具身智能可能根本没有“ChatGPT时刻”

真正改变世界的，也许不是机器人突然学会了所有事。

更可能是开车、送货、做饭、清洁这些小事，一件接一件，慢慢开始由机器人代劳。

过去几年，具身智能的“ChatGPT时刻”，不知道被宣布了几次。

2024年，Figure AI创始人说“就是明天”； 几个月后，Universal Robots宣布“已经到来”； 2026年初，黄仁勋再次宣布“已经到来”。

前几天，宇树王兴兴说还要2到10年。

几天后，Foxglove创始人给出了更干脆的判断：

这个时刻，可能根本不会来。

一个已经“来过”好几次的历史时刻，为什么至今还没有真正发生？

因为数字化的载体可以在一夜之间抵达几亿块屏幕，比如22年底的ChatGPT；因为大语言模型的能力源于高度结构化的理想数据 —— 语言和文字。

而机器人想要进入现实，得先和千变万化的建筑、空间、道路、门禁、无穷无尽的物品以及多样的人类生活习惯，一步步地谈判与磨合 —— 一个标准和结构模糊，而摩擦和阻力明显的真实世界。

那些具身智能的“ChatGPT时刻”

23年2月，微软发布“ChatGPT for Robotics”研究。

人可以用自然语言向机器人下达任务，再由ChatGPT调用预先写好的高层函数，控制机械臂、无人机和家用机器人。大模型第一次像一个“大脑接口”，站到了人和机器之间。

微软也提醒：这些输出不能未经分析就直接部署，应该先在仿真中测试。机器人听懂了人话，动作仍然依赖工程师提前准备好的函数。[1]

五个月后，Google DeepMind发布RT-2，把视觉、语言和动作放进同一个模型。机器人不只看见香蕉，还能理解香蕉皮属于垃圾，再把理解翻译成动作。

在超过6000次测试中，RT-2对未见场景的成功率从RT-1的32%提高到 62%。进步很大。但换个角度看，面对新任务时，它仍有接近四成的概率失败。[2]

24年1月，Figure AI创始人Brett Adcock在机器人冲咖啡的视频发布前预告，机器人的ChatGPT时刻“就是明天”。机器人通过观察人类学会了一套冲咖啡流程，但却无法证明换一台机器、换一个厨房仍能工作。[3]

24年5月，Universal Robots宣布机器人的“ChatGPT时刻已经到来”。其中一个代表性案例，是将深度学习视觉、3D相机与成熟协作机械臂结合，让机器人自主识别并抓取仓储中杂乱摆放、甚至从未见过的商品。[4]

26年1月，黄仁勋放言“已经到来”。这一次，他指向的是世界模型、视觉语言动作模型、仿真和算力平台的共同成熟。但给人感觉依旧缺乏有力佐证。[5]

大家说的都是“ChatGPT时刻”，可背后的标准其实完全不同：

有人说的是机器人开始听懂语言，有人说的是机器人学会了一项任务，有人说的是全套工具链已经齐备。

对于到底什么才叫具身智能的“ChatGPT时刻”，就像世界模型一样，显然没有统一的标准，大家还是以自说自话为主。

今年8月，王兴兴给出了更具体的标准。

他的看法是，机器人需要在80%的陌生环境中，只凭语音或文字指令，就能完成约80%的任务。这快则需要2到3年，慢则5到10年。[6]

几天后，Foxglove CEO Adrian Macneil认为，机器人可能根本没有 ChatGPT时刻。

因为软件短时间可以触达百万用户，机器人却要一台台制造和交付。所以机器人更像早期的个人电脑：要先变得可以买到、能做几件有用的事，再一代代进入家庭。[7]

