这两家企业近期常被业内以“南宇树北银河”的说法同时提起，分别代表着硬件本体和软件大脑的两条核心技术路径。在这场大会上，Omniverse与仿真模拟技术副总裁 Rev Lebaredian、宇树科技创始人王兴兴与银河通用机器人创始人及CTO、智源学者王鹤罕见同框，三人围绕
就像当年押注OpenAI一样，黄仁勋正在重注中国未来的具身智能巨头，但不同的是，黄仁勋这次把筹码分散下注在了多家中国机器人公司身上。
本次大会，众多英伟达的机器人生态合作伙伴亮相，除了上述银河通用和宇树科技，中坚科技、傅利叶智能、北京创新中心、加速进化、星动纪元、逐际动力、优必选、乐聚机器人、星海图、众擎机器人等也悉数现身。
此前，英伟达在CES 2025一次性展示的 14 款中，也有 6 款来自中国；在北京 2025WRC 现场，又把这些中国伙伴放到舞台 C 位，无疑再次凸显了英伟达利用中国供应链、场景与数据红利的策略 。
可以看到，英伟达的机器人生态并非简单采购关系，而是以“算力-仿真-数据”三环相扣的基础设施，把分散的硬件本体、垂直场景、算法团队编织成一张可快速商业落地的网络。
从英伟达的布局来看，涵盖了具身智能、机器人、多场景应用等多个关键领域。在技术层面，借助合作伙伴在硬件研发和软件算法的创新，结合自身的AI技术、仿真技术以及机器人超级计算机，构建从模型训练、仿真测试到终端部署的全栈机器人技术体系；
在市场应用方面，英伟达通过与不同特点的企业合作，覆盖工业制造、商业零售、物流、城市服务、教育、娱乐等多元场景，加速机器人在各行业的渗透和普及。
其中，银河通用自研的、内置英伟达Thor芯片的人形机器人Galbot，就在本次WRC大会上引起了关注。记者在大会现场的搬运任务展示环节看到，Galbot可快速滑步至货架，自主完成装卸动作，全程无需人工干预。
英伟达把专注不同环节的两家标杆性企业同时放进生态，或有对冲风险和加速收敛之意。
本次三人对谈内容涵盖其大规模商用过程中的难点、面临的关键挑战、存在的技术瓶颈与发展风向，人形及双足设计的必要性，中国企业在物理AI与机器人领域的优势，以及预计将率先实现普及的应用场景等方面。
Rev Lebaredian率先抛出了主要论断：过去计算主要影响信息世界，而现在借助人工智能，计算能通过机器人进入物理世界，连接信息与物理世界，挖掘100万亿美元物理世界市场的潜力。
中国在AI人才（全球近半）、电子制造能力、制造业基础（提供机器人部署测试场景）上具有独特优势，是物理AI和机器人发展的理想之地。
在英伟达的机器人相关布局上，Rev Lebaredian表示，需打造机器人本体计算机（如Jetson Thor）、AI工厂计算机（如DGX系统）、仿真计算机三类计算机，分别用于机器人内部运行、开发“大脑”、生成数据和测试。
对人口与机器人关系的看法上，他认为，机器人数量与生育率无直接关联，但机器人可作为“人工人口”提升生产力，应对人口缩减带来的经济问题。
王兴兴将人形机器人视为通用机器人的重要载体，结构相对简单（由关节电机串联而成），未来有望像组装电脑一样普及，且通用AI成熟后对硬件要求会降低。
对于宇树的产品进展，王兴兴披露，此前发布的人形机器人售价9.9万元，新版本降至3.9万元，具备竞争力，外观可定制，现货供应且年底量产。
技术与应用上，利用NVIDIA的Isaac Sim平台训练机器人动作，但受硬件物理极限限制，复杂动作执行受限；
自主开发20自由度灵巧手，目标是让机器人执行日常任务；通过采集人体动作数据结合深度强化学习训练动作；
