作者 | 王馨

编辑 | 汤安迪

9 月 7 日，网友在首都机场接驳车上，偶遇宇树科技 CEO   王兴兴，他全程盯着手机闷闷不乐。

他可能在看一场机器人格斗，思考这拳为什么打轻了。

9 月 7 日，宇树科技放出一段 38 秒的实拍视频：一台 G1 人形机器人与真人拳手对打。它会主动进攻，也会在对方出拳时收拳防守；被一脚踢中后退一步，又迅速站稳。

宇树称，这场对打由机器人自主完成，是 " 全球首次实现世界模型实时驱动的全自主人形机器人格斗 "。背后是一个叫   UnifoLM-X2-1.0   的 " 世界 - 动作大模型 "。

视频很快在网上引发热议。有网友追问，机器人的摄像头、帧率和反应速度，能否真正跟上真实对抗？

更多的人则是感叹，《铁甲钢拳》要照进现实了。

世界模型，跟上了出拳速度

以前的机器人格斗，大致分为两类：一类按预设动作表演，比如宇树在 2025 年进博会和 CES 2026 上的对打；另一种由真人通过 VR 实时操纵，比如旧金山机器人格斗赛事 REK。

但宇树这次把 " 人 " 拿掉了，也把 " 脚本 " 拿掉了。机器人自己在脑内预演对手下一步，再决定闪避、格挡还是反击。

这正是世界模型与普通动作策略的区别。

普通策略更像 " 看到动作 A，就执行动作 B"；世界模型则会多想一步：" 如果我执行 B，接下来会发生什么？" 就像机器人脑内的一块 " 预演屏 "。

但真正的难点，是让这一步 " 想象 " 跟上拳速。

世界模型过去多是离线用，生成视频、做仿真、造数据，慢一点也无妨。但格斗是另一回事，对手肩膀一动，留给机器人的反应时间只有几十到几百毫秒。系统要在这段时间里完成感知、预测、攻防决策和全身控制，被击中后还要迅速找回平衡。

换句话说，宇树是把一个原本 " 慢悠悠做仿真 " 的工具，硬压成了一个 " 实时做决策 " 的引擎。

相比之下，NVIDIA Cosmos 等世界模型目前公开展示的重点，仍主要是生成合成数据、构建仿真环境，以及缩小仿真与现实之间的差距，而不是拿来实时控制机器人。

而 " 格斗 " 作为一个绝佳的验证场景，不是图猎奇，而是因为它把 " 实时反应 + 物理理解 + 动态交互 " 压缩到了最极致。

机器人过去只是把拳打出去，这一次，它开始尝试在出拳之前先想一步。

宇树机器人，正在补上 " 好脑子 "

宇树过去经常被业内评价为" 小脑强于大脑 "。

运动控制、关节协调和平衡能力是它的看家本领，从后空翻、武术表演到登上春晚，都在证明这一点。

而负责理解环境、自主规划和完成陌生任务的具身大模型，一直是它的短板。

从 2025 年 9 月起，宇树明显加快了补 " 大脑 " 的速度：

先搭模型框架。  UnifoLM-WMA-0 负责预测机器人与物理世界如何互动；随后发布的 UnifoLM-VLA-0，把视觉、语言理解和动作生成接到一起，并用一个策略完成 12 类操作任务。

再补数据和真实场景。  2026 年初，UnifoLM-X1-0 进入宇树自己的工厂，试点装配关节电机；3 月开源 UnifoLM-WBT 全身遥操作数据集；此后的 WVLA2.0 和 UnifoLM-OminiA-0.3，又把模型带进会议室整理、家居和康养场景。

最后把速度推到极限。  到 9 月的 UnifoLM-X2-1.0，世界模型开始尝试实时驱动全身对抗。

看这条时间线就明白，X2 这一拳不是突然冒出来的，是一年布局的兑现。

其中最关键的是两条技术路线。UnifoLM-WMA-0 以视频模型为基础，预测机器人行动后世界会怎样变化，同时生成动作。

UnifoLM-VLA-0 则把视觉、语言和动作连起来，让机器人理解指令并执行任务。

通俗地说，VLA 负责 " 看懂环境，理解要做什么 "，WMA 负责 " 预想这样做会发生什么 "，小脑再把选定的动作稳稳做出来。X2 的意义，就在于将这几层能力接成了实时闭环。

这条转向也被写进了资本投入。宇树于 2026 年 8 月 19 日登陆科创板，原募投计划总额为 42.02 亿元，其中约 20.22 亿元投向智能机器人模型研发，覆盖 " 大脑 "" 小脑 " 以及数据和训练平台。

不过，" 补上大脑 " 还不等于拥有了通用大脑。宇树现在有了 WMA、VLA 两条路线，也积累了工厂、家居和格斗等场景，但这些仍是边界相对明确的任务。把机器人放进一个完全陌生的家庭，仅靠一句话完成各种日常工作，难度要高得多。

王兴兴给出的标准是：机器人能在 80% 的陌生场景中，仅凭语音或文字指令完成约 80% 的任务，具身智能才算迎来 "ChatGPT 时刻 "。他判断，这一刻快则还要两三年，慢则可能需要五到十年。

真正的较量，在擂台之外

X2 让宇树的 " 大脑 " 第一次有了足够醒目的展示，但它不是终点。

人形机器人真正的竞争，也不是谁出拳更快，而是谁能更早走出规定明确的演示场景。

海外的 Figure、波士顿动力和 NVIDIA，分别在长时序操作、" 大脑 " 与 " 身体 " 融合、基础模型与仿真平台上发力。

国内的这几家，众擎把格斗做成了 URKL 人形机器人联赛，继续强化高动态运动；优必选用 Walker S2 深入工业制造；银河通用主攻零售、工业和医疗服务；星动纪元 同时布局 VLA 模型与物流场景；小米则发布 Xiaomi-Robotics-1，探索机器人在陌生环境中的跨任务操作能力。

相比之下，宇树的优势，是已经有一副能跑、能跳、能打，而且成本相对可控的身体。它现在要做的，是把新的 " 大脑 " 接上这副身体。

难点也正在这里。世界模型不仅要预测未来，还要跑得足够快、符合物理规律，并与机器人的动作准确对齐。宇树此前也承认，高质量视频预测计算量大，很难达到 20 Hz 以上的实时控制要求，也就是每秒至少完成 20 次感知和动作更新。

所以，宇树这一拳至少撕掉了 " 身体很强、脑子不行 " 的旧标签，但它证明的是可行性，还不是通用性。

格斗是最难的场景，也是最 " 取巧 " 的场景。它把 " 泛化 " 这个真正的难题暂时关在了擂台外面。

世界模型这条路能不能从擂台走到厨房，才是宇树接下来要回答的问题。而那个时刻，比任何一场格斗都更值得期待。

•END •

Question. Write. Narrate. Believe.  

Become a story.

易简传媒的愿景是提问和传播商业故事，让读者更开阔，更聪明。有 2500 万微信粉丝关注我们的账号，欢迎大家关注：

↓↓↓