投资股票技巧:炒股+杠杆-英伟达、宇树、银河通用问答全文：未来10年机器人如何改变世界

　　在2025年的世界机器人大会（WRC）上 ，英伟达Omniverse与仿真模拟技术副总裁 Rev Lebaredian、宇树科技创始人王兴兴 、银河通用创始人兼CTO王鹤罕见同框。

　　在一场媒体沟通会上
，他们围绕物理AI
、仿真、机器人平台与商业落地 、合成数据与具身智能模型的产业化路径，展开了深入交流 。

　　Rev Lebaredian首先抛出核心判断：过去三四十年 ，计算机和IT产业放大了各行各业的能力
，但影响“大多还停留在”信息空间“，也就是可以数字化的内容
。互联网让计算机走进日常生活 ，并带来几十年的增长
，但 ”IT 行业的总规模约为5万亿美元“，相比全球超过100万亿美元的所有产业总量 ，只是小部分。他指出其他行业更大的价值在于触达物理世界的
”原子领域——交通
、制造、物流 、医疗等 。

　　“而今天，随着人工智能的出现
，我们终于有了让机器具备‘物理智能’的能力，可以把物理世界和信息世界真正连接起来
。”他强调 ，这意味着计算机的力量将进入100万亿美元的物理世界市场
，而机器人正是实现这一跃迁的桥梁。

　　在他看来，中国具备在这一跨越中脱颖而出的独特条件 。比如 ，全球近一半的人工智能研究人员和开发者在中国
，本土还拥有无可匹敌的电子制造能力，以及可供大规模部署和测试的庞大制造业基础
。

　　谈到英伟达的角色 ，他指出
，公司使命是打造专门针对“最难问题 ”的计算机，要推动机器人发展
、物理 AI 落地 ，英伟达提出必须构建三类计算机：一是嵌入机器人本体的计算机
，例如人形机器人搭载的 Jetson Thor；二是 AI 工厂计算机，用于在部署前通过 DGX、HGX 系统处理海量数据 、训练模型；三是仿真计算机 ，通过物理定律生成数据并提前测试机器人，测试速度可快于现实时间。

　　目前
，宇树科技和银河通用等机器人企业都和英伟达进行了合作，比如银河通用的G1 Premium人形机器人 ，就是首批搭载 NVIDIA Jetson Thor 的人形机器人之一
，在工业码垛、拆垛及物料箱搬运等复杂场景中展现出流畅性与作业速度 。宇树科技则在其新型人形机器人 R1上部署了英伟达全栈机器人技术，通过Isaac Sim高仿真平台优化运动与操控能力 ，并借助Isaac Lab系统实现快速策略迭代。

　　王兴兴表示：“某种意义上
，我将人形机器人视为通用机器人的重要载体
。
”在人形机器人的设计上，他认为结构并不如想象中复杂 ，“本质上是由若干关节电机串联而成”
，因此未来当通用 AI 成熟，“每个人都可以轻松制造一台人形机器人 ，就像今天人们可以购买电脑零部件组装一台电脑一样
，未来若AI足够强大，对硬件的要求会越来越低。 ”

　　从宇树科技的产品历程看 ，去年，宇树推出一款售价约9.9万元人民币的人形机器人
，其架构成为全球较为主流的设计 。今年发布的新版本售价约3.9万元人民币，支持外观定制 ，“目前现货可供
，预计量产在年底前完成
。
”王兴兴说道。

　　其他产品线上，宇树科技近期发布了A2机器狗 ，自重约37千克
，持续负载可达30千克，空载续航可行驶20公里 。同时 ，宇树科技重视机器人上肢和手部的研发
，王兴兴介绍道：“目前已自主开发一款约20自由度的灵巧手，目标是让机器人真正能够执行日常任务 ，而不仅是完成展示性动作
。希望在未来一到两年内实现自然交互
，例如在没有预先适配的情况下，直接指令机器人去为某人倒水。”

　　王鹤则从具身智能的底层逻辑切入 。他指出 ，通用机器人将成为下一个价值数万亿美元
、数万亿人民币市场的关键性、革命性产品
。这种革命性产品背后包含多个核心要素，第一个是机器人的本体
，第二是驱动它运转的具身智能模型。模型背后则是数据支撑，王鹤表示：“我们与英伟达一致认为 ，合成数据是推动具身智能快速落地的关键 。目前
，真实世界数据仅占我们训练数据的1%，其余99%均为合成数据
。 ”

