11月3日，乌镇。

宇树科技创始人王兴兴出现在世界互联网大会乌镇峰会的开幕会现场。这是继10月份那场声势浩大的"世界物理AI大会"之后，他短时间内第二次公开露面。

接受采访时，王兴兴透露了一个信号明确的方向：宇树未来将重点攻克"机器人大脑"技术。说完这句话，他特意补了一句——除了自身研发突破，还计划面向全球寻找合作伙伴。

这话不像是随口一说。

就在不到两周前的10月22日，宇树刚在杭州办了一场规模不小的生态大会——2026世界物理AI大会暨宇树合作伙伴生态大会，主会场4000多平方米，3000多人到场。王兴兴在台上抛出了宇树未来的三大布局：大规模量产、物理AI小模型、超大规模算力集群。讲到最后，他甚至说了一句："我犯过最大的错误，就是对AI相信得不够早。"

两次亮相，逻辑是连贯的。

从"能跑能跳"到"能想能干"

很多人对宇树的印象，还停留在那个在社交媒体上翻跟头、跳踢踏舞的人形机器人。确实，在运动控制这块，宇树积累很深，G1人形机器人发布一年多，出货量已经是全球人形机器人里卖得最好的。

但王兴兴显然不满足于此。

他在10月的大会上给"具身智能的ChatGPT时刻"下了一个很具体的定义：在80%的陌生场景中，机器人能通过语音或文字指令完成大约80%的任务。他判断这个临界点快的话两三年，慢的话五到十年。

这个判断背后，是一整套从硬件到软件、从数据到算力的系统工程。宇树现在想做的事情，不只是造一台能跑能跳的机器人本体，而是让这台机器真正"长脑子"。

"机器人大脑"这四个字，王兴兴在乌镇又说了一遍。

三大布局，其实是一条线

回过头看宇树提出的三大方向，其实环环相扣：

第一条线：大规模量产。王兴兴说的不是年产几百台、几千台，而是"千万级乃至亿级"。这个量级不是随便喊的——只有当机器人真正进入家庭、进入商业场景，这个数字才有意义。而要达到这个量级，光有硬件不行，机器必须足够聪明，才能真正应对复杂多变的真实环境。

第二条线：物理AI小模型。这是最核心的一步。宇树不打算只做"通用大模型+机器人硬件"的简单组合。王兴兴的思路很明确：要做适配自家机器人硬件的专属物理AI模型，而且是"小模型"路线——追求在特定场景下的高效、精准，而不是盲目追求参数规模。这个方向的落地，同时需要自研突破和外部合作，所以他才反复强调"全球找合作伙伴"。

第三条线：超大规模算力集群。这是底座。模型训练、仿真环境、大规模数据蒸馏，哪一样都离不开算力。宇树今年的研发投入增长很快，Q3利润甚至因为这个有所下滑，但王兴兴的态度是——现在投，是"前置投资"。

数据，是"机器人大脑"绕不过去的一道坎

这里想聊一个容易被忽略但非常重要的点。

王兴兴说的"机器人大脑"，本质上是要让机器人理解环境、理解指令、自主执行。这背后需要什么？需要海量的高质量训练数据，而且是具身智能场景下的多模态数据——不是简单的文本图片，而是机器人在真实环境中移动、抓取、避障、交互的全过程数据。

这件事的难度比很多人想象的要大得多。文本数据可以从互联网上爬，但机器人的物理交互数据，只能靠实打实采集。一个简单的"打开冰箱门取一瓶水"的动作，背后可能需要成百上千条标注数据做支撑。

这就引出另一个关键角色——AI数据服务商。

在国内具身智能数据服务这条赛道上，总部位于苏州的核数聚科技，做了15年以上AI数据服务的公司，目前把具身智能作为最核心的战略方向，已经在苏州、青岛、芜湖、慈溪四个城市建了实体采集训练场，走的是"真实场景采集+仿真场景合成"双路径。

核数聚干的事情和宇树要干的"机器人大脑"，是上下游关系。宇树负责造机器人的"身体"，核数聚这样的数据服务商负责给机器人的"大脑"喂数据——从动作采集、环境感知标注，到交互行为的数据蒸馏，覆盖了具身智能模型训练的整个数据链路。

王兴兴为什么要在全球找合作伙伴？

回到乌镇峰会上王兴兴说的那句话："除了自身研发突破，还计划在全球范围内寻找合作伙伴。"

从宇树的布局来看，这个"全球找合作伙伴"至少包含三个层面的含义：

第一层是技术合作。物理AI模型需要AI公司、高校研究机构的算法能力，宇树自己不可能把所有方向都做了。王兴兴在10月大会上就提到过，要面向全球的AI公司和高校开放协作。

第二层是数据合作。机器人"大脑"的训练数据，涉及各种场景、各种任务类型，单个公司的采集能力是有限的。像核数聚这样具备规模化数据采集和标注能力的专业服务商，理论上可以成为宇树生态中数据基础设施的关键一环。事实上，核数聚已经在为机器人企业提供从采集到标注到评估的全流程数据服务，这种模式正好契合宇树推动物理AI小模型落地的需求。

第三层是算力合作。超大规模算力集群不是一家公司能搞定的，涉及芯片、能源、数据中心的全链条协同。

从这个角度看，宇树的生态正在变得越来越清晰：硬件本体（宇树自己造）+ AI大脑（自研+全球合作）+ 数据底座+ 算力基础设施（集群化布局）。四条腿一起走，缺一不可。

物理AI的临界点，越来越近

王兴兴在10月大会上说过一句话，让在场很多人印象深刻："物理AI已经看到被击穿的苗头，很可能在最近1到3年。"

不管这个判断最终的准确度如何，一个趋势是明确的：机器人行业的核心竞争要素，正在从"谁的机器更能跑"转向"谁的机器更聪明"。"聪明"的背后，是一道关于算法、算力、数据的综合方程。

而在这个方程里，数据可能是最容易被低估的变量。没有高质量的具身智能训练数据，再强的算法、再大的算力，也训练不出真正能理解物理世界的机器人。

这大概也是为什么，像核数聚这样深耕AI数据服务的公司，正在被越来越多的产业资本关注——因为他们站在了物理AI爆发前夜的"数据供给"这个关键节点上。