10月22日，2026世界物理AI大会暨宇树合作伙伴生态大会在杭州国际博览中心二期举行，主题为“宇十俱进，树业共生”，到场嘉宾3000余名，主论坛面积超过4000平方米，40余个展示专区同步开放。正是在这场大会上，宇树传递出了那个比任何一款机器人、任何一个模型都更清晰的信号：它的身份正在被主动改写。王兴兴在演讲中给出的时间窗口是：“已经看到物理AI有可能被击穿的苗头，可能一到两年，可能两到三年。”这个判断是否准确尚可争论，但宇树据此展开的战略动作——产能、模型、算力三线并进，宇创计划与全球大赛双轮驱动——已经把它推上了一条与“卖硬件”截然不同的路径。

王兴兴的“击穿”论断需要被精确拆解，否则容易滑向对演示效果的过度解读。

大会上最引人注目的展示，是GPT-6在“完全零训练”条件下直接控制G1人形机器人完成绘画、换色、洗笔、下围棋和陌生室内导航。机器人看到旁边的颜料盘，会自己走过去把笔洗干净再继续画，“没有专门为这些动作编写程序”。这证明的是规划层与任务分解层的通用化潜力：一个未经机器人数据微调的大模型，已经能够把自然语言指令转化为可执行的动作序列，并把“洗笔”这种子任务自主嵌入长程流程。王兴兴本人的判断也落在这一层：“GPT-6的一些能力已经可以解决机器人的部分规划问题。”

但规划层的光滑，掩盖不了交互层的粗粝。商汤联合团队对GPT-6-Astra的真机评测给出了一个刺眼的反差：该模型在LIBERO-Long++上达到100%，LIBERO-Pro上达到99.3%，RoboDojo仿真基准上也有81.9%，一到真机就大面积失灵。“把笔放进笔筒”在放宽交互步数后勉强完成，平均耗时263分钟，估算推理费用约55美元。在RoboDojo的10类双臂任务中，GPT-6-Astra直接控制机器人的成功率仅为26%，接入专用VLA模型π₀.₅协作后才提升到48%。王兴兴自己在演讲中也承认，大模型“已经能够较好地解决机器人的任务规划和导航问题，但真正动手操作时，仍然容易出错”。

因此，“击穿”更准确的语义是：通用大模型正在从上层认知环节大规模溢出，但物理交互的“最后一厘米”——接触力控制、误差实时补偿、陌生物体抓取时的泛化能力——仍然是一道专用模型和真机数据才能填平的沟壑。宇树判断临界点临近，依据是上层能力的加速下渗，而非底层物理问题已经被解决。王兴兴将核心挑战定位为“AI模型的输入输出和真实机器人的对齐”，这一定位是清醒的。

宇树的三条战略线——千万台级量产能力、自研物理AI小模型、大规模算力集群——各自都有清晰的战略理由，但放在一起看，它们之间的张力比协同更值得审视。

量产能力是对“平台”身份的物理背书。G1自2024年5月发布以来累计下线约1万至2万台，是全球出货量最高的人形机器人。没有规模化的本体存量，所谓“生态”就缺少可依附的硬件底座。但“千万台级乃至亿级”的产能目标，本质上是把宇树拖入一场与特斯拉正面遭遇的军备竞赛。特斯拉Optimus已进入量产阶段，2026年10月底上游零部件供应能力预计达到每周2000至2500台，2027年全年保守目标10万台量级。宇树2025年全年人形机器人出货超5500台、全球占比约32.4%，这个数字放在行业里能打，但面对特斯拉以“万台/周”为单位的供应链节奏，千万台规划所需要的资本密度和产线爬坡能力，与宇树数百人团队、轻资产惯性之间存在着不容忽视的落差。产能叙事如果兑现不了，平台叙事就会失去物理根基。