　　与此同时 ，银河通用和英伟达官宣了基于Isaac平台的下一代人形机器人项目
，“目前银河通用为轮式形态，下一代将采用纯双足设计 ，基于OpenWBT_Isaac进行数据采集与遥控控制。无论在仿真环境还是现实环境
，该平台可训练并部署多种任务能力，例如推车 、拾取地面物体等 。”王鹤说道。

　　他认为 ，在未来的十年
，人形机器人的整个占比不会小，“我预计未来每三年人形机器人的产值会乘10 ，那么我们现在头部是卖1000台，三年后就是1万台
，再三年后就是10万台，如果卖几十万元一台的话 ，就达到了1000亿元
，超过了整个工业机械臂的总产值
。
”

　　王鹤进一步表示：“在未来10年，我们将看到的是一个能够超越当前所有工业机器人量的机器人市场。再往后10年 ，可能是超越汽车手机这个市场量的万亿市场
，所以不能低估它，但也没有大家想的那么快 。”

　　从现场交流来看 ，要让机器人真正走出实验室并规模化部署
，既需要顶层算力与仿真能力构建技术底座，也需要成本可控且可量产的硬件工程 ，以及以合成数据驱动的大规模训练体系
。正如王兴兴所言
，“AI 与机器人技术将像电力与蒸汽机的发明一样，使人类文明迈向新的高度。 ”

　　以下是英伟达Omniverse与仿真模拟技术副总裁Rev Lebaredian
、宇树科技创始人王兴兴、银河通用创始人兼CTO王鹤的媒体问答全文（经记者整理 ，不改变原意）：

　　1 、在像医疗和养老这样高精度应用场景中，NVIDIA Omniverse如何确保用仿真数据训练的机器人具备可靠性和安全性？

　　Rev：如果你想构建一个能够在现实世界中行动且安全可靠的机器人系统
，实际上唯一的选择就是使用仿真 。举个例子，你希望系统足够智能 ，能够应对那些很少发生的特殊情况
，甚至应对你希望永远不会发生的紧急情况
。

　　以自动驾驶为例，我们绝对不希望车撞到人或者孩子 ，但当街上出现小孩时
，车辆的大脑该如何反应，如何获取训练这类系统的数据呢？唯一的办法就是通过仿真。因为我们绝不可能将孩子置于汽车前作为训练样本 ，这样做是不道德的
、危险的
，而且耗时且昂贵 。

　　即使训练完系统，在将它部署到现实世界之前 ，也需要在这些相同场景中进行测试
，确保在真正发生类似情况时，它能够正确反应
。因此 ，真正的选择只有通过仿真实现，因为现实世界测试过慢、成本高且危险
，我们不希望机器人在现实世界先失败。

　　换句话说，如果我们无法让仿真足够准确以测试机器人 ，那么我们将无法制造出可靠的机器人 。幸运的是
，目前已有非常准确的仿真器
。不过，这些仿真器计算量大且成本高昂 ，我们面临的真正挑战是如何提升仿真速度
，使其在大规模系统构建中具有成本效益，这也是我们一直努力的方向。

　　2 、你认为未来几年内 ，驱动人工智能机器人的仿真领域会有哪些关键技术趋势将改变整个行业？能否分享一些中国生态合作伙伴如何利用英伟达仿真技术加速产品创新的案例？

　　Rev：我认为目前最大的趋势
，实际上是所有在常规人工智能领域出现的技术和发展，正被应用到物理人工智能中 。其中最重要的突破是推理能力的提升。比如DeepSeek将推理能力带入了开源领域 ，现在我们也看到了其他各种模型
。

　　我们在智能水平上实现了飞跃
，将同样的技术应用到物理人工智能，是机器人领域的一个重大突破。如果我们要制造这类机器人——比如能给你拿水的机器人——根据翻译理解 ，可能在今年年底或明年，我们的机器人将能更自然地与人互动
，并完成复杂的多步骤任务 。这是非常关键的能力
。而将这种能力与仿真结合，我认为这是一个可能还未被广泛理解 ，但将成为重大突破的点。