王鹤则表示，银河通用的目标是打造通用机器人，其核心要素包括本体、具身智能模型、数据支撑。
未来与商业化方面，银河通用商业化落地案例包括全球首个24小时智慧药房解决方案（签约超100家药店）、24小时智慧零售店项目（已在部分城市落地）。
他表示，未来十年人形机器人产值增长迅速，市场规模有望超越当前工业机器人。限制人形机器人规模化部署的关键是干活能力不足、任务类型有限，解决目标识别和定位问题后，市场规模可观。
1、 宇树R1定价3.99万元，这是否意味着硬件成本已不再是影响机器人商业化的障碍？现阶段，推动人形机器人规模化商用还存在哪些难点？
王兴兴：我一直认为，人形机器人商业化的关键不在成本和硬件。毕竟哪怕一台机器要10万、100万，只要能用，很多场景照样能落地。
现在最棘手的问题是具身智能模型的泛用性和实用性还不够。其实硬件在过去一两年就已经够用了，后续无非是在可靠性、成本上再优化，但它并非限制因素。
王兴兴：未来机器人会更实用，但发展周期较长，像新能源车一样，成熟需要时间。现在的机器人技术才发展两三年，和十几二十年前的技术水平完全不同，不能混为一谈，整体还需时间培育。不过行业成长迅速，未来几年人员和出货量有望每年翻倍。
若有更通用的AI大模型，机器人在工厂、家庭等更多场景的表现会更好，也更容易普及。整体来看，普及周期会更长，尤其是家用领域，难点不在技术，而在伦理、安全等要求高，导致普及门槛高。
3、今年，许多人形机器人已开始在汽车工厂进行训练。机器人真正能在工厂车间投入工作还需要多长时间？还有哪些关键挑战需要解决？
王鹤：今年，不少人形机器人已开始在汽车工厂接受训练。目前多数公司在工厂推广这类机器人，主要聚焦搬运和分拣两大方向。
搬运方面，银河通用近期展示的机器人视频显示，其搬运速度已接近人类，每小时搬运量与人类相当，现已非常接近实际工厂部署水平，预计今年年底可能有几十台投入车间实际应用。
但搬运只是开端，还需实现码垛的闭环能力。只有搬运和码垛均形成闭环，机器人才算真正胜任整套工作流程，否则任务只完成一半，效果会打折扣。
分拣则是更大的挑战。无论是从传送带取物还是从货架取货，当前最大的难题是速度。熟练工人取物速度很快，而机器人目前在模型和硬件层面，还难以达到这样的效率。
我们研发的零售机器人，从货架或桌面取物的技术本质与工业分拣类似，只是零售对节奏要求较低，拿错货的后果也较轻。但在工业场景，比如汽车制造厂，生产线停机一分钟就可能造成上万元损失，因此对分拣的精度和速度要求极高。
总的来说，分拣技术虽已有不小进步，但目前尚未达到人类工人的水平，仍需一定时间进行技术迭代和突破。
王鹤：最核心的问题很简单：机器人干活能力还不够强，能做的任务类型有限。但如果能把这些有限技能做到足够通用，就能快速赋能很多场景。
银河通用目前最主要的突破在“抓取”和“移动”上。只要机器人能抓住任何物体，能在场景中完成下肢移动、上肢伸展，最后准确放置物体，这三个能力具备了，很多应用场景就能落地。这背后需要精准的目标识别和定位系统，我们目前正通过合成数据推进这项技术。
当然，就算解决了这个关键问题，仍有不少任务是机器人暂时做不了的。但只要攻克了目标识别和定位难题，人形机器人市场至少能达到千亿级规模，而且五年内就能看到成效。突破这个技术瓶颈后，有了庞大的市场投入，机器人肯定能解锁更多技能，向万亿市场迈进。
机器人形态与技术路线、国内外专家和企业对“人形”的必要性争议不断，有人认为人形是AGI的最终载体，有人认为未来十年人形机器人的占比只有10%，银河通用如何看待人形的必要性？
