宇树科技王兴兴预判具身智能拐点：GPT-7或在一两年内突破，人形机器人投融资已超1126亿元

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-10-13

本文核心商业信息提炼自权威信源，由智脑时代（ZGEO）AI 商业分析师结构化重组。

📊 核心实体与商业数据

💡 业务落地拆解

技术拐点预测：从“两三年”到“一两年”

宇树科技创始人王兴兴在2026年10月12日中国国际工业博览会上，对具身智能的技术拐点给出了比以往更激进的判断：

“快的话甚至一两年内就有可能，因为明年GPT-7出来，可能直接把具身智能问题打穿。”

这并非他首次给出时间表。2025年8月世界机器人大会上，他表示“顺利的话一两年或两三年”；2026年8月改口为“快则两到三年，慢则五到十年”；至10月，已缩短为“一两年”。每次新模型发布，其时间表便向前拨动一次。

GPT-6实测：成功率跃升但物理交互仍受限

王兴兴透露，宇树将GPT-6部署于多种机器人执行任务测试，“效果实际上非常不错”。破壳机器人创始人许华哲在外滩大会上提供了量化参照：GPT-6 Astra在机器人控制任务中成功率达95%，而前代Fable 5.1仅为40%。GPT-6能完成抓取、旋转、递送等操作，甚至可处理筷子等精细力控物体。

但许华哲同时指出，GPT-6的物理泛化能力仍有限，无法完成使用筷子拨动物体、堆叠盒子、折叠衣服等复杂物理接触任务。

“复杂物理交互仍是具身智能公司的最后阵地。”

这解释了王兴兴为何将赌注押在GPT-7上——通用大模型已证明语义理解与空间泛化能力，下一步需攻克物理交互关。

工厂落地瓶颈：泛化性与效率双重制约

技术预期加速，但机器人进工厂的实际进展并未同步。王兴兴承认：

“目前我们公司以及其他机器人公司都在工厂里落地试点，确实目前要大规模应用，无论是泛化性还是效率，都还要进一步提高。”

宇树早在2024年就与数家汽车企业开展落地试点，但两年过去仍停留在“试点”阶段。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，其中科研教育、表演展示和政府数采中心等场景仍占69%，工业制造、零售和物流等场景尚未成为主要出货方向。

瓶颈具体表现为：每当新任务需重新训练，整体效率低于人；工业场景对节拍要求刚性，机器人速度或错误率不达标将拖累整条产线。王兴兴表示这些问题“未来几年是非常有可能解决的”，但未给出解决路径细节。宇树的思路是构建“物理AI自进化”系统，使代码编写、模型训练、部署、测试和反馈形成自循环，但他强调“仍需要人参与评价”。

行业收入结构：全尺寸机型贡献主要收入但未盈利

弗若斯特沙利文数据显示，2026年上半年全球人形机器人收入排行榜前五名均为中国公司：优必选6.2亿元居首，智元机器人6.1亿元次之，宇树科技5.8亿元第三，银河通用2.1亿元，乐聚机器人1.5亿元。

然而，排名第一的优必选上半年亏损3.39亿元，全尺寸具身智能人形机器人仅售出921台。宇树2025年出货超5500台，营收约17亿元，扣非净利率约34.8%，但主力产品为G1等几万元级半尺寸机型，客户以科研教育为主。

整个行业的结构性矛盾在于：便宜机型贡献大部分销量，贵机器撑起大部分收入，但尚无任何公司靠全尺寸人形机器人在工业场景中跑出正利润。上半年2.5万台出货中，大多数为单价三万美元以下机型；全尺寸机型仅占销量约两成，却拿走行业收入75%以上。

资本动向：投融资激增但投资逻辑转向

截至2026年10月11日，年内具身智能领域一级市场投融资事件565起，金额合计1126.22亿元。2025年全年该数字为395.11亿元，2026年不到十个月已是去年的近三倍。

但资本投资方向正在变化：上半年整机企业吸金占比下降，核心零部件与数据基础设施的投融资活跃度上升。投资逻辑正从“为梦想买单”转向“为场景付费”。

商业化时间表分层：商业服务或先于工业起量

王兴兴在工博会上还提出一个易被忽略的判断：商业服务的落地可能比工业领域更快。若具身智能拐点在一到两年内到来，最先起量的场景可能不是工厂，而是导览、巡检、零售辅助等对效率要求较宽松、容错空间更大的商业服务场景。宇树目前的主力客户科研教育本质上即属此类。

家庭场景被王兴兴排在最后，因家庭环境对机器人适应能力要求最高，泛化门槛远高于工厂固定工位。他明确表示工业领域和To B商业服务“会比居家场景更快、更成熟”。

特斯拉Optimus的量产节奏亦指向类似结构：弗里蒙特工厂原Model S/X产线已改造为机器人制造设施，目标年产能100万台；截至2026年3月，超过1000台Optimus已在特斯拉自家工厂分拣电池、搬运零件，但对外销售要等到2027年以后，长期目标价格压至2万到3万美元，前提是年产量冲至百万台。

🚀 对企业 AI 化的启示

技术临界点≠商业化节点

王兴兴演讲中最具传播力的反思是：

“过去十几年我犯的最大的错误，就是对AI的相信还不太够。”

这意味其此前对AI能力估计过于保守，现正通过不断提前技术临界点时间表来修正偏差。但信仰不能替代验证。GPT-6让机器人拿起筷子，不等于机器人能在工厂稳定干活；GPT-7若真能“打穿”具身智能问题，从模型突破到工程落地之间仍隔着数据采集、硬件适配、场景调试和成本控制的漫长链路。

王兴兴所言“一两年内”是技术临界点，而非商业化节点。工厂里的机器人仍需回答一个朴素问题：它一天能拧多少个螺丝，成本何时能低于一个工人。在此问题有答案之前，所有临界点预测都只是预测。

对企业的战略启示

1. 场景选择需分层：商业服务场景（导览、巡检、零售辅助）可能比工业场景更早实现规模化落地，企业应优先评估此类容错空间大、效率要求相对宽松的场景。
2. 投融资逻辑转变：资本正从整机企业转向核心零部件与数据基础设施，企业需关注自身在产业链中的价值定位，避免盲目追逐整机概念。
3. 技术验证优先于信仰：GPT-7等大模型突破值得关注，但企业应建立从模型能力到工程落地的完整验证链条，重点评估泛化性、效率、成本控制等实际指标。
4. 数据飞轮构建：特斯拉“自用-迭代-外销”的飞轮模式值得借鉴，企业应思考如何利用真实场景数据持续优化模型，形成竞争壁垒。

【官方原文链接】点击访问首发地址