　　目前我们面临的主要问题是人工智能极度依赖数据
，而获取合适的数据非常困难 。我们现有的推理模型，尤其是对物理世界的推理 ，现在可以帮助我们改善数据生成和数据创建的流程
。

　　如今我们生成的数据
，即使是合成数据，也需要大量人工参与 ，人工去构建虚拟世界和仿真环境
，判断该生成哪些数据才能让智能系统更聪明。但是，如果我们把正在开发的人工智能技术用在数据生成流程中 ，就可以实现自动化
，打造“自动驾驶
”的合成数据生成 。

　　如果我们拥有一个自动驾驶的合成数据生成工厂，就能直接将其接入训练流程 ，实现训练过程自动化，减少人为干预
，让机器人大脑更聪明
。至于中国的企业如何应用仿真技术及其带来的影响，我认为他们已经在积极探索和应用这些技术。

　　王鹤：我觉得因为大家的这些仿真引擎也好 ，并行渲染器也好
，把现在合成数据它的这种不管是通过强化学习，还是通过产生数据以后再做 。

　　模仿学习 ，它的整个困难程度都大大下降了
，那么确实像不管是现在的人形机器人的行走或者是跳舞的这些技能，还是我们做抓取做叠衣服
、做导航背后的数据 ，离不开就是一个非常好用的仿真器
，非常并行的渲染器，所以这些确实非常感谢 ，英伟达作为一个生态方
，从芯片到整个仿真平台对整个生态的一个托举
。

　　3、宇树R1定价3.99万元，大幅降低消费级人形机器人的门槛 ，这是否意味着硬件成本已不再是影响机器人商业化的障碍？现阶段，推动人形机器人规模化商用还存在哪些难点？

　　王兴兴：这是我一直分享的观点
，对于基层商业化，包括人形机器人的商业化来说 ，它的成本和硬件其实并不是关键性的问题
，某种意义上，你说一台机器如果只要能用你10万元甚至100万元 ，其实照样还是有很多场景能用起来的。

　　目前最大的问题
，其实还是整个具身智能的整个模型还是不够泛用性，包括它的实用性还是有更大的提升 ，这块其实是当下是最棘手的问题 。硬件某种程度上不单单是今年
，我觉得过去的一两年就已经足够了，硬件一直还是足够的 ，当然要做得更好
，你要比如说可靠性成本各方面做的更好，但是它并不是个限制性因素。

　　4 、 国内外专家和企业对“人形”的必要性争议不断 ，有人认为人形是AGI的最终载体，有人认为未来十年人形机器人的占比只有10%
，银河通用如何看待人形的必要性？

　　王鹤：我们今天去看人形机器人，从长远来看 ，它一定是要能够融入我们人类的生活的
。从终局的观念来看
，比如大家各自现在做的座椅，除了人形机器人 ，如果它又是能够干活
，手能够伸到1米
、2米这么高，能够摸地的 ，它还能在这样的环境里穿梭
，它除了人形态，它没有别的形态。

　　那么从未来这几年来看 ，我的感觉其实人形机器人是从一种移动复合机器人在向着终局不断迈进 。因为如果是一个定点机器人
，它能够干的事情就只能是它面前的事情，对吧？那么它的局限性是很大的 ，所以移动是必然的
。光有移动的车，我们过去在各种工厂里头这种移动的小车
，它就只能承载货物，对吧？

　　货怎么下来的 ，从上面有个槽掉下来的
，它的局限性是不能做任何操作，所以说符合机器人移动又能够有一根机械臂操作的 ，我们今天打造的机器人就是在一个移动的台上
，再让它变成可升降的、可以折叠的。有两根机械臂，因为两只手 ，你一只手抱不了箱子
，只能抓一个东西，对吧？两只手可以上下左右看 ，那么其实它就是一个半圆形 。

　　所以我觉得在未来的十年
，人形机器人的整个占比不会小，但得看跟谁比
。我们今天跟所有工业的大机械臂相比 ，工业大机械臂全球的总产值也就1000亿元人民币，并不高
，一个头部车厂一年就能卖1000亿元价值的车，那么人形机器人我们现在数10万元一台的话 ，实际上达到一个并不是大家觉得那么高的量级
，你就超过了整个工业机械臂的总产值。我预计未来每三年人形机器人的产值会乘10，那么我们现在头部是卖1000台 ，三年后就是1万台
，再三年后就是10万台 。那么10万台级的量，如果卖几十万元一台的话 ，干活的就达到了1000亿元
，超过了一家公司，也超过了整个工业机械臂的总产值
。

