机器人被寄予厚望，却始终没能像大语言模型那样，迎来一次让普通人真正用起来的“ChatGPT 时刻”。英伟达的 Les Karpas 在 TechCrunch Disrupt 2026 上给出了他的解释。
发生了什么
据 TechCrunch 报道，机器人行业仍在等待一次真正意义上的突破——从实验室和工厂走向日常生活。英伟达的 Les Karpas 在 TechCrunch Disrupt 2026 的分享中，专门回应了“为什么这一天还没到来”这个问题。目前公开的信息仅止于此：这是一场关于机器人产业瓶颈的演讲，主办方同时在为 9 月 25 日前报名的参会者提供票价优惠。
为什么重要
过去几年，生成式 AI 的爆发几乎完全发生在数字世界：文本、图像、代码、视频。模型能力一旦跨过某个阈值，产品体验就会突然变得“可用”，用户量随之起飞。机器人面对的是另一套约束——它必须在物理世界里感知、决策、执行，任何一个环节出错都可能带来真实后果。
这也解释了为什么“具身智能”喊了多年，落地场景仍集中在结构化的工业环境。数字世界的模型可以靠海量数据快速迭代，物理世界的数据却昂贵、稀缺、难以规模化采集。硬件成本、安全边界、可靠性验证，每一项都在拉长从演示到量产的距离。英伟达长期为机器人提供仿真、训练与推理的底层算力，它的视角因此具有参考价值：瓶颈未必在单一技术，而在于整条链路的成熟度。
影响与看点
对开发者而言，值得关注的是机器人栈正在被“软件化”——仿真训练、合成数据、通用基础模型，正在把过去高度定制的工程问题，转化为可复用的模型问题。如果这条路径成立，机器人应用的开发门槛会像今天的 AI 应用一样快速下降。
对行业来说，真正的信号不是某段炫技演示，而是能否出现稳定的通用能力底座，让不同形态的机器人共享同一套“大脑”。对普通用户，短期内更现实的期待是仓储、物流、制造等场景的持续渗透，而非家庭保姆式机器人。
一个判断：机器人的“ChatGPT 时刻”大概率不会来自某个单点突破，而是感知、数据、算力与安全验证同时跨过门槛后的结果——它会更慢，但一旦到来，影响面可能比纯软件更大。
