Unitree 人形机器人突破预测提前至 2028 年，创始人修正预期

Unitree 创始人王兴兴如今预计，人形机器人最快将在 2028 年实现突破，这一预期较他此前长达十年的展望有所收窄。所谓 Unitree 人形机器人突破预测，指的是机器能够通过语音指令处理日常任务，而不只是完成预先编排的动作。根据 Bloomberg 10 月 23 日的报道，王兴兴设想机器人可完成工厂或家庭中 80% 的指定任务。

这一预测凸显了机器人领域已经显现的一重矛盾：不断进步的人工智能与可靠的实体作业能力之间的落差。机器人必须将指令转化为行动、识别错误，并在不制造新问题的情况下恢复作业。理解人的需求，只是完成任务的一部分。

Figure 与 BMW 的合作为这场讨论提供了有用的参照。工厂应用拥有明确的任务和可观察的结果，而家庭工作则面对更难预测的环境。王兴兴修正后的信心引出了一个问题：AI 的进步将以多快速度跨越这两类场景。

Unitree 人形机器人突破预测实际改变了什么

王兴兴提前了自己的预期；他并未宣称通用的家庭自主能力已经存在。

Bloomberg 的人形机器人突破预测经 The Edge Malaysia 转载后称，他日益乐观的态度源于近期的 AI 进展。报道描述了他在杭州一场行业会议上的发言，并援引了 Unitree 分享的会议记录。

王兴兴也直接承认了当前的局限：“如果你现在把一个人形机器人带回家，让它打扫房间，说实话，我认为它无法完成这项任务。”

这一表态说明了当今产品与他所预测的里程碑之间仍有距离。它也让这项声明比“机器人正在进步”这类笼统说法更有参考价值。这一预测关乎从专业化行为过渡到能够在日常任务中遵循实用指令。

不过，历史比较需要谨慎。The Next Web 在 8 月 20 日对他早期机器人展望的报道描述的是一个区间，而非固定的十年期限。王兴兴当时认为，在有利条件下，突破可能在两到三年内到来；若进展较慢，则可能需要五到十年。

因此，他最新的立场体现了对较快结果更强的信心。这并不意味着他此前排除了下个十年之前取得进展的可能。准确描述这一变化很重要，因为此前区间中较乐观的一端已与 2028 年重合。

这一差异也改变了读者应如何理解该日期。预测指向预期的发展方向和时间；交付承诺则明确客户将获得什么。报道中的发言并未确立面向消费者的发布计划、明确的验收测试或性能保证。

行业里程碑也未必会在不同应用中同步到来。一台能够处理特定工厂任务的机器，面对陌生的家用物品时仍可能举步维艰。该日期仍可具有意义，并不代表每个机器人都会突然变得广泛实用。

实际变化在于，人们更强烈地相信 AI 的进步将缩短从指令到有效行动之间的路径。这一判断值得关注，因为它来自正在打造执行这些行动所需硬件的人。

对读者而言，核心问题是这种信心将如何变得可衡量。一次成功演示可以作为起点；在已公开条件下的重复表现，则能为接受修正后的时间表提供更有力的依据。

将这些类别区分开来，可避免报道出现不必要的夸大。王兴兴的乐观态度本身就具有新闻价值，无需被延伸为家庭机器人已经跨越他所描述门槛的说法。

更快的 AI 进步令机器人开发商承压

修正后的时间表迫使开发商证明，更好的 AI 能减少部署机器人的工作量。

对于正在决定工程投入方向的团队而言，这种压力立刻就会出现。如果能力更强的 AI 能处理陌生指令，那么为每一项新任务进行大量编程就更难得到合理化。关键结果是，在可靠完成任务的同时减少部署工作。

The Standard 在 10 月 12 日的一篇报道中，已经记录了王兴兴对机器人自主性前景的看法。报道提到，他预计商业化将于一到两年内迎来转折点，同时也承认当前系统仍存在局限。

同一篇报道还描述了 Unitree 内部连接编码、训练、部署、测试和反馈的开发流程。根据王兴兴的发言，人们仍需检查运动和任务表现。这一限定条件对于评估系统自我改进的相关说法至关重要。