　　在未来10年 ，我们将看到的是一个能够超越当前所有工业机器人量的机器人市场。再往后10年
，可能是超越汽车手机这个市场量的万亿市场，所以不能低估它 ，但也没有大家想的那么快，说明天就达到汽车这个市场的额度
，是不可能的 。

　　5 、请问NVIDIA Jetson Thor与之前的Jetson平台有何区别？它如何特别有利于机器人应用？

　　Rev：每一代Jetson产品，我们都努力最大化其计算能力 ，因为智能问题本身就是一个非常复杂的计算难题
。在机器人领域
，这一挑战更大：计算必须非常快速，且在极为苛刻的环境中进行。

　　机器人往往在现场实时运行 ，需要在紧凑的循环内完成计算
，电力有限，因此需要尽可能降低功耗以延长电池寿命 ，同时还要考虑散热等问题 。这些因素都极大地增加了难度。Jetson Thor与之前版本最大的不同是
，现在具备了足够的计算能力，能够运行更大、更强的神经网络和模型 ，支持更复杂的推理任务
，这是之前的产品无法做到的
。此外，Jetson Thor拥有更高的带宽 ，能更快地处理来自各种传感器的大量信息，使机器人能够快速反应
，在动态变化的环境中高速移动和操作。

　　6
、你认为未来机器人在哪些场景会迎来大规模普及？

　　王兴兴：未来肯定是朝着更实用的方向发展，但具体速度其实还需要时间 。无论是工业、服务业还是家用领域 ，整个发展周期都还挺长的
。大家回顾过去
，比如新能源车，十几年前大家也觉得发展会很快 ，但实际上整体成熟度也花了不少时间。

　　每个产业的成熟都需要较长周期 。而现在的新一代人机机器人或通用机器人技术
，实际上才发展了两三年左右
。因为现在用的新技术跟十几二十年前完全不同，硬件和软件都发生了巨大变化。但很多人提机器人时 ，喜欢拿十几二十年前的东西来说
，觉得这个行业已经发展了很久，其实那个时候的技术和现在完全不是一个水平 。

　　在目前只有两三年发展时间的情况下 ，整体进展还需要更多时间
。不过从当前发展速度来看
，我个人感觉行业仍在快速成长，未来几年人员和出货量基本有望每年翻倍 ，这对整个行业来说是很有可能实现的。

　　基于此，如果未来出现更强大 、更通用的AI大模型
，能让机器人在工厂
、家庭等更多通用场景中表现更好，因为越通用 ，普及的难度就越小 。相反
，如果不通用，推广会更困难
。所以我觉得整体时间周期会更长一些 ，尤其是家用领域。

　　家用机器人的最大难题不是技术
，而是伦理、安全等方面的要求极高，这导致家用机器人的普及门槛要高得多 。

　　7 、今年 ，许多人形机器人已开始在汽车工厂进行训练。机器人真正能在工厂车间投入工作还需要多长时间？还有哪些关键挑战需要解决？

　　王鹤：今年
，许多人形机器人已经开始在汽车工厂进行训练
。我们看到绝大多数公司在工厂推广人形机器人时，主要集中在两个方面：一是搬运 ，二是分拣。

　　搬运方面
，银河通用最近展示的机器人视频里，其搬运速度已经接近人类水平 ，计算下来每小时搬运的数量与人类相当 。这个阶段已经非常接近实际工厂的部署，我预计今年年底可能会有几十台银河通用的机器人进入工厂车间实际应用
。

　　但是
，搬运只是第一步。除了搬运，还需要实现码垛的闭环能力 ，只有搬运和码垛都完成闭环
，机器人才能真正胜任整套工作流程，否则做一半的任务 ，效果并不理想 。

　　分拣则是更大的挑战
。不论是从传送带上拿
，还是从货架上取货，目前最大的难点是速度。熟练工人拿取物品的速度非常快 ，机器人目前在模型和硬件层面还难以达到这种效率 。

　　我们做零售机器人时
，拿货架上或桌面上的物品，技术本质上与工业分拣类似 ，只是零售对节拍要求较低
，拿错货的后果也较轻
。但在工业场景，比如汽车制造厂 ，一条产线停机一分钟可能就意味着损失上万元，因此分拣的精度和速度要求极高。

