Unitree 人形機械人突破預測提前至 2028 年，創辦人修訂展望

Unitree 創辦人王興興現時預期，人形機械人最快可於 2028 年取得突破，較他早前長達十年的展望更為進取。這項 Unitree 人形機械人突破預測，關乎機器能透過口頭指令處理日常工作，而不僅是完成預先編排的動作。根據 Bloomberg 於 10 月 23 日的報道，王興興預想機械人可完成獲指派的工廠或家居任務中 80%。

這項預測突顯了機械人技術中已可見的矛盾：人工智能持續進步，與可靠執行實體工作之間的落差。機械人必須將指令轉化為行動、辨識錯誤，並在不製造另一個問題的情況下復原。理解使用者的要求，只是完成工作的其中一部分。

Figure 與 BMW 的合作，為這場討論提供了有用的參考點。工廠應用具備明確任務及可觀察結果，家居工作則涉及較難預測的環境。王興興修訂後的信心，令人關注 AI 的進展能多快在這兩種環境之間轉移。

Unitree 人形機械人突破預測實際改變了甚麼

王興興把預期時間提前，但並未宣稱通用家居自主能力已經存在。

Bloomberg 的人形機械人突破預測經 The Edge Malaysia 轉載，將他增加的樂觀程度歸因於近期 AI 的進步。報道描述他在杭州一場業界會議上的發言，內容基於 Unitree 分享的逐字稿。

王興興亦直接承認目前的限制：「如果你現在把一個人形機械人帶回家，叫它清潔房間，老實說，我不認為它能完成這項任務。」

這項承認說明了當前產品與他所預測里程碑之間的距離。這亦令這項宣布比籠統聲稱機械人正在進步更具參考價值。這項預測關乎從專門行為，過渡至能在日常任務中遵從實際指令。

不過，歷史比較需要審慎處理。The Next Web 在 8 月 20 日對他較早前機械人展望的報道，描述的是一個範圍，而非一個固定的十年期限。王興興當時認為，在有利條件下可於兩至三年內取得突破；若進展較慢，則可能需時五至十年。

因此，他最新的立場反映對較快結果的信心有所提升。這不代表他此前已排除在下一個十年之前取得進展的可能。準確描述這項改變很重要，因為早前範圍中較樂觀的一端已與 2028 年重疊。

這個分別亦改變讀者應如何理解這個日期。預測指出預期方向及時間；交付承諾則具體說明客戶將獲得甚麼。已報道的發言並未確立消費者推出時間表、明確的驗收測試，或保證的表現。

業界里程碑亦未必會同時在不同應用中出現。能處理特定工廠任務的機器，仍可能難以應付陌生的家居物件。這個日期可以仍具意義，卻不代表每部機械人都會突然變得廣泛實用。

實際上的改變，是更相信 AI 進展將縮短由指令到有用行動的路徑。這種信念值得留意，因為它來自正在打造必須執行這些行動的硬件的人。

對讀者而言，核心問題是這種信心如何變得可量度。一次成功示範可提供起點。在公開披露的條件下反覆達成表現，會為接受修訂後的時間表提供更有力基礎。

把這些類別區分開來，可避免故事被不必要地誇大。王興興的樂觀本身已具新聞價值，毋須演變成家居機械人技術已跨過他所描述門檻的說法。

更快的 AI 進展令機械人開發商承受壓力

修訂後的時間表令開發商須證明，更好的 AI 能減少部署機械人所需的工作。

對於正決定將工程資源投向何處的團隊而言，壓力是即時的。若能力更強的 AI 能處理陌生指令，為每項新任務進行大量編程便愈來愈難以合理化。相關成果是減少部署工作，同時可靠地完成任務。

The Standard 在 10 月 12 日的報道，已記錄王興興對機械人自主性的展望。報道指他預期商業化將在一至兩年內迎來臨界點，同時亦提到現有系統持續存在的限制。

同一篇報道描述了 Unitree 的內部開發流程，涵蓋編碼、訓練、部署、測試及回饋。按王興興的說法，人員仍需檢查動作及任務表現。評估系統自我改進的說法時，這項限定相當重要。

