宇树科技登陆科创板：具身智能的“大脑”困境与世界模型之争

【科技纵览】8月19日，被誉为“人形机器人第一股”的宇树科技正式在A股科创板挂牌上市。这一资本动作不仅标志着其商业化的关键一步，更让董事长、总经理兼首席技术官王兴兴的个人财富急剧膨胀，所持市值突破千亿元大关，一举夺得“90后新首富”的头衔。然而，资本市场的热情并未持续高涨，上市次日，宇树科技股价开盘即下跌6.51%，报收于790元，尽管前一日该股曾录得460%的惊人涨幅。这种剧烈波动背后，折射出市场对于具身智能落地前景的复杂情绪。

从四足机器人起家，到2023年推出首款人形机器人H1，宇树科技的扩张速度令人瞩目。数据显示，2025年其人形机器人出货量超过5500台，稳居全球首位。根据招股书披露，此次募集资金将重点投向智能机器人模型研发及制造基地建设等核心项目。业内常评价宇树“小脑强于大脑”，意指其在运动控制、关节灵活性等底层硬件能力上表现卓越，但在涉及具身大模型、任务理解等“大脑”层面的研发投入相对滞后。为弥补这一短板，去年9月，宇树发布了开源世界模型UnifoLM-WMA-0，试图通过构建能理解物理交互规律的基础模型，为通用机器人的学习提供统一底座。

在8月20日举行的2026世界机器人大会上，王兴兴坦言，迈向具身智能的“ChatGPT时刻”尚需时日，理想情况下可能需要2至3年，甚至长达5至10年。他指出，当前制约机器人进入家庭生活的最大瓶颈在于泛化能力不足，尤其是执行任务时“最后一厘米”的微小偏差，往往导致成功率断崖式下跌。这一观点引发了行业共鸣：若缺乏强大的认知中枢，即便肢体再灵巧，也难以实现真正的商品化普及。于是，“世界模型”是否就是那个翘首以盼的“大脑”，成为了业界争论的焦点。

所谓世界模型，并非简单的知识检索系统。当用户询问AI松开咖啡杯的后果，普通大语言模型基于训练数据回答“摔碎”，而世界模型则能结合高度、重力加速度等物理参数，计算出“0.5秒后落地”并模拟碎裂程度。图灵奖得主杨立昆将其定义为预测行动后果的内部模拟器；斯坦福大学教授李飞飞则视其为空间智能的核心路径，强调AI需具备与三维空间交互的能力。复旦大学苏昊教授聚焦物理智能，主张AI应在物理世界中有效执行动作。快思慢想研究院院长田丰认为，这三者实为同一事物的不同切面：空间智能关注几何结构记忆，物理智能关注动作执行，而世界模型则是背后的推演引擎。

尽管概念清晰，但技术路线却纷繁复杂。杨立昆押注的“隐空间”学习模式，如Meta发布的V-JEPA 2，旨在抽象空间中预测未来状态，虽能捕捉因果结构，但因不可见性面临工程化难题。另一方面，生成式世界模型如Sora、Seedance，依托Transformer架构生成下一帧画面，虽视觉合理，但物理正确性及长时序一致性存疑。李飞飞团队的Marble模型虽能生成高精度可交互3D世界，却受限于巨大的算力需求。目前，尚无一种技术方案占据压倒性优势。

数据稀缺与误差累积是另一大拦路虎。与大语言模型依赖人类加工的二手文本不同，世界模型需要摄像头、传感器采集的一手物理数据。北京智源人工智能研究院院长王仲远指出，视频生成模型可能产生违背物理规律的幻觉，如“天上飞的猪”，这在自动驾驶等安全敏感领域是不可接受的。测试显示，即便是谷歌Veo 3.1等顶尖模型，在预测热油溅射等物理风险时仍不可靠。此外，模型误差会随时间逐帧累积，导致场景漂移，当前最强模型仅能维持几分钟的物理一致性，距离工业级应用所需的连续小时级模拟仍有巨大差距。

尽管如此，世界模型的应用前景依然广阔。田丰指出，自动驾驶领域已出现正反馈，特斯拉利用车队回传数据训练神经世界模拟器，实现了仿真环境的自动构建。相比其他场景，自动驾驶拥有海量实时反馈数据，这是其短期落地的关键优势。而对于人形机器人等其他领域，拐点或许在于虚拟训练的成功率超越真实数据采集的成本效益之时。届时，造数据比采数据更划算，将是世界模型带来的最大颠覆。但要真正实现这一愿景，还需在数据规模、架构创新及因果关系理解上取得根本性突破。