机器人最近一直在动。 特斯拉 书面确认量产（10/19）：Optimus V3 写进股东会文件"已为大规模量产做... - 雪球

机器人最近一直在动。

特斯拉书面确认量产（10/19）：Optimus V3 写进股东会文件"已为大规模量产做好准备"，并绑进马斯克激励考核——从口头变公司文件。

产线真跑起来了（10/21 财报）：弗里蒙特进入初期爬坡，首批量产级机器人下线，设计年产能 100 万台。但对外交付要 2027 年底，周产 2 万台"还要一年"，瓶颈是灵巧手。

国内产量数据（10/19 工信部）：上半年超 4 万台，全年预计破 10 万台（去年约 2 万）。

政策转向需求侧（10/19 九部门科技兴商）：从"能造"变"能用、能卖"；叠加 10/15 首批六项国标发布。

海外巨头共振：英伟达 GTC 发 Agile ONE 参考平台、OpenAI 组建 Robotics 团队。

全球数据背书：2026H1 全球销量 3.6 万台超去年全年，收入前五全是中国企业。

******

2026-10-22，杭州国际博览中心，“2026 世界物理 AI 大会暨宇树合作伙伴生态大会”（宇树十年来首次生态大会），王兴兴做了约 30 分钟主旨演讲，题目是《相信，尽可能相信 AI》。

一、核心结论：三句话

“全世界几乎所有人对 AI 的信仰都不够，包括我自己”——真正看懂尖端模型能力边界的人，“可能也就几千人”。他提到，四五年前曾建议同事关注头部 AI 公司股票，“如果当时真信了，一些员工的个人财富可能已增长十倍甚至几十倍”。

“数字世界的革命已经走完一轮，物理世界的 AI 革命才刚露苗头”——顶尖模型已经突破了数学世界，能解菲尔茨奖级难题、逆向软件、生成高保真视频；现有模型其实已能覆盖信息世界的大量任务，“只是大家还没时间用起来”。

物理 AI “已经看到被击穿的苗头”，快 1–2 年、慢 2–3 年。

二、对“击穿”的定义，这是全场最有价值的部分

瓶颈并不在规划导航（“这层已经解决得不错”），而在于模型输入输出与真实物理世界的对齐：语言模型跑在数字空间，向量可逆、几乎无损耗；物理世界有传感器误差、执行器偏差，抓陌生物体时误差累积就失败，因此在固定场景成功率接近 100%，一旦换物体、换环境就立刻下降。

他为“具身智能的 ChatGPT 时刻”给出了可检验的定义：机器人接到语音或文字指令后，在 80% 的陌生场景里稳定完成 80% 的任务。到那才算过拐点——快 2–3 年，慢 5–10 年；他个人更期待 2027 或 2028 年物理层基础大模型与机器人技术被真正统一。

三、支撑判断的实验：GPT‑6 Astra 上机、“零训练”

现场放了视频：G1 接上 GPT‑6 Astra，没有针对性训练、没有写额外程序，只给指令——

让它画画：自己换颜料、看到颜料盘会走过去洗笔再接着画；让它下围棋：能识别棋盘并精准落子；还能自己找厨房和工具、做导盲。

含义是：任务规划与任务分解这一层，已被通用大模型接管，过去“一技能一条数据管线、跑几个月”的流程被绕过。但他也承认短板：精密装配、力控实时调整、环境变化识别与纠错仍然不行。

四、宇树的解法与产业门槛

路线：物理 AI 机器人自进化 V1.0——人只设定规则/约束/工具集；AI 智能体自己检索最新论文与开源方案、自己写控制代码、先仿真验证、再下发真机实测、人与 AI 共同打分、结果回流迭代，形成“感知—决策—执行—评估—学习—进化”闭环。他的论据是：顶尖大模型公司内部已基本实现模型自进化，这套逻辑可以平移到机器人。

量产门槛：目标不是几万台，是年产千万台级。宇树现在一年几万台整机、几十万个关节模组，“距离普及还差得很远，成本、良率、产能都是硬仗”。

三大绕不开的要素：大规模制造能力、专属物理 AI 模型（不能把聊天大模型直接搬过来）、超大规模算力集群＋算力/存储芯片；再往下是数据、算力、芯片产能、能源、矿。