　　综上所述
，分拣技术虽然已有较大进展，但目前还未达到人类工人的水平 ，仍需要一定时间的技术迭代和突破 。

　　8
、英伟达在机器人训练中强调仿真优先的策略
，并推出了一系列支持技术
。然而，仿真到现实（Sim2Real）之间的差距仍然存在挑战。英伟达如何与合作伙伴共同应对这一问题？展望未来 ，提升仿真物理真实性和增强现实世界迁移效率的关键方向有哪些？

　　Rev：这是一个非常好的问题 。如果我们依赖仿真来构建和测试AI
，就必须确保仿真尽可能接近现实，否则我们无法信任它。我们构建的AI如果是在一个“卡通世界 ”里训练的 ，是无法真正理解现实世界的；因此
，测试时也必须确保仿真场景与现实相符
。那么，如何弥合仿真与现实之间的差距呢？其实可以通过多种方式 ，我们也在全力推进这些方法。

　　首先
，是提升仿真器本身的精度 。我们几十年来一直在构建物理仿真算法，且验证了这些算法能够较好地反映现实世界的物理规律
。比如我们利用仿真设计飞机机翼和汽车 ，确保空气动力学性能，并验证仿真结果与真实世界匹配。问题是这些高精度仿真计算成本极高
，通常需要在大型计算机上运行数小时 。挑战就在于如何将仿真速度提升到足够快，能够嵌入AI训练流程中 ，实现大规模、高效的数据生成和测试
。

　　为此
，我们正在利用AI本身作为提升仿真速度和精度的工具。AI能够近似任何数学函数，我们可以将物理仿真函数转换为AI函数 ，构建AI模拟器完成仿真 。只要提供足够的示例数据
，AI就能学习仿真功能
。这正是我们正在开发的“Cosmos
”项目。这些“世界基础模型”是能理解世界物理规律的AI模型，我们可以将真实世界数据和可信仿真数据输入这些模型进行训练 。一旦有了这样理解世界的AI基础模型 ，就可以将其与传统仿真结合
，构建更精准 、更高效的仿真器
。

　　其次，即使拥有高质量的仿真器 ，构建代表现实世界的数据也非常困难。以这个房间为例
，虽然仿真器可以模拟物理现象，但我们还要创造带有正确物理参数（如摩擦系数
、材料特性）的桌布和桌子 ，这类信息采集非常复杂 。目前，全球只有少数专业人士——通常是游戏或电影行业的艺术家——具备这类能力。但随着我们构建具备物理理解能力的AI
，这些AI可以辅助生成这些虚拟环境，成为“机器人艺术家 ” ，帮助我们高效创建真实感十足的虚拟世界
。

　　第三种方法是直接捕捉现实世界。我们也利用物理AI技术将现实环境（例如我们身处的房间）数字化、导入仿真环境
，确保虚拟场景与现实高度一致 。

　　NVIDIA正在这三个方向全面发力，打造相关技术 ，但这项工作远超过任何一家公司的能力
。我们正与整个生态系统的合作伙伴协同推进
，争取在这三条路径上共同攻关。事实上，我们已经积累了不少成果 ，目前已有的仿真器已经能够生成足够高质量的数据
，助力我们提升AI性能 。

　　9 、当前一些专家认为，目前机器人领域的大模型架构尚未统一
。针对具身智能大脑的基础模型 ，宇树科技主要聚焦哪些方向的探索？能否透露一些具体内容？

　　王兴兴：我一直觉得目前的模型架构确实非常不统一
，这导致大家的整体进展没有那么快。如果模型架构能更加统一
、方向明确，结合当前行业热度 ，大家其实能更快取得突破 。但现实是，目前进展还是比较缓慢
。

　　我们公司探索了很多方向。比如今天上午也展示了我们去年尝试的一个用视频生成模型作为“世界模型
”
，来驱动并对齐机械臂的项目，这个尝试取得了一定效果 。但由于视频生成模型训练规模极大 ，考虑到我们公司的算力和投入
，难以进行大规模训练
。

