王兴兴与梁文锋路线交汇：具身智能迎新变局

最懂机器人工程难度的创业者，开始重新评估AI的进化速度；最坚信通用模型的大模型团队，则提前为AI寻找物理实体。

在不到两个月的时间里，宇树科技创始人王兴兴悄然将具身智能的时间表大幅提前。8月下旬的世界机器人大会上，他曾研判具身智能的“ChatGPT时刻”快则两三年、慢则五到十年；但到了10月中旬，他给出的最乐观预期已缩短至一到两年，甚至直言：“过去十几年我犯的最大的错误，就是对AI相信得还不够。”

与此同时，另一端也传出风向标式的动态。市场消息显示，DeepSeek创始人梁文锋近期频繁接触具身智能创业者，DeepSeek正考虑通过组建自研团队或投资深度切入具身智能。此前，梁文锋构想的通用人工智能（AGI）路径是将具身智能放在语言模型、思维链、AI 智能体及持续学习成熟之后的最后一步。如今，这位原计划“最后碰机器人”的算法专家，也开始提前进场。

两条路线在同一时点加速靠近，背后是整个技术底层前提的变化：通用大模型正在把手伸出屏幕。

通用模型跨过物理控制边界

在以往方案中，大语言模型仅充当“大脑调度员”，负责拆解人类指令，再把抓取、移动等目标转交给专门训练的机器人小脑模型。

但新一代前沿模型的表现打破了这一分工边界。以评测中的GPT-6 Astra为例，它已能直接输出机械臂的位置、姿态与夹爪动作。在RoboDojo的42项机器人操作任务测试中，未经微调的Astra平均成功率达到22.48%，超过了40个公开的专用机器人策略，而上一代模型的成功率普遍不足2%。

22.48%的成功率虽无法直接实用，却验证了“通用模型直接输出动作”路线的可行性。不仅如此，当专用动作模型π0.5负责执行动作，Astra负责检验与纠错时，两者的组合成功率直接跃升至48%。通用模型无需彻底取代机器人专有控制，只需切入规划与纠偏，就能显著抬高系统上限。

这也解释了王兴兴的观念转变。过去机器人研发往往深陷光照变化、零部件偏差的漫长现场调试中；而现在，通用模型在语义认知和逻辑拆解上的积累，可以直接赋能机器人本体。

机器人公司依然要做最苦的硬件调试，但研发时钟已被行业外的通用大模型公司强行拨快。

从产品终点走向训练入口

对于大模型团队而言，机器人也不再仅仅是一副物理外壳，而是大模型实现持续学习必不可少的训练场。

语言模型擅长预测文本Token，但物体的真实摩擦力、抓取力度的细微反作用力以及失败后的动作恢复，无法凭空生成，必须在物理世界的交互中获取反馈。若等待数字智能全盘就绪再做机器人，物理交互的数据闭环和底层接口可能早已被先入局者建立。

DeepSeek的资本动作体现了这一考量：一方面以战略投资者身份入股宇树科技，锁定机器人本体、真实工业场景与真机数据反馈；另一方面领投由腾讯前首席科学家胡瀚创立的具身AI公司Winverse AI，卡位视觉语言模型与机器人基础动作的汇合层。

全球资本市场的定价重心同样在向“通用机器人大脑”迁移。Skild AI完成14亿美元融资后估值突破140亿美元，Physical Intelligence亦以56亿美元估值融资数亿美元。资本不再单单按整机制造或量产能力给机器人企业估值，跨本体的通用控制能力成为了溢价核心。

临界点前夜的冷思考

尽管预期已被大幅拔高，但具身智能并未真正迈过质变临界点。

首先，20%左右的实验室成功率无法应对工厂对8小时连续无故障运行的严苛要求；其次，模型执行危险任务的几率随能力提升而增加，安全防线尚不完善；更核心的制约在于，互联网拥有海量文本与视频，却没有现成的“物理交互触觉与动作语料库”。每一次力觉与位姿调整，仍需漫长的真机采集与仿真生成。

通用AI为具身智能装上了更强劲的外部引擎，但并没有消除硬件落地的工程苦功。王兴兴从物理世界向AI靠拢，梁文锋则从算法高地探入实体场景。两位先行者的路线交汇印证了一个新趋势：决定具身智能终局走向的力量，已不再局限在机器人行业之内。