具身 AI，即透過實體機器感知及行動的 AI，將軟件決策與螢幕以外的後果連結起來。規劃能力的改進，必須經得起與物件、表面、障礙物及變動指令的實際互動。每多一項依賴因素，由具潛力的模型走向有用產品的路徑便更複雜。

設想一個假設要求：從另一個房間取回一件物品。機械人必須辨認目標物件、找到位置、伸手接觸、抓取並帶回來。若要求不清楚，或許要在開始移動前先提出問題。

更好的指令處理可解決這項任務中真實的一部分，但不會自動處理抓握打滑、路線受阻，或物件超出機器觸及範圍等問題。對等待結果的人來說，整個流程都很重要。

這不僅令 AI 開發商承受壓力，也令硬件團隊面對壓力。機械能力必須支援軟件所選擇的行動。系統亦需要可靠方法，辨識何時某項行動超出自身實體限制。

企業買家面對的是另一種決策。較早的突破預測，讓他們有理由準備評估項目，但並未替他們完成採購決定。他們的工作是找出哪些工序能從更高彈性中獲得實際價值。

例如，評估物料搬運的買家應問：當物件或其位置改變時，需要修改多少設定？與需要反覆由工程人員到場處理的機械人相比，能以較少準備適應變化的機械人，提供的是不同主張。

對開發商而言，部署所需工作是任務成功的重要配套指標。經過大量客製化才完成任務，與透過一般指令完成任務，是兩種不同的故事。兩者都可能有用，但支持的是不同主張。

商業壓力正是由這個分別而來。更快的 AI 進展提高了客戶將更早獲得可適應行為的期望。供應商因而需說明這種適應能力在何處有效、需要甚麼準備，以及仍要多少人手支援。

這次轉變聚焦陌生工作，而非更佳編舞

若機械人能把有用行為帶到開發商未預先準備的環境，王興興增加的信心才最具意義。

這正是預測與現時部署要求之間的核心衝突。預演的流程可以展示協調及控制，卻不能單憑自身證明同一部機器能在另一個房間理解不同任務。

泛化是指把已學習的行為應用於陌生情況。對機械人而言，陌生元素可能是物件、其位置、周邊空間，或指令本身。有說服力的評估必須說明哪些元素有所改變。

這也是為何看似平常的任務，可能比精心設計的表演揭示更多資訊。拿起一個陌生容器，需要機器就形狀、接觸及移動作出決定。若設置令機器無法預先為該特定容器準備，結果就更具參考價值。

Unitree 人形機械人突破預測令這些分別尤其重要。它的意義在於擴展有用行為，而非增加另一項獨立技能。一系列愈來愈多的預備流程，與一個可適應系統，在精選片段中看來可能相似。

當有人改變條件時，差異便會浮現。移動物件、修改要求，或加入障礙，機器便必須作出適當回應。重複原本動作已經不足夠。

這不代表預先準備的行為並不重要。工業自動化往往透過令環境變得可預測，並重複執行明確界定的操作而成功。問題在於，新系統是否減少了客戶必須建立多少可預測性。

Figure 在 6 月 30 日對工廠排序工作的描述，提供了一個具體比較。該公司表示，Figure 03 已抵達 BMW 位於 Spartanburg 的工廠，進行涉及零件選取及放置的物流工作。其說法強調手推車、貨箱及零件位置的變化。

這些是供應商自行報告的能力，而非通用自主性的獨立證明。然而，它們指出了一個相關的營運問題：在有用的工作流程中處理變化。這項任務的目的不僅是展示動作。

對 Unitree 而言，可相比較的問題是，已部署系統能吸收多少變化，才需要專家介入。這包括物件及環境變化，也包括中斷和不完整指令。靈活的機械人需要有方法處理不確定性，而非魯莽猜測。

