AI大模型盲目堆砌规模？宇树王兴兴呼吁冷静！

摘要： 您提到的这个信息点非常准确，这确实是宇树科技创始人兼CEO王兴兴近期在多个场合反复强调的核心观点之一，他的呼吁并非反对技术进步，而是针对当前人工智能，尤其是具身智能（机器人）领域发...

您提到的这个信息点非常准确，这确实是宇树科技创始人兼CEO王兴兴近期在多个场合反复强调的核心观点之一，他的呼吁并非反对技术进步，而是针对当前人工智能，尤其是具身智能（机器人）领域发展中的一些过热和偏差现象提出的冷静思考。

我们可以从以下几个层面来深入理解王兴兴的呼吁：

核心观点：反对“唯数据论”和“唯规模论”

王兴兴认为，当前业界存在一种危险的倾向，即认为只要拥有海量的数据、训练一个超大规模的模型，就能解决一切问题，创造出强大的通用机器人，他指出这是一种“唯数据论”和“唯规模论”的误区。

• 盲目堆砌数据：他认为数据并非越多越好，低质量、冗余、标注不准确的数据不仅会浪费巨大的计算资源，甚至会误导模型，使其学到错误的模式，对于机器人而言，数据的质量、多样性和与真实物理世界的关联性远比单纯的“海量”更重要。
• 盲目堆砌模型规模：简单地扩大模型参数量（如千亿、万亿参数），并不能保证机器人的智能水平和实用性，大模型可能表现出惊人的语言能力，但在需要与物理世界实时、安全、可靠交互的机器人任务上，其表现可能并不尽如人意，这种做法导致了巨大的计算成本和能源消耗,是一种资源浪费。

提出的替代路径：走向“数据高效”和“模型智能”

王兴兴并非否定数据和模型的重要性，而是倡导一种更聪明、更高效的发展路径，他提出，机器人AI的发展应该从“堆料”转向“精耕细作”，核心是追求“数据效率”和“模型智能”。

• 数据高效：

  

  • 高质量数据：专注于采集高质量、高价值、多样化的数据，通过强化学习让机器人在真实或模拟环境中自主探索、试错,获得的数据远比被动收集的静态数据更有价值。
  • 数据利用：研究如何用更少的数据达到同样的训练效果，例如通过迁移学习、小样本学习、数据增强等技术。
  • 合成数据：利用高质量的仿真环境生成海量的、可控的合成数据,作为真实数据的补充。

• 模型智能：

  • 算法创新：他认为真正的突破在于算法和架构的创新，而不是单纯地放大模型，如何让模型更好地理解物理规律（世界模型）、具备因果推理能力、以及高效地融合多模态信息（视觉、触觉、听觉等）。
  • 任务导向：模型的设计应紧密围绕具体的机器人任务需求，追求在特定任务上的卓越表现，而不是追求一个“大而全”但“不精”的通用模型。
  • 具身智能：强调智能必须“具身化”，即智能的产生必须依赖于与物理世界的交互，AI模型的设计必须充分考虑机器人的身体、传感器和执行器，让智能在“行动”中涌现。

背景与动机：宇树的实践与行业观察

王兴兴的呼吁,很大程度上是基于宇树科技自身的实践和对行业发展的深刻洞察。

• 宇树的务实路线：宇树科技从A1、Go1到最新的Go2，走的并非是“参数竞赛”路线，而是强调“硬件、软件、算法”的一体化协同，它们更注重机器人的运动性能、环境感知能力和在真实场景下的实用性，Go2的成功，证明了通过优化算法、提升硬件性能和利用高质量数据,可以在相对较小的模型规模上实现卓越的效果。
• 对行业泡沫的担忧：随着资本的涌入，AI领域尤其是机器人领域出现了不少泡沫，一些公司为了吸引眼球和融资，不断宣传自己拥有“万亿参数模型”、“全球最大数据库”，但实际产品效果却差强人意，王兴兴的呼吁，也是在为行业降温,引导大家回归技术本质和商业价值。
• 解决实际问题的初心：宇树的愿景是“让机器人走进千家万户，服务人类社会”，要实现这一目标，机器人必须是可靠的、可负担的、安全的，而盲目堆砌数据和规模，会导致成本高昂、功耗巨大,最终难以落地。

王兴兴的呼吁，可以看作是AI发展从“粗放式增长”向“精细化运营”转变的一个信号,它提醒业界：

1. 回归本质：技术最终要服务于解决实际问题，机器人必须可靠、安全、有用。
2. 效率为王：在数据和模型层面追求更高的效率，是降低成本、推动商业化的关键。
3. 创新驱动：真正的护城河在于独特的算法、架构和工程能力,而不是简单的资源堆砌。

对于整个机器人行业而言，这种冷静和务实的声音是非常宝贵的，它有助于引导行业走出“军备竞赛”的怪圈,脚踏实地地向着真正有用的具身智能迈进。