宇树科技 CEO 王兴兴在深圳 APEC 工商领导人峰会上表示,机器人进入家庭真正干活的最大障碍是模型泛化能力不足,更换场景往往需要重新训练。他认为全球技术演进已接近突破临界点,但规模化仍需应对制造、可靠性、售后、算力与安全等产业链考验。
泛化能力
Generalization
模型在未训练过的新场景中直接保持有效作业的能力,是机器人跨环境部署的关键指标
收录情报动态
宇树科技董事长王兴兴在 2026 年 APEC 工商领导人峰会上表示,机器人模型泛化能力是当前最棘手的问题,理想状态是一台机器人进入任何家庭都能立即干活而无需重新训练。他同时判断,结合今年全球技术突破,泛化能力已接近突破临界点,但模型突破后将给生产制造、可靠性与算力带来远超预期的挑战。
菜鸟在香港智慧港宣布向 AI 与具身智能企业开放覆盖 200 多个国家和地区的全球仓网,梳理出数十大类、上百种物流 PoC 场景,作为具身机器人的实景训练集群。同时推出面向 AI 硬件企业的科技出海三日达服务,打通跨境运输、海外部署与返修运维,试图同时承接物理 AI 的训练需求与出海交付需求。
国际具身智能技能大赛将于 10 月在上海举行,基于工信部征集的千余条真实场景数据设立 9 大赛道与 23 个赛项。比赛强调“三真”标准(真实场景、任务、数据),采用四维百分制评估自主智能与创新能力,并设置差异化折算系数以公平对比不同形态机器人。优胜者将获得千万级意向投资及通往 WAIC 等国际舞台的机会。
宇树科技创始人王兴兴透露,公司已将 GPT-6 部署至机器人进行任务测试,初步反馈效果良好。他判断具身智能行业的爆发临界点可能在未来一两年内到来,前提是解决泛化性与效率问题。王兴兴反思过去对 AI 信任不足是最大错误,并重申当机器人在 80% 陌生场景完成 80% 任务时即为行业拐点。
MiniMax 团队发布技术博客,深度复盘 M2 模型在智能体后训练阶段的核心挑战。文章指出传统基准测试与真实场景存在巨大鸿沟,并分享了如何通过重新定义“对齐目标”来提升模型在不同框架下的泛化能力与实用性。
OpenAI 发布关于“超对齐”(Superalignment)的新研究,提出利用深度学习的泛化特性,通过弱监督者控制强模型。该研究旨在解决未来超级智能难以被人类直接监督的问题,初步实验显示弱模型能有效引导强模型提升性能。
OpenAI 推出名为 CoinRun 的强化学习训练环境,旨在提供衡量智能体向新情境迁移经验能力的标准化指标。该环境在复杂度上取得平衡,既比传统平台游戏简单,又足以对当前最先进算法构成泛化挑战,有助于厘清长期存在的强化学习难题。
DeepMind 公布首届 Retro Contest 结果,旨在探索强化学习中的快速泛化能力。尽管尝试了多种方法,最终胜出方案均基于对现有算法(如 PPO 和 Rainbow)的调优或扩展,而非全新架构。该比赛验证了 Sonic 基准作为通用机器学习问题测试平台的有效性,但当前最高得分仍远低于理论上限,显示领域仍有巨大提升空间。
OpenAI 于 2018 年推出名为“Gotta Learn Fast”的新强化学习(RL)基准,旨在评估智能体在环境变化下的泛化能力。该研究由 Alex Nichol 等人主导,提供了基线算法以测试模型在未见过的游戏关卡中的表现。作为早期探索性研究,其核心贡献在于定义了 RL 领域对“快速适应新环境”这一能力的量化标准。