这些判断看起来互相打架，因为“ChatGPT时刻”被拿来描述了四件事：模型突破、产品可用、商业规模和社会普及。

以ChatGPT为代表的大模型和agent们，用极短的时间完成了这几件事。

但机器人却很难。

数字世界和物理世界：尚未融合

数字世界里，模型做错了，人可以追问，agent可以纠错，大不了浪费些token。

但物理世界里，如果送药机器人送错病房，自动驾驶系统看漏了行人，厨房机械臂把异物混进食物，后果则完全不同。

模型更新一次，全球用户都能收到；但机器人想增加一种能力，有时不只是改造数字世界的事，可能还要改变机器人本体结构，还要重新适配环境和社会规则。

起码到目前，理想中的数字世界和物理世界大一统的未来，还没到来。

物理世界中的任务，还需要更好地处理乘法效应。

假设一项工作包含100个连续步骤，每一步的成功率都有99%，整条任务一次做对的概率也只有约36.6%。

这是一个高度简化的例子，却揭示了机器人长流程工作最麻烦的地方：小误差一路累积，最后就会变成一次彻底的失败，而且是在几乎不容有失的现实世界里。

所以，机器人走进生活，至少要过这几关：

能不能做：它能理解和思考，也能生成和执行正确的动作。

能不能稳定地做：一千次、一万次运行会失败几次，需要多少人工接管。

能不能便宜地做：综合成本是否可控，客户是否愿意持续付钱。

能不能更好地做：是否做得越多就越聪明，数据和价值之间能否形成良性循环。

这几个答案很难在同一天同时变成“是”。

所以，机器人的未来，只好绕开“大爆炸”，从一个个更加具体的场景开始。

未来，先从几件小事开始

人类没有先造出一个什么家务都会做的机器人，扫地机器人只负责清洁地面，却已经成为最普及的家庭机器人。

国际机器人联合会的样本数据显示，2024年消费级服务机器人销量接近 2000万台，家庭清洁和割草机器人占了绝大部分。[8]

仓库也没有等待人形机器人。2025年6月，亚马逊宣布部署第100万台机器人，覆盖全球300多座设施；名为DeepFleet的基础模型负责调度车队，并称将行驶效率提升了10%。[9]

这些足以说明：物理AI和具身智能的规模化，不必先长成人形。

一块地板、一排货架、一段道路，看起来都是小事情，却是未来真正开始落地的形状。

送到小区门口容易，送上楼难

一份外卖或快递，从商家送到小区门口，平台和物流已经高度数字化。但最麻烦的，往往是最后几百米：过门禁、等电梯、穿行于人流，再找到正确的房门。

这段距离很短，摩擦却很密集，也是成本和投诉集中产生的环节。

据今年8月的一篇报道，在成都一个1200多户的公寓社区里，10台由中国公司越凡创新研发的配送机器人，四个月完成3万单配送，在“末端配送”这一环里，机器人的效率已达传统人工的3到4倍。[10]

在复杂的开放世界中，在各种天气条件下，机器人要自主导航、避障、过门禁、调电梯、切换室内外定位，还要和物流与外卖平台、骑手、物业、楼宇系统以及收货用户配合，这其中的复杂度和技术含量可想而知。

美国的Serve Robotics，则把相似的路线铺到了城市人行道上。

这家公司2021年从Uber体系中独立，如今已接入Uber Eats和DoorDash。到去年底，他们宣称已部署2000台配送机器人，覆盖20个城市和6个都会区，连接超过4500家餐饮及零售商户，配送完成率达到99.8%。[11]

这类机器人不会后空翻，也不会陪人聊天，看起来也不够高大上。

但它们的价值，却在日复一日的运行中持续积累：

每让人类少等一次电梯，每打通一套门禁、一种电梯接口、一类物业流程，每减少一次配送摩擦，每提升一分收货体验，下一台机器人进入现实世界的门槛就会更低一点，人类离真正自动化、智能化运行的未来世界，就会更近一点。

机器人学做饭，先从拿起不同食材开始

自动做饭最吸引人的画面，是机器人在家庭厨房里切菜、颠锅、装盘，最后顺手把台面擦干净。

现实中的起点朴素得多。

Chef Robotics先进入食品工厂，让机械臂在长时间运行的产线上，把几种食材分装进餐盒。公司称，截至今年4月，其机器人已经在美国、加拿大和欧洲十多座生产设施完成1亿份餐食的配装。[12]