因此，王興興展望的轉變，是他對軟件貢獻預期的改變。他的樂觀意味著 AI 將減輕為每項任務作準備的更多負擔。若實體執行仍然可靠，客戶好處將是更容易適應。

最後這項條件令敘事保持務實。能力更強的規劃器可以選擇合理行動，但機器本身仍未必能安全執行。當指令處理、移動與回饋協同運作時，進展才具商業意義。

最有力的證據，會是在陌生任務中展示這種連結。它會說明機械人收到甚麼輸入，以及需要甚麼協助。這將令預測可被評估，而不用依賴示範本身的吸引力。

工廠試點提供較狹窄但有用的比較

工廠部署提供有用工作的證據，但未能解決更廣泛的家居主張。

生產環境為機械人開發商提供具體任務，也為客戶帶來對結果的營運利益。這有助區分有用應用與沒有明確目的的能力展示，也創造了量度重複表現的機會。

BMW 在 9 月 21 日對其 Leipzig 機械人試點項目的描述，提供了另一個例子。這家汽車製造商表示，AEON 透過重複性工作及物料配送支援生產。BMW 將項目定位為與其製造系統整合。

這與 Wang 的預測有實際關聯。機械人並非進入一個空無一物的工作場所，便能獨立運作而毋須理會周遭一切。它必須配合時間表、路線、數據、設備，以及附近工作人員的職責。

工廠可以令部分條件變得更可預測。管理人員可界定物料應放置的位置，以及機器應嘗試執行哪些工序。他們亦可規定機器何時應停止並要求協助。

這令工業工作成為有用的驗證場景，但亦限制了任何成功試點所能證明的事。一個為已知工作流程而設計的應用，並不會自動證明它已準備好應對家居環境。實體場景及成功的定義均不相同。

設想工廠內一項假設性的分類工作。可處理的物件可以預先指定，所需的目的地亦可核對。家居中「把東西收好」的要求，則涉及個人偏好，以及未必能明確歸類的物件。

工廠任務仍可能很困難。零件會移動、設備會磨損，人員亦會中斷工作流程。其優勢在於，客戶通常能比家居用戶更清楚界定理想結果。

這有助解釋為何中立的競爭對手比較應聚焦於任務。Figure 的排序工作及 BMW 的 Leipzig 試點，均針對可識別的生產需要。其價值應按照這些需要的要求來判斷。

對機械人公司的整體排名會掩蓋這項差異。為特定物流工作流程設計的系統，與用於多樣化開發工作的平台，需要不同的評估方式。它們公開展示的內容，未必是在回答同一個問題。

對企業買家而言，有用的比較對象是目前完成工作的方式。這可能涉及人手、固定設備，或兩者的組合。機械人的人形外觀只有在有助滿足工作流程要求時才重要。

這亦釐清了誰會面對更早突破時間表帶來的壓力。供應商必須將更廣泛的能力主張與客戶成果連結起來。買家則必須避免僅因狹窄應用未達到通用家居助理的水平，便忽視其實用價值。

工廠證據可支持樂觀態度，但不能終結整場辯論。它可以顯示自適應行為現時在哪些地方能創造價值。下一個問題是，這些效益能否延伸至準備及支援較少的不同任務。

80% 的目標需要清晰界定成功

如果不解釋任務、條件及人手協助，標題式的成功率無法證明實用性。

Wang 的門檻提供了一個容易記住的目標，但這是他提出的里程碑，而非業界認證。其意義取決於評估如何界定一項任務。一組簡單動作，與完成一項完整家務並不相同。

Stanford 的 2026 AI Index 提供了更廣泛的人形機械人部署評估。其檢視區分了硬件供應及投資的增長，與廣泛部署之間的差別。報告亦突出了需求的不確定性，以及從結構化試點轉向較難預測環境的過程。

