在2025外滩大会圆桌论坛上，宇树科技创始人王兴兴抛出引发行业热议的观点：当前机器人发展的核心瓶颈并非硬件，而是AI大模型的能力局限。这位深耕机器人领域多年的创业者指出，尽管硬件技术已足够支撑一两年使用，但AI模型在多模态融合、复杂任务处理等关键环节仍存在显著短板。
王兴兴以机器人灵巧手控制为例，揭示当前AI模型在硬件协同层面的困境。虽然纯语言或视频模型已展现出强大能力，但将语言指令转化为精准的机械操作仍面临挑战。这种"知行脱节"的现象，在家庭服务场景中尤为突出——当用户要求机器人寻找"可能放在鞋柜或沙发下的昨日快递"时，系统需要同时处理时间定位、空间推理、物体识别等多重信息，而现有模型尚无法完成这种复杂决策。
行业观察显示，大模型发展正陷入"规模陷阱"。参数规模从亿级跃升至万亿级的过程中，训练成本呈指数级增长，但实际应用效果提升却逐渐放缓。某知名实验室的数据表明，将模型参数扩大10倍仅能带来3%的任务准确率提升，而推理延迟却增加40%。这种"高投入低回报"的现状，迫使业界重新思考技术发展路径。
具身智能领域的突破障碍更为明显。要实现真正的家务自动化，机器人需要具备跨模态感知、常识推理、应急处理等综合能力。当前模型在处理"根据家庭成员偏好调整晚餐菜单"这类任务时，往往因缺乏生活常识积累而表现拙劣。某品牌家务机器人虽能完成扫地、擦窗等标准化操作，但在处理打翻的液体或突发客人到访等场景时，仍需人工介入。
技术专家指出，大模型与机器人硬件的融合存在"感知-决策-执行"的断层。传感器收集的海量数据在模型处理环节常出现信息衰减，而决策指令转化为机械动作时又存在精度损失。某工业机器人企业的测试数据显示，在复杂装配任务中，AI决策导致的操作误差比人工控制高出27%，这直接制约了机器人在高精度场景的应用。
这种技术局限正在重塑行业认知。王兴兴建议开发者转变思维模式："不应将AI视为简单工具，而要构建能理解物理世界规律的智能体。"他鼓励年轻开发者突破传统框架，探索模型与硬件的深度协同方案。事实上，已有研究团队尝试将机器人运动数据直接融入模型训练，使系统在模拟环境中完成数百万次操作学习，这种"具身训练"方式使机械臂的抓取成功率提升了41%。
市场反馈印证了技术瓶颈的存在。某咨询机构调查显示，73%的工业用户认为当前机器人系统"不够智能"，主要问题集中在自适应能力不足。而在消费级市场，能完成简单对话的机器人产品退货率高达35%，用户抱怨其"无法理解真实需求"。这些数据反映出，AI模型的能力边界已成为制约机器人产业升级的关键因素。
