8月21日，摩尔线程创始人、董事长兼CEO张建中在2026世界机器人大会上表示，具身智能产业正迎来类似大模型的“ChatGPT时刻”，而算力底座是决定这一时刻何时到来的关键因素。

在他看来，语言模型已经跨越万亿参数门槛，具身智能模型同样将在Scaling Law驱动下，从十亿、百亿级向千亿、万亿级参数进化。与模型规模一起扩大的，还有背后的智算集群：从千卡走向万卡，再进一步向十万卡迈进，已经成为必然趋势。

宇树科技创始人王兴兴在本届世界机器人大会上提到，目前很多机器人AI模型在固定场景经过充分训练后，成功率已经可以接近100%，但只要操作物品或者环境发生变化，成功率就会明显下降。他指出，人工智能模型在机器人决策和交互方面的局限性是该行业最大的瓶颈。

而今年上半年，中国已经交付超过4万台人形机器人，占全球人形机器人出货量的97%。随着越来越多机器人进入工厂、物流等更多环境，模型需要学习的动作、物体和场景也会越来越多。

这也意味着训练规模必须跟上。具身智能除了基础模型训练，还需要大量仿真数据，并进行强化学习和Sim2Real等训练。业内认为，训练高质量具身大模型所需的数据量可能达到千万甚至上亿小时。 要处理的数据和训练任务越来越多，最终就会直接推高对底层算力和大规模智算集群的需求。

行业已经开始提前为这种变化准备算力。摩尔线程此前已经构建万卡级GPU的夸娥智算集群，并向十万卡持续扩展；昆仑芯于2025年点亮万卡集群后，同年4月已经扩大至3.2万卡；中科曙光也于7月落成“曙光8000”十万卡超集群；华为规划2026年第四季度推出Atlas 950 SuperCluster，由64个超节点组成，连接超过52万张昇腾卡，目标直面未来万亿乃至十万亿参数模型训练。

模型与算力的持续Scaling，最终指向机器人行业的“ChatGPT时刻”。王兴兴在本届世界机器人大会上给出了一个更具体的判断，他认为，理想情况下，具身智能的“ChatGPT时刻”可能还需要2至3年，更长则可能需要5至10年。

在王兴兴看来，真正的标志是当进入陌生环境后，只需要通过语言或文字下达指令，机器人就能够在80%的陌生场景中完成约80%的任务。目前机器人距离这个目标最大的差距，仍然是AI大模型与真实物理世界之间的对齐偏差。

十万卡不是终点，而是具身智能持续Scaling下的必然趋势。当机器人的通用能力真正跨过临界点，具身智能才会迎来自己的“ChatGPT时刻”。

本文系观察者网独家稿件，未经授权，不得转载。