食物会软、会滑、会粘，大小、湿度和形状各不相同，网上的图片和视频无法告诉机械臂，舀一勺咖喱究竟要用多大力气。真正有用的数据，只能从一次次生产中长出来。

它离“回家给你炒一桌菜”还很远。但每处理一种新食材、减少一次撒漏，都在补齐自动厨房需要的能力。

无人车：很难，但从未停止

十几年来，无人车经历过更长的热潮、事故、收缩和质疑，也最能说明物理世界为什么需要耐心。

Waymo披露，他们2025年已完成1500万次出行，每周在美国六个都市区提供超过40万次付费乘车。[13]

但无人车的故事说来话长，而且相关服务仍受地方法规、城市、道路等等方面限制。可对已经把无人车当成通勤选项的乘客来说，未来不再是概念演示，而是每周重复发生40万次的订单。

此处原文有一段视频，可前往公众号原文观看。

无方向盘无后视镜的特斯拉Cybercab已在德州奥斯汀运营 @artsimage

无人车和自动驾驶，正在一座座城市、一条条道路和一次次监管许可中，逐渐扩大着边界。

“小日常”拼成“大未来”

一台基于有限规则，只会完成既定任务，换个场景就要重写程序的机器，也能解决一些问题。但它可能更像一座孤岛，并不会自然长成更通用的具身智能。

更重要的是：

它解决的是不是高频、真实、有人持续付费的问题？

它能不能在没有摆拍的日常里，重复运行成千上万次？

每次运行沉淀的数据，能不能让下一台机器人跑下一个场景变得更容易？

比起长相和动作有多像人，我们更应该看：机器人每天真正工作多久，任务成功率是多少，成本有没有持续下降，各方体验有没有持续提升，新的价值有没有被持续创造。

也许具身智能真正的突破，是机器人第一百万次完成一个无聊动作，依然可靠、便宜，并且有人愿意付钱，是数据与价值有没有形成良性循环。

自然语言控制，是模型时刻；机器人进厂、进楼、上路，是产品时刻；大客户和更多普通人愿意付费并长期使用，才更接近分发和裂变时刻。

具身智能行业可能不会等到一个清晰的“大爆炸”时刻，只会有许许多多个“小时刻”，润物无声地把我们推向未来。

扫地机器人让一个人少弯一次腰，配送机器人让骑手少等一次电梯，烹饪机械臂让厨师少重复一次舀取，自动驾驶让通勤者每天“多出”一个小时。

我们想象中的未来，是一切人类愿意放手的数字和物理世界的事情，都被AI代理，被真正自动化和智能化。它会被无数机器人和人类劳动者，在一次次的失败和调优中，共同“拼凑”出来。

具身智能可能根本没有“ChatGPT时刻”。

或者，具身智能的“ChatGPT时刻”，就是它每一次完成一个普通任务的那刻。

信息源（由GPT搜集）

1. Microsoft Research：《ChatGPT for Robotics》，2023年2月

2. Google DeepMind：RT-2 官方介绍，2023 年7月

3. Figure AI创始人 Brett Adcock：关于机器人“ChatGPT 时刻”的原帖，2024年1月

4. Universal Robots：Automate 2024官方公告，2024年5月

5. NVIDIA：Physical AI 模型及机器人平台官方公告，2026年1月

6. Global Times：王兴兴关于具身智能时间表与能力标准的演讲报道，2026年8月

7. TechCrunch：对 Foxglove CEO Adrian Macneil 的相关报道，2026年8月26日

8. International Federation of Robotics：《World Robotics 2025》服务机器人数据及口径说明

9. Amazon：第 100 万台机器人及 DeepFleet 官方披露，2025年6月

10. 《经济参考报》：越凡创新楼宇配送规模与社区运营案例报道，2026年8月

11. Serve Robotics：机器人部署规模、覆盖城市、合作商户及配送完成率，2025年全年业绩公告

12. Chef Robotics：累计完成 1 亿份餐食配装，公司官方披露，2026年4月

13. Waymo：2025 年出行量及每周付费乘车量，公司官方披露，2026年2月