具身 AI，即通过实体机器感知和行动的 AI，将软件决策与屏幕之外的后果联系起来。规划能力的改进必须经受物体、表面、障碍物和不断变化的指令的考验。每增加一项依赖，便会令从有前景的模型走向实用产品的路径更复杂。

设想一个从另一房间取回物品的请求。机器人必须识别目标物品、确定其位置、接近它、抓取它并将其带回。若请求不够明确，它可能需要在开始移动前先提问。

更好的指令处理能力确实能解决这项任务中的一部分问题，但并不能自动解决抓取打滑、路线受阻或物体超出机器可达范围等情况。对于等待结果的人而言，整个链条都很重要。

这也让硬件团队与 AI 开发者同样面临压力。机械能力必须支持软件所选择的行动。系统还需要可靠地识别何时某项行动超出了其物理极限。

企业买家则面临不同的判断。更早的突破预测给了他们准备评估项目的理由，但并不能决定采购。他们需要识别哪些工作可从更高的灵活性中获得实际价值。

例如，评估物料搬运时，买家应询问：当物品或其位置发生变化时，部署准备工作需要改变多少。与需要反复派遣工程人员的机器人相比，能够以更少准备适应变化的机器人代表着不同的价值主张。

对开发商而言，部署所需工作应成为任务成功的重要配套指标。经过大量定制后完成任务，与依靠普通指令完成任务，讲述的是不同的故事。两种结果都可能有用，但支撑的是不同主张。

商业压力正是由这种差异直接产生的。更快的 AI 进步提高了客户更早获得可适应行为的预期。供应商随后需要说明这种适应性在何处有效、需要哪些准备，以及仍需多少人工支持。

这次预期修正聚焦陌生任务，而非更好的动作编排

若机器人能将有用行为带入开发者未提前准备的环境，王兴兴增强的信心才最具意义。

这正是预测与当前部署要求之间的核心冲突。排练好的程序可以展示协调性与控制能力，但本身无法证明同一台机器能够在不同房间理解不同任务。

泛化是指将已学得的行为应用到陌生情境中。对机器人而言，陌生因素可能是物体、其位置、周围空间，或指令本身。一项令人信服的评估必须解释哪些要素发生了变化。

这也是为什么一项看似普通的任务可能比复杂表演透露更多信息。拿起一个陌生容器，要求机器对形状、接触方式和运动作出判断。当设置使其无法针对该容器进行事先准备时，结果就更具参考价值。

Unitree 人形机器人突破预测使这些差异尤其重要。它的意义在于拓宽有用行为，而非增加另一项孤立技能。不断扩充的预设程序集合与一个可适应系统，在特定画面中可能看起来相似。

当有人改变条件时，差异便会显现。移动物体、修改请求或引入障碍，机器都必须作出恰当回应。重复原有动作已不再足够。

这并不意味着预设行为不重要。工业自动化往往通过让环境保持可预测、重复执行严格定义的操作而取得成功。问题在于，新系统是否减少了客户为创造这种可预测性所需付出的努力。

Figure 在 6 月 30 日对工厂排序工作的描述提供了具体对照。该公司称，Figure 03 已抵达 BMW 位于 Spartanburg 的工厂，开展涉及零部件挑选和放置的物流工作。其说明强调了推车、料箱和组件位置的变化。

这些是供应商报告的能力，而非通用自主性的独立证据。不过，它们确实指出了一个相关的运营问题：在有用的工作流程中处理变化。该任务的目的不仅是展示动作。

对于 Unitree 而言，可比的问题是：一套已部署的系统能吸收多少变化，才会需要专家介入。这包括物体与环境的变化，也包括中断和不完整的指令。灵活的机器人需要一种处理不确定性的方式，而不能鲁莽猜测。

因此，王兴兴预期的修正，实际上是他对软件贡献预期的变化。他的乐观意味着，AI 将减轻为每项任务进行准备的更多负担。只要实体执行仍然可靠，客户获得的好处将是更容易的适应能力。

