实地做”。
Dyna Robotics的马也骋给出的时间是4年左右。他的判断更多来自商业部署。对于一个实验室Demo来说，80%或者90%的成功率可能已经足以证明技术路线有效；但对一家真正购买机器人工作的工厂或者服务企业而言，这样的可靠性往往远远不够。因此，具身智能的“ChatGPT时刻”不仅意味着机器人能够理解更多任务，还意味着它必须进一步提高到可以被真实商业环境接受的可靠程度。
Physical Intelligence的任至意则给出了4至5年。他表示自己在加入Physical Intelligence之前，一度认为这一过程可能需要10年，但随着过去一年机器人基础模型的发展，其预期已经明显提前。
Physical Intelligence本身也是当前具有代表性的“机器人基础模型”路线公司之一，其目标是通过跨本体、跨任务的数据训练，让同一个模型逐渐获得更广泛的操作能力。在这套逻辑中，真正重要的是机器人能力能否随着模型和数据规模扩大而不断涌现，并最终产生类似大语言模型零样本迁移的效果。
佐治亚理工学院教授徐丹飞的答案最保守，但也只有5年。相比押注某种特定模型路线，他更关注三个更加基础的指标：模型能不能真正从数据中学习，学习到的能力能不能泛化到新的环境和任务，以及推理速度能不能满足机器人在真实世界中的实时操作要求。
我们把王兴兴的“最快2至3年”、王鹤的“2028年”，以及WAIC六位嘉宾的答案摆在一起，一个越来越明显的现象是：具身智能行业正在把此前遥远的“通用机器人”时间表，压缩到未来一个技术周期之内。
清晰的历史节点，还是逐步发生的过程？
不过，虽然这些创业者和研究者虽然对时间的预测越来越接近，但他们实际上并不是在用同一套标准讨论“ChatGPT时刻”。
王鹤关注的是基础模型本身的能力跃迁。在他的定义中，当机器人不再需要针对每一项新任务重新进行专项训练，仅凭基础模型就能够完成70%至80%的日常任务，具身智能就跨过了一个类似ChatGPT的临界点。这个标准首先衡量的是模型能否从针对特定任务的“专用智能”，走向具有较强迁移能力的通用智能。
王兴兴给出的标准则更接近机器人真正进入现实世界后的表现。他同样将80%左右的任务完成率视为重要门槛，但强调的是机器人进入陌生环境以后，能否仅依靠语言指令完成大部分任务。在他看来，今天很多机器人已经能够在经过充分训练的固定环境中达到很高的成功率，真正困难的是环境、物体或者任务发生变化之后，模型还能不能继续工作。
这两种定义看起来相近，实际关注的层次并不完全相同。一个模型即使已经具备不错的零样本或者跨任务能力，也并不意味着一台搭载它的机器人已经成为可靠的生产工具。王兴兴在WRC上就提到，宇树实际上已经在汽车工厂以及自己的工厂里部署机器人，也能够完成一些简单的装配任务，但目前仍没有大规模推广，其中一个重要原因就是机器人的效率仍然低于人类，同时面对新的任务往往还需要重新训练。
星海图CEO高继扬对这一问题给出了一个颇有意思的双重判断。在本届WRC展示的产业路线图中，星海图将2027年明确标注为技术层面的“GPT时刻”，认为Scaling Law推动基础模型能力跨过拐点后，垂直场景应用将开始加速打开；但真正的“商业化拐点”则被放在2028年，随后还要经历2029年的深度渗透和2030年的广泛部署。
但在谈到具身智能是否会复制ChatGPT式的历史节点时，高继扬又明确表示，他认为“大概率不会有那样一个时刻”。原因在于，具身智能不会通过一个面向所有人的软件产品瞬间普及，而更可能从To B场景开始，一个个行业、一个个任务逐步解锁。
而技术突破和公众瞬间认知两者难以同时发生。因为GPT的爆发依赖于每个人都能用手机或电脑亲身体验，而具身智能最先落地的场景是工厂、仓库等生产端，普通公众难以直观感知。因此，行业拐点会以“润物细无声”的方式逐渐显现，等到人们突然意识到时，它已经无处不在。
这两种表述并不完全矛盾。高继扬实际上区分了模型能力的技术拐点和产业扩散的社会拐点：前者可能在某一年相对清晰地出现，后者却需要经过场景验证、规模生产、成本下降和商业模式成熟，逐步传导到现实世界。
这也是机器人与大语言模型最显著的差异之一。2022年11月ChatGPT发布后，模型能力的变化几乎可以在同一天传递给全球用户。对于一款软件产品而言，只要服务器和算力能够承受，新增一个用户的成本相对有限，用户打开网页、输入问题，就能够立即感知模型能力的跃迁。因此，技术突破、产品发布和大规模用户采用，在ChatGPT身上几乎被压缩到了同一个时间窗口。
机器人却必须通过一个真实的身体进入物理世界。即使某个基础模型在明天突然获得明显更强的泛化能力，这种能力仍需要通过芯片、传感器、关节、灵巧手和执行器转化成现实动作，还要面对精度、稳定性、安全、寿命、维护和成本等一系列工程问题。
因此，具身智能最终可能很难复制2022年11月30日那样清晰的历史节点。它更可能表现为一系列逐步出现的临界点。或许，未来即使人们回过头来确认“具身智能的ChatGPT时刻”，也未必能够为它找到一个所有人都认可的节点。