這個獨立觀點支持以審慎方式解讀該預測。可取得硬件的進展，並不能證明客戶將如何使用它。已公布的應用與營運結果應歸入不同類別，直至有證據將兩者連結起來。

就建議的門檻而言，首要問題是任務選擇。評估需要說明由誰選擇任務，以及它們是否代表真正的客戶需求。否則，有利的結果可能只是反映了有利的選擇。

下一個問題是成功的界線。取回一件物品，不一定等同完成促使取回該物品的更大要求。機械人可能正確地搬運物件，卻未完成周邊工作。

人手協助亦需要清晰說明。由人員選擇每一個下一步行動，與只由人員發出原本要求，所提供的支援程度不同。兩種安排都可產生實用工作，但所證明的自主程度不同。

遙距操控，即由人類遠端控制機械人，尤其需要披露。它可協助開發者累積經驗，並支援早期部署。它的存在會改變觀眾應如何理解有關獨立完成任務的說法。

錯誤後的介入亦同樣重要。一部會暫停並要求協助的機器，與一部持續嘗試卻未能成功的機器，行為並不相同。客戶需要知道兩種情況各自出現的頻率，以及復原程序涉及甚麼。

速度增加了另一個層面。一項最終完成的任務，仍可能未能滿足工作場所的要求。有用的報道應將完成情況與所花時間、準備、監督及錯誤後果一併呈現。

安全不能僅從成功嘗試中推斷。機械人亦應能辨識何時沒有安全的方式繼續進行。即使簡單的成功計數器把它視為失敗，拒絕不適當的行動仍可能是正確結果。

這些是評估問題，並非否定該預測的理由。它們指出甚麼證據可令主張更具說服力。已披露的測試即使同時顯示限制，仍可證明有意義的改善。

對技術團隊而言，將這些細節放在一起，有助避免比較互不相容的展示。技術文件的可搜尋記錄，可連結規格、測試條件及營運觀察。目標是保留每項結果背後的脈絡。

在這些條件明確之前，Unitree 人形機械人突破的預測仍是對未來能力的期望。它既不應被自動接受，也不應被直接否定。有用的回應是追問甚麼結果才算作證據。

從現在到 2027 年初應留意甚麼

下一批有用訊號包括已披露的自主測試、客戶營運證據，以及部署所需投入可量度的減少。

第一個訊號，是在清楚列明條件下，讓機械人面對陌生任務的評估。留意是否提供完整任務清單、披露準備工作，以及說明人類參與程度。連續影像將有助讀者理解所挑選的成功片段之間發生了甚麼。

若表現在物件、指令及周遭環境變化下仍能維持，這類評估將加強 Wang 的展望。若每項變化都需要大量預先編程，其說服力便較低。關鍵差異是在已披露條件下的適應能力。

失敗案例應與成功嘗試一併展示。它們揭示系統限制所在，以及系統是否能辨識這些限制。能解釋不成功結果的展示，可能比令每項行動看似毫不費力的影像更有用。

第二個訊號，是來自真實工作流程、由客戶支持的營運資訊。留意客戶如何描述任務、機械人的職責，以及支援人員提供甚麼協助。當證據涵蓋日常運作而非預定展示時，證據會更有力。

客戶在評估結果後擴大使用範圍，將支持 Wang 預測的商業層面。若試點維持不變，在作出結論前便需要更多脈絡。原因可能涉及能力、整合、需求，或客戶業務內部的優先次序。

第三個訊號，是新增或變更一項任務所需投入減少。這直接呼應修訂後展望背後的邏輯。若更佳 AI 正在縮短部署路徑，準備過程應更容易記錄。

留意那些清楚交代任務及硬件要求的比較。當最終行為仍然可靠時，較短的設定過程才最有意義。若工作由工程師轉移至隱藏的操作員，便需要作出不同解讀。

這些訊號亦可區分技術進步與採用。機械人可在客戶圍繞它重組工作之前，先變得更有能力。相反，狹窄但實用的應用可在未達到通用家居基準前獲得客戶。

在未來數月，最具參考價值的公布將把能力與營運條件連結起來。它們會說明甚麼改變了、甚麼仍然困難，以及客戶現在可要求機器做甚麼。這正是評估較早時間表所需的證據。

關注 Unitree 人形機械人突破預測時，應牢記這些分別。透過已披露的條件比較展示，然後尋找客戶說法，證明同樣行為能在日常工作中延續。尤其應注意陌生任務、介入要求，以及引入另一項任務所需的投入。

對買家及開發者而言，眼前行動是在選擇機械人前，先界定值得測試的工作。指定可接受的結果、容許的協助，以及系統必須停止的條件。然後以這個標準評估新的公布。哪項即將出現的結果，會給你足夠證據，讓你由觀察技術轉為在自己的工作流程中測試它？