最后这一条件使叙述保持务实。能力更强的规划器可以选择合理行动，而机器本身仍可能无法安全执行。只有当指令处理、运动和反馈协同工作时，进步才具有商业意义。

最有力的证据将展示这种协同如何跨越陌生任务发挥作用。它应说明机器人接收了什么输入，以及需要何种协助。这样便能在不依赖演示吸引力的情况下评估该预测。

工厂试点提供了更窄但有用的比较

工厂部署能够提供有用工作的证据，但尚不能解决更广泛的家庭应用主张。

生产环境为机器人开发商提供了具体任务，也让客户对结果拥有运营层面的利益诉求。这有助于区分有明确用途的应用与缺乏清晰目的的能力展示。它还创造了衡量重复表现的机会。

BMW 在 9 月 21 日对其莱比锡机器人试点项目的介绍提供了另一个例子。这家汽车制造商称，AEON 通过重复性工作和物料配送支持生产。BMW 将该项目定位为与其制造系统的整合。

这与王的预测密切相关，原因很实际。机器人并不会进入一个空无一人的工作场所，并独立于周围一切自主运作。它必须适应排程、路线、数据、设备以及附近工作人员的职责分工。

工厂可以让其中一些条件变得更可预测。管理人员可以规定物料应放置的位置，以及机器应尝试执行哪些操作。他们还可以明确它何时应停止并请求协助。

这使工业工作成为有价值的验证场景，但也限制了任何成功试点所能证明的内容。围绕已知工作流程设计的应用，并不能自动证明其已具备家庭环境的适用性。物理环境和成功的定义并不相同。

设想一个工厂中的分拣任务。允许处理的物品可以被明确规定，所需送达位置也可以核验。而家庭中“把东西收好”的请求，则会涉及个人偏好以及未必能归入明显类别的物品。

工厂任务仍然可能很困难。零件会移动，设备会磨损，人也会打断工作流程。其优势在于，客户通常能比家庭用户更清楚地界定期望结果。

这有助于解释为何中立的竞争对手比较应聚焦于具体任务。Figure 的排序工作和 BMW 的莱比锡试点项目，针对的都是可识别的生产需求。它们的价值应根据这些需求的要求来判断。

对机器人公司进行笼统排名会掩盖这种区别。为特定物流工作流程设计的系统，与面向多样化开发工作的平台，需要不同的评估方式。它们公开展示的内容未必在回答同一个问题。

对于企业采购方而言，有价值的比较对象是当前完成该工作的方式。这可能涉及人员、固定设备，或两者的组合。机器人的类人形态只有在帮助满足工作流程要求时才重要。

这也说明了谁会因更早的突破时间表而面临压力。供应商必须将更广泛的能力主张与客户成果联系起来。采购方也不能仅仅因为某些狭窄应用尚未达到通用家庭助手的水平，就忽视其实际价值。

工厂中的证据可以支持乐观判断，但无法一锤定音地结束整场讨论。它可以表明自适应行为如今在哪些方面能够创造价值。接下来的问题是，这些益处能否扩展到准备和支持更少的其他任务中。

80% 的目标需要明确界定成功

如果不说明背后的任务、条件和人工协助，一项醒目的成功率无法证明其有用性。

王提出的门槛提供了一个容易记住的目标，但它是他建议的里程碑，而非行业认证。其含义取决于评估如何定义一项任务。一组简单动作与完成一项完整的家庭事务并不相同。

Stanford 的 2026 年 AI Index 提供了一项更广泛的人形机器人部署评估。其审查区分了硬件可用性和投资的增长，与大规模部署之间的差异。报告还强调了需求的不确定性，以及从结构化试点转向可预测性较低环境的过程。

