宇树科技的AI具体在哪里？
拆解三大算力阵地：本地、云端、训练中心

提到宇树科技，很多人第一反应是能跑、能跳、会格斗的人形机器人、四足机器狗。但不少人容易混淆一个问题：它的AI到底是装在机器人身上，还是放在远程服务器？

宇树并不是简单把一个大模型塞进去，而是分成机器人本机硬件算力（本地端）、云端大模型服务、研发训练中心三大部分协同工作，运动控制算法固定跑在本体，对话推理支持本地/云端两种选择，分工非常清晰。

一、本地端：机器人本体算力，是机器人的“小脑”，负责保命和动作

这是大家肉眼能摸到、跟着机器人走的AI算力单元，也是宇树最核心的优势所在。
每一台G1、H1人形机器人、Go系列四足机器狗本体，都搭载独立机载计算单元，专门承载运动控制算法。平衡、行走、小跑、爬坡、摔倒自恢复、关节力矩调节、基础避障、SLAM定位这些实时动作闭环，全部在本地完成，不需要联网、不依赖云端。

这一点非常关键：运动控制对延迟要求极高，一旦依靠网络传输，网络波动、断网就会直接导致摔倒、失控。所以宇树把这套底层控制策略固化在端侧算力里，断网状态下，机器人依旧可以稳定行走、保持姿态，基础感知能力正常工作。

除了小脑运动算法，机载算力也可以部署轻量化小模型：简单语音对话、基础视觉识别、简易指令理解，这些轻量化推理可以本地运行，实现离线交互。
但本地硬件的功耗、显存上限有限，复杂长任务规划、多轮深度对话、高复杂度世界模型推演，单纯靠本体算力很难跑满，这就需要云端来补充 。

一句话总结本地AI：动作控制永远本地跑；简单对话可选本地轻量化模型。

二、云端大模型服务：机器人的“大脑”，负责高阶认知

云端是宇树的高阶推理阵地，机器人通过网络把视觉画面、语音指令、传感器数据上传，由云端大模型完成理解、任务拆解、逻辑推理、多步骤任务规划，再下发动作指令给本体执行。

适用场景：复杂自然语言对话、开放式任务拆解、复杂场景语义理解、长序列任务编排。
举个例子：“帮我把桌面上的水杯拿到隔壁桌子，然后把垃圾丢进垃圾桶”，这种需要多步骤规划、理解环境逻辑的任务，更适合云端大模型处理。

这里要划一个容易踩坑的重点：推理不是强制云端。宇树采用可选模式，开发者和客户可以根据场景需求切换：

- 涉密、无网络、工业现场：优先本地轻量化推理；
- 展厅、商用服务、开放交互场景：接入云端，获得更强的理解能力。

短板同样明显：依赖网络。一旦网络中断，云端的高阶认知、复杂任务规划会失效，但机器人的行走、平衡、基础避障这套运动控制不受影响，不会直接瘫痪。

三、研发训练中心：AI的“加工厂”，不直接给机器人实时推理

很多人会把训练算力和推理算力混为一谈，这也是最容易误解的地方。
不管是本地跑的运动策略、VLA视觉语言动作模型，还是对接云端的大模型，都不是凭空出现的。宇树专门搭建研发训练算力集群、仿真平台、数据采集实验室，这就是第三块AI阵地。

它的作用是：采集机器人真实环境数据、在仿真环境里做强化学习、预训练具身模型、调优动作策略、迭代世界模型，把训练收敛后的算法、轻量化模型权重，打包下发到机器人本体，或者部署到云端推理服务中。

训练中心不跟着机器人实时在线干活，它是后台迭代工厂，负责生产、优化模型；训练完成之后，模型才会分流到本地端或者云端去做推理。
像大家看到的机器人格斗演示里的高复杂度世界模型推演，部分版本的重算力推演，现阶段是在外部服务器/训练集群运行，并非原生机载能力，属于实验室验证方案，还在持续压缩、向端侧迁移的过程中。

总结一张极简逻辑

1. 本地本体算力：核心=运动控制（必跑本地）；附加=轻量化识别、简易对话（可选本地推理），低延迟、离线可用；
2. 云端大模型服务：核心=高阶对话、复杂任务规划（可选开启），能力更强、依赖网络；
3. 研发训练中心：核心=模型训练、仿真学习、数据迭代，是后台工厂，不做机器人实时交互推理。

宇树这套架构的底层思路很务实：把不能等、不能断的运动安全留在机器人身上；把吃算力、强理解的认知能力放在云端；训练集群持续迭代两套模型，不断缩小本地和云端之间的能力差距。

在具身智能赛道里，不是算力全部堆在机器人上就代表先进，这种分层部署，也是目前人形机器人商业化落地里主流的工程取舍路线。

免责声明：本文内容仅为技术架构科普，不构成任何投资、产品采购建议，技术方案随版本迭代持续优化，具体能力以宇树官方文档、产品规格为准。
机器人宇树 宇树H2机器人