　　而且我们尝试发现，这类模型的泛用性还不能完全满足预期 ，因此后来基本没有继续使用。但最近谷歌发布了一个新的视频生成模型
，其物理对齐效果非常好，并且他们公开尝试把视频生成模型作为世界模型 ，直接用于机械臂和通用智能 。这让我觉得这个方向非常值得重新探索。

　　由于公司规模和算力人才限制
，我们只是初步探索，没有深入推进
。但谷歌的成果证明这个方向很有潜力。视频生成模型在时间内容、数据源以及效果方面 ，已经达到不错的预期 。举例来说
，如果控制视频生成模型生成一个机器人打扫全屋的视频，而且效果不错 ，理论上只要把视频与机器人动作对齐，也能实现类似效果
。

　　不过
，目前对齐工作仍然非常复杂且具有挑战性。这个方向无论是对机器人应用，还是纯视频生成技术本身 ，都是非常主流且值得投入的 。即便不用于机器人
，视频生成技术也会持续被大公司加大投入 、不断优化
。

　　除此之外，还有其他方案。随着基础模型能力快速提升 ，很多潜力尚未被充分挖掘 。我们发现
，如果在基础模型后训练时加入机器人指令控制和空间理解训练，效果能明显提升
。比如王鹤老师团队展示的一些基于基础模型的机器人控制效果就非常不错。

　　我们公司的策略很简单：不断尝试各种新模型和新想法 。今天可能有一种想法 ，明天可能会调整
，这很正常
。对于新兴技术，我认为大家都应该大胆尝试。AI领域充满了可能性 ，往往一个灵光一闪的创意就能带来突破 。希望鼓励更多人去探索
，或许下一个创新就出自你手。

　　10、我们看到OpenAI最近发布了GPT-5，给人的印象是技术突破不大 ，而且它更像是一个系统，而非单一模型
。我们是否可以理解为大模型的扩展定律（Scaling Law）遇到了一些挑战？

　　王鹤：目前大模型类型繁多
，有纯文本大模型，有图文大模型 ，图文大模型又分为视觉理解型和视频生成型
，包括我们具身智能的VLA也是一种大模型。所以说，是否可以说大模型的扩展遇到了瓶颈 ，无法简单地用一个统一的结论来概括 。

　　我理解
，在当前纯文本阶段，我们主要的数据源是互联网公开数据 ，但很多私域知识并不在网上
，这导致模型的推理能力实际上需要的数据与公开数据有差异
。除非能通过某种可控的方式获得额外数据增强，否则单靠公开数据提升模型能力是有限的。

　　这部分能力的增长 ，并不会自然地通过单纯扩大模型规模实现 。但不能低估推理模型的进展
，比如在IMO国际数学竞赛上，文模型获得金牌 ，面对从未见过的题目表现出色，这说明文本大模型的能力在不断提升
。

　　关于多模态大模型（比如VLM和VLA）
，如果说文本模型现在能力已经很强了，那么多模态模型目前还处于比语言模型稍弱的阶段。其核心原因是数据不足：文本数据非常丰富 ，而文本-图像配对数据相对较少
，再加上动作数据更少，因此视觉理解能力和基于视觉的动作操作能力还有较大差距 。

　　这也是为什么合成数据和仿真技术非常重要
。正如Rev所说 ，仿真能够将真实世界场景和动作复现到虚拟环境
，生成大量带动作
、图像和语义配对的数据，这将极大促进图文、多模态大模型及具身智能大模型的发展。

　　如果完全依赖真实数据 ，进展会受到很大限制 。总体来看
，充分利用仿真技术，我相信将是多模态大模型和具身大模型应对数据瓶颈的最有效途径
。

　　11 、 目前限制人形机器人规模化部署的关键技术瓶颈是什么？

　　王鹤：最核心的问题其实很简单——就是机器人干活的能力还不够强 ，能完成的任务类型比较有限。但如果能在这些有限的技能范围内实现非常通用的水平
，就能一下子赋能很多场景 。

　　银河通用现在最主要的突破是“抓取”和“移动 ”。只要机器人能抓住任何物体，能够在场景中实现下肢移动和上肢伸展 ，最后还能准确放置物体，

　　这三个能力成立的话
，很多应用场景就能实现
。背后需要有一个真正精准的目标识别和定位系统，我们目前是通过合成数据在推动这项技术。

　　当然 ，即使解决了这个关键问题
，仍有很多任务机器人暂时无法完成 。但只要目标识别和定位的问题能被攻克，人形机器人市场至少有千亿级规模 ，并且在五年内可见成效
。解决了这个关键技术瓶颈后
，基于如此巨大的市场投入，机器人必然能解锁更多技能 ，迈向万亿市场的步伐。

