在2026年工博会的聚光灯下，两位机器人产业的一线操盘手坐到了一起。

　　一位是宇树科技创始人王兴兴，他让机器人先“动起来”；一位是禾赛科技联合创始人、大裂谷（Sharpa）联合创始人向少卿，他正试图让机器人“干活”。

　　两家机器人公司的同台对话，也是一次对行业核心命题的集中“拆解”：云端还是端侧？机器人何时真正进厂？落地场景从哪里开始？面对这些问题，两位机器人行业的掌舵人没有回避，也没有简单选边。

　　云与端：不是替代，是分工

　　云端智能和端侧智能，机器人大脑到底在哪里？这是近期机器人行业的热点话题。

　　对此，王兴兴表示，机器人本体的算力部署受空间、电池、散热等条件限制，“在机器人上能部署的算力相对有限，能放到云端的，尽可能放到云端”。原因在于，云端算力可实时调配，灵活性和管理效率更高；而机器人装了多少算力，就只能用多少算力。

　　但他同时强调，运动控制的实时性离不开端侧，因为一些运动能力的AI，本身算力要求并不是特别高。但决策性、大规模泛化场景的部署，还是得靠云端。如果能把模型做小放到端侧，当然最好。王兴兴认为，AI能力越强、机器人能力越强，反而越需要云端支撑。目前宇树采取基础版本加算力选配的方式，由客户根据需求决定端侧算力配置。

　　向少卿则给出“短期”和“长期”两个答案。他认为，短期3至5年，机器人大量“思考”的运算仍会在云端，但运动执行等对时延敏感的关键环节必须放在端侧。“物理是不会等你计算完毕的。”“时延对机器人至关重要，因此算力应尽量靠近机器人。”

　　长期则是看到了10年以后，当机器人进入千家万户，云端将面临巨大负载和带宽压力，算力会更多从云端进入端侧。“但无论短期还是长期，时延要求始终不变。”向少卿说。

　　物理AI自进化：真机数据完成闭环

　　在物理AI自进化问题上，王兴兴认为，自进化是非常重要的方向。语言模型和多模态模型的训练自动化程度已经很高，头部模型公司已接近实现自进化；但机器人AI模型的开发仍比较原始，由程序员写模型、测试人员测试、人工反馈、再迭代。

　　“这个链路完全可以用AI自动化实现：AI自己写代码、自己做训练、自己部署、自己测试，再由AI打分并迭代。”王兴兴表示，目前仍需人参与打分，判断动作好不好看、成功率高不高、是不是人真正想要的结果，但未来人的参与度会越来越低。

　　在数据燃料上，王兴兴认为，人类数据和真机数据都关键。海量人类数据很重要，但真正让机器人在物理世界中完成最后几厘米的操作、提高成功率，真机数据同样关键。宇树作为本体厂商，更关注机器人本体与物理世界接触的数据。对于工业数据开放，王兴兴回应称：“AI需要所有数据。”

　　向少卿将数据来源排序为：人类操作数据、仿真数据、真机数据，三者层层递进。人类操作数据隐含人类对世界运行机理和自身身体的认知；仿真数据可无穷扩展场景；真机数据最终完成闭环。

　　他强调，三者逻辑递进，但开发部署同时进行，不能跳过。人类操作数据多到一定程度后，会成为足够好的“种子”，之后更多数据将来自仿真和真机。

　　落地路径：商业服务或快于工业

　　王兴兴直言，全球机器人还没有大规模进入工厂。GPT-6发布后，宇树将其放到各种机器人上测试，效果非常不错。他认为，具身智能临界点未来会较快到来，快则一两年，甚至GPT-7出来直接“打穿”也有概率。

　　目前宇树等公司已在工厂试点，2024年已在好几家汽车公司落地，但大规模应用仍需提高泛化性和效率。“未来几年必然可以解决。”王兴兴说，商业服务场景可能比工业场景更快，居家场景则相对靠后。

　　他同时表示，自己对AI的信仰与日俱增，“过去十几年犯的最大错误，就是对AI以前相信得还不太够。”王兴兴把未来十年最重要的事归结为“尽可能拥抱和使用AI”。

　　向少卿则介绍了Sharpa的落地进展：与DQ冰淇淋合作，在真实门店接真实订单。其关键点有两个：一是不需要改造环境，机器人直接进入人的环境干活，这是泛化的基础；二是能够不间断干活，这是后续自进化和持续数据采集的前提。

　　产品层面，Sharpa发布了新一代灵巧手Sharpa Wave W02，更轻巧并具备全掌触觉；面向操作的具身机器人整机D01，采用移动式底盘，聚焦灵巧操作，运行稳定、负载能力强、手臂速度快、精度高，并覆盖全身触觉；真机数采设备AE01；以及灵巧操作模型CraftNet。向少卿称，公司理念是“让机器人干有用的活，把时间还给生活”。

　　他对机器人泛化和商业化的定义是，机器人本身具备足够高智能。机器人进入新场景后，都不需要AI博士，场景运营者用工具稍作训练、采少量数据，就能让机器人很好地干活。下一步，Sharpa将在餐饮、零售、酒店三大场景部署3万台机器人。