“自研小模型”路线则带有明确的防御性质。宇树开源的UnifoLM-WLA-1.0以6B参数、约2500小时真机数据，在16项多模态评测中拿下7项开源SOTA，部分空间理解指标反超GPT-6-Astra。选择“小”而非追逐更大参数，是对物理AI实时控制场景的工程诚实：推理延迟和端侧部署可行性，在机器人关节控制中的优先级高于绝对智能水平。但这条路线同时意味着，宇树必须在一个通用模型能力快速外溢的窗口期里，持续证明专用小模型在物理交互精度上的不可替代性。一旦GPT-7或同类模型在接触控制上取得实质性突破，6B小模型的存在理由将被直接拷问。

算力集群是三者中最“重”、也最不“宇树”的一环。从机器人公司延伸到算力基础设施，逻辑上是为了支撑自进化闭环的迭代，但这也把宇树推入了一个资本密集、玩家结构完全不同的竞争场域。英伟达在同一时间将物理AI定义为“下一波浪潮”，Isaac GR00T平台正在成为机器人训练的通用基础设施，黄仁勋甚至在2026年6月与宇树联合发布了基于Isaac GR00T的H2参考人形机器人设计。宇树自建算力集群，是在试图减少对通用算力平台的依赖，但代价是同时要在芯片采购、集群运维和能源成本上应战。更微妙的是，宇树与英伟达之间既有生态合作关系，又在算力底座上存在潜在的替代张力，这种“伙伴兼对手”的结构需要极高的战略平衡能力。

宇创计划和世界物理AI大赛构成了宇树平台叙事“软”的一面。宇创计划面向本体与核心部件、具身算法、数据与仿真平台、行业应用四个方向招募创业团队，配套产业资本、硬件平台开放和工程落地支持，五年计划孵化优质生态企业200家以上。世界物理AI大赛每年投入数千万元奖金，设置任意移动、田径、格斗、灵巧操作、生产、体育赛事、多模态交互、康养八大赛道，面向全球开放。姿态是明确的：把行业需求导流给创业团队，分摊供应链成本，缩短验证周期。

但平台化的核心考验从来不在于宣布开放，而在于开放的是什么。宇树开放的UnifoLM-WLA-1.0模型权重和代码，是生态的“入口”；但真正决定平台粘性的，是本体硬件接口的标准化程度、真机数据的回流机制，以及生态伙伴在宇树硬件上做出的创新能否反向定义宇树的产品路线。如果生态伙伴始终停留在“在宇树本体上做应用层适配”的位置，那么所谓的平台就更接近一个渠道分销体系，而非真正的生态。王兴兴将“自进化闭环”称为核心工程——AI自主查文献写代码、仿真训练、真机测试、自主打分反馈——这个闭环如果只在宇树内部运转，其价值是线性累加的；只有当它能够吸纳生态伙伴的真实场景数据并反哺模型迭代，平台叙事才具备网络效应。2027至2028年实现“模型与机器人硬件深度统一、走向家庭”的目标，考验的正是这个闭环的开放程度与数据吞吐能力。

宇树的转型方向是正确的，甚至可以说是必然的。当物理AI的竞争要素从“谁能造出机器人”转向“谁能定义机器人如何获得智能”，纯粹的硬件厂商将被迫在通用模型供应商和算力平台之间选择一个从属位置。宇树不愿做那个从属者，这是它把一场合作伙伴大会开成“链主宣言”的根本动机。

但“平台生态方”的身份不是通过一场大会的发布来确立的，而是在接下来两到三年的窗口期里，通过三件非常具体的事情来验证：物理交互的成功率能否从“演示级”走到“交付级”，26%的RoboDojo直接控制成功率与55美元一次的洗笔任务，是比任何演示都更诚实的标尺；千万台产能规划能否在不失控的前提下逐步兑现，特斯拉的供应链节奏不会给宇树留出从容试错的时间；生态伙伴是否真的开始在宇树的底座上做出宇树自己做不出来的东西，而不是仅仅成为宇树硬件的分销渠道。王兴兴说“非常害怕浪费每一天”。这种紧迫感是对的。物理AI的临界点如果真的在一两年内到来，留给宇树完成身份重写的时间，并不比它自己预判的窗口更宽裕。