　　12
、机器人为什么要做双足？除了情感价值
，双足在商业上还有哪些考虑？

　　王兴兴：其实，某种意义上我以前也提过 ，为什么不做双腿反而是一个值得思考的问题 。因为做双腿其实相对方便
，最重要的是双腿提供了更多的通用性能力
。运动能力本身在某种程度上是较弱的AI能力。你看，小动物甚至蚂蚁、虫子走路都非常好 ，但它们的AI能力其实很弱 。所以我一直觉得，真正通用且能干活的具身AI模型
，移动能力或者腿的能力其实是附属的
。

　　如果机器人能干活了，那腿的控制自然不会差；如果连腿都控制不好 ，说明它还没达到大家想象中的非常通用的AI模型阶段。所以这是一个发展方向 。另外
，因为双腿相对简单，尽管仍有挑战 ，我们公司本身就是做腿的
，所以对我们来说这是顺理成章而且有趣的事情
。大家普遍也很喜欢这个方向。而且如果大家都做轮式底盘，反而会导致同质化竞争 ，没必要 。我们公司专注于腿部
，希望提升机器人整体的运动和干活能力，这个方向非常不错。我自己也做轮式底盘 ，我觉得轮式和腿式是有差距的
，且随着时间不同会变化
。目前轮式底盘在工业开阔场景和货架间穿梭非常稳定且能耗低，但在复杂环境中可能通不过。如果底盘做得更小 ，稳定性会丧失 。所以不同时间点，机器人下半身的方案肯定不同
。我坚信腿是未来
，因为它能实现上半身所有可达空间，并且能灵活调动腰部的灵活度。但在不同阶段 ，会有最适合落地应用的形态
，我们也不会局限于单一方案 。我们同时用轮式底盘和语数的人形机器人做下半身甚至全身的控制研究
。

　　13 、我们知道物理AI，特别是机器人领域 ，对能耗
、热管理和体积限制有很高的要求。请问英伟达是如何应对这些挑战的？未来的计算平台又将如何满足这些需求？

　　Rev：回顾历史
，NVIDIA每一代产品都会大幅提升每瓦性能和每美元性能 。过去我们有摩尔定律，意味着计算能力会以指数速度增长——在最佳阶段 ，每五年性能提升10倍
，十年提升100倍
。但单靠摩尔定律已经不足以解决我们面临的许多问题。我们预见到，摩尔定律在CPU和通用计算机上的效用会逐渐终结 。

　　为此 ，我们致力于打造针对特定算法的专用计算机
。这种专用计算机不仅仅是芯片层面
，更需要算法、软件以及应用层面的整体优化，才能发挥最大性能。这并非靠单一因素 ，比如芯片变小或变快，而是通过全栈优化实现的 。这是一项非常艰难的工程
，也正是NVIDIA的核心竞争力所在。

　　我们最初应用这套方法于计算机图形渲染（尤其是游戏领域），随后推广到其他领域
。CUDA推出后 ，我们开始应用于物理仿真
，后来深度学习和AI在GPU上兴起，我们不断专门化处理器。每一代产品 ，在相同功耗和成本下都实现了显著的性能飞跃
，未来仍会持续，因为我们的创新之路还远未走完 。

　　14 、相比其他国家 ，怎么看中国AI的需求和实践中的挑战？

　　Rev：中国既是一个重要的市场
，也是AI技术和产品的生产基地
。中国拥有大量聪明
、受过良好教育且充满热情的AI研究人员和开发者，全球近一半顶尖AI人才都集中在这里 ，且中国拥有顶尖的AI高校。

　　在物理AI和机器人领域
，中国拥有独特的规模优势，结合人才优势 ，形成了独一无二的生态系统 。中国在制造电子硬件和机器人所需关键部件方面具备深厚的专业能力，这样的生态体系和制造规模是其他国家难以匹敌的
。这使得像银河通用、宇树科技这样的企业
，能够大规模制造机器人，快速学习和迭代。中国独特的综合条件为物理AI和机器人产业的快速发展提供了坚实基础 。