未来十年，人形机器人的市场占比会很可观。目前全球工业大机械臂总产值约1000亿元，而人形机器人按10万元一台算，销量不用太高就能超过这个规模。我预计它的产值每三年会翻10倍：现在头部企业卖1000台，三年后能到1万台，再三年到10万台；按每台几十万元算，10万台就能达到千亿元规模，超过现有工业机械臂的总产值。
所以未来十年，人形机器人市场规模会超过当前所有工业机器人；再往后十年，甚至可能达到万亿级，超越汽车、手机市场。
6、针对具身智能大脑的基础模型，宇树科技主要聚焦哪些方向的探索？能否透露一些具体内容？
我们公司尝试过不少方向。比如去年探索用视频生成模型作为“世界模型”来驱动机械臂并实现动作对齐，取得了一些效果，但这类模型训练规模太大，受限于公司的算力和投入，没能大规模推进。而且我们发现其泛用性也没达到预期，后来就没再继续。不过最近谷歌发布的新视频生成模型物理对齐效果很好，还公开尝试将其作为世界模型用于机械臂和通用智能，这让我觉得这个方向值得重新探索。
受公司规模、算力和人才限制，我们只是初步尝试，没有深入。但谷歌的成果证明了其潜力——视频生成模型在时间维度、数据源和效果上已达到不错水平。比如生成机器人打扫全屋的视频后，理论上只要让机器人动作与视频对齐，就能实现类似效果，只是目前对齐工作仍复杂且有挑战。这个方向对机器人应用和视频生成技术本身都很重要，大公司也会持续投入优化。
如果机器人能高效完成任务，腿的控制自然不会差；反过来，要是连腿都控制不好，说明还没达到真正通用的AI模型水平。所以双腿是一个重要的发展方向。对我们公司来说，深耕腿部技术顺理成章，而且这个方向本身也很有吸引力，大家普遍认可。再者，要是都去做轮式底盘，容易陷入同质化竞争，没必要。我们专注腿部研发，希望提升机器人的整体运动和作业能力，这个方向很有前景。
我也做过轮式底盘，清楚轮式和腿式各有优劣，且随着时间变化。目前轮式在工业开阔场景和货架间穿梭时，稳定性好、能耗低，但面对复杂环境可能受限；底盘做小了，稳定性又会下降。所以不同阶段，机器人下半身的方案必然不同。但我坚信腿是未来——它能让上半身触及更大范围，还能灵活调动腰部。不过不同阶段有不同的最优落地形态，我们不会局限于单一方案，现在同时用轮式底盘和人形机器人做全身控制研究。
8、在像医疗和养老这样高精度应用场景中，NVIDIA Omniverse如何确保用仿真数据训练的机器人具备可靠性和安全性？
Rev：如果你想构建一个能够在现实世界中行动且安全可靠的机器人系统，实际上唯一的选择就是使用仿真。举个例子，你希望系统足够智能，能够应对那些很少发生的特殊情况，甚至应对你希望永远不会发生的紧急情况。以自动驾驶为例，我们绝对不希望车撞到人或者孩子，但当街上出现小孩时，车辆的大脑该如何反应，如何获取训练这类系统的数据呢？唯一的办法就是通过仿真。因为我们绝不可能将孩子置于汽车前作为训练样本，这样做是不道德的、危险的，而且耗时且昂贵。
即使训练完系统，在将它部署到现实世界之前，也需要在这些相同场景中进行测试，确保在真正发生类似情况时，它能够正确反应。因此，真正的选择只有通过仿真实现，因为现实世界测试过慢、成本高且危险，我们不希望机器人在现实世界先失败。换句话说，如果我们无法让仿真足够准确以测试机器人，那么我们将无法制造出可靠的机器人。幸运的是，目前已有非常准确的仿真器。不过，这些仿真器计算量大且成本高昂，我们面临的真正挑战是如何提升仿真速度，使其在大规模系统构建中具有成本效益，这也是我们一直努力的方向。