这一独立视角支持对该预测作出审慎解读。可获得硬件的进步，并不能说明客户将如何使用它。已公布的应用与运营结果应属于不同类别，除非有证据将两者联系起来。

对于这一拟议门槛，任务选择是首要问题。评估需要说明谁选择了这些任务，以及它们是否代表真实的客户需求。否则，有利的结果可能只是反映了有利的选择。

下一个问题是成功的边界。取回一个物体，并不必然等同于完成促成该取回行为的更大请求。机器人可能正确搬运了物品，但周边工作仍未完成。

人工协助也需要明确说明。由人选择每一个下一步动作，与由人发出最初请求，是不同程度的支持。两种安排都能产出有用工作，但它们所证明的自主程度不同。

遥操作，即对机器人的远程人工控制，尤其需要披露。它可以帮助开发者积累经验，并支持早期部署。其存在会改变观众应如何理解有关独立完成任务的主张。

错误发生后的干预也是如此。一台暂停并请求帮助的机器，与一台继续失败地执行下去的机器，行为表现不同。客户需要知道这两种情况的发生频率，以及恢复过程涉及什么。

速度增加了另一层维度。一项最终完成的任务，仍可能无法满足工作场所的要求。有用的报道应将完成情况与耗时、准备工作、监督需求和错误后果结合起来。

不能仅从成功尝试中推断安全性。机器人还应能识别自己何时没有安全的推进方式。即使简单的成功计数器将其视为失败，拒绝执行不适当的动作也可能是正确结果。

这些是评估问题，而不是否定该预测的理由。它们明确了哪些证据能让这一主张更具说服力。披露充分的测试即使揭示局限，也能展示有意义的改进。

对于技术团队而言，将这些细节放在一起有助于防止对不可兼容的演示进行比较。一套可搜索的技术文档记录，可以关联规格、测试条件和运行观察。目标是保留每项结果背后的语境。

在这些条件得到明确说明之前，Unitree 人形机器人突破预测仍是对未来能力的预期。它既不应被自动接受，也不应被轻易否定。有意义的回应是追问：什么样的结果才算得上证据。

从现在到 2027 年初应关注什么

接下来有价值的信号包括披露充分的自主性测试、客户运营证据，以及部署工作量可量化的下降。

第一个信号是：在明确说明条件下，让机器人接触陌生任务的评估。应关注完整的任务清单、准备工作披露，以及对人工参与的说明。连续录像将有助于读者了解被选中的成功片段之间发生了什么。

如果性能能够在物体、指令和周围环境变化时保持稳定，这样的评估将强化王的判断。若每种变化都需要大量预先编程，其说服力则会减弱。关键区别在于：在披露条件下的适应能力。

失败案例应与成功尝试一同呈现。它们揭示了系统能力边界所在，以及系统是否能够识别这些边界。解释失败结果的演示，可能比让每一个动作看起来都毫不费力的画面提供更有价值的证据。

第二个信号是来自真实工作流程、由客户支持的运营信息。应关注客户对任务的描述、机器人的职责，以及支持人员所提供的协助。当证据涵盖日常运行而非预定演示时，其说服力会更强。

如果客户在评估结果后扩大使用范围，将支持王预测的商业层面。一项没有变化的试点项目，则需要更多背景才能得出结论。原因可能与能力、整合、需求或客户业务内部的优先级有关。

第三个信号是增加或变更一项任务所需工作量的下降。这直接回应了修订后判断背后的逻辑。如果更好的 AI 正在缩短部署路径，准备过程就应更容易被记录和说明。

应关注那些清楚保留任务和硬件要求的比较。更短的设置过程，只有在最终行为仍然可靠时才最具意义。若工作只是从工程师转移给隐蔽的操作人员，则需要作出不同解读。

这些信号也将技术进步与应用普及区分开来。机器人可以先变得更有能力，之后客户才围绕它重组工作。相反，一项用途狭窄但实用的应用，也可以在尚未达到通用家庭基准时获得客户。

在未来几个月中，最具信息价值的公告将把能力与运行条件联系起来。它们会说明哪些发生了变化、哪些仍然困难，以及客户如今可以要求机器完成什么。这正是评估更早时间表所需的证据。

关注 Unitree 人形机器人突破预测时，应始终保持这些区分。根据演示所披露的条件进行比较，然后寻找客户说明，以确认相同行为能否在日常工作中持续存在。尤其应关注陌生任务、干预要求，以及引入另一项任务所需的工作量。

对于采购方和开发者而言，眼下的行动是：在选择机器人之前，先界定值得测试的工作。明确可接受的结果、允许的协助，以及系统必须停止的条件。然后以这一标准评估新的公告。哪一项即将公布的结果，能为你提供足够证据，让你从关注这项技术转向在自己的工作流程中测试它？