#探寻人工智能,从技术到真实世界#
过去两个月,具身智能行业的融资环境还在收紧,很多数据服务公司的订单在缩水,有的甚至把原本300元一小时的采集价格压到了几十元。但就在最近两周,一家成立一年半的数据服务公司突然接到超过此前两个月总量的采购订单,而且下单的不只是具身公司,一些过去只询价不下单的通用大模型厂商也开始采购了。变化的时间点非常明确,就在GPT-6 Astra发布之后。
Astra带来的冲击首先体现在一个结果上:通用大模型直接控制机器人的成功率,已经超过了部分专用具身模型。英伟达在10月中旬做了一组测试,在物体抓取与放置任务里,Astra没有用机器人数据做专门微调,直接根据视觉信息和指令输出动作,成功率66.3%。作为对比,具身智能公司Physical Intelligence的专用模型π0.5,成绩低于这个数字。银河通用的测试也指向同样的结论,在RoboDojo任务里,Astra直接控制的成功率是26%,π0.5只有15.67%,但如果让Astra做决策、π0.5做执行,成功率能提高到48%。
为什么通用大模型能跨界干这件事?关键在机器人的大脑分工。业内通常把机器人的大脑分成三层:System 2负责理解场景和规划任务,System 1负责结合环境反馈调整动作,System 0负责底层运控。Astra的实验表现说明,通用大模型的能力已经能胜任System 2和部分System 1,原来属于具身专有模型的优势区间,被压缩到了剩下的一部分System 1和System 0。也就是说,通用大模型不是简单模仿了机器人操作,而是在空间理解、任务推理这些更接近智能本质的层面,直接覆盖了专用模型的工作范围。
这种能力从哪里来?答案是物理数据。野村证券的一份调研报告显示,从2025年9月到2026年八九月份,OpenAI采购了大约1000万小时的具身数据,约占美国市场供应量的70%。灵御智能CEO金戈的解释是,在Scaling Law之下,物理世界和非物理世界的数据是相辅相成的,把物理数据训练进大语言模型,同样能提升它非物理的能力。这等于给具身数据赋予了新的价值,也让过去只靠融资活着的数采公司重新有了订单。OpenAI不只是买数据,今年6月,Sam Altman公开招募机器人团队,宣布组建OpenAI Robotics,DeepSeek也在筹备具身业务,还领投了具身模型初创公司Winverse AI的种子轮,金额数千万美元。
但Astra的优势并不完整,它有一个明显的短板:慢。英伟达的测试报告里,Astra在RoboLab-120上直接输出末端目标时,平均每次推理的时间是18.56秒,Agent模式下依然需要13到18秒的思考时间。而具身专有模型π0.5只需要几十毫秒。社交平台上那些Astra操作机械臂的视频,大多是倍速播放的,正常速率下,它经常要停下来想下一步怎么做。在工厂产线或者家庭服务场景里,这种停顿会被成倍放大。
成本同样不友好。英伟达实验中,Astra直接输出一次成功动作,平均消耗16万个token,约合1.96美元;如果让Astra做规划、具身模型执行,一次要消耗1100万个token,约合17.72美元;再往上,让Astra根据交互历史调整动作,一次就要消耗3090万个token,约合36.40美元。这还只是一个动作的成本,放到商用层面,性价比很难成立。
所以现在最现实的分工方式是分层干活。规划层和语义层,比如任务拆解、场景理解、指令遵循,这些交给通用模型,做得更好也更便宜;毫秒级运动控制、力觉触觉反馈、本体适配,以及真机数据闭环的执行层,还是交给具身模型。这种分工意味着,具身智能行业的价值链会重新分配。自变量机器人创始人王潜有一个判断:智能的本体存在于数据里,模型更多是蒸馏器和容器,训练时是蒸馏器,部署时是容器。按照这个逻辑,高质量的具身数据,尤其是触觉、力控、力反馈这些无法通过计算和推理得来的数据,才是决定未来具身大模型竞争优势的胜负手。
Astra发布一个多月后,行业已经用行动给出了回应:数据订单回来了,本体公司的价值重新锚定,宇树在10月最后两周股价累计上涨超过70%,市值一度接近3000亿元,因为当大脑变成可插拔的商品,主机厂的价值重新落在了运动控制、本体可靠性和成本控制上。而做纯通用具身大脑的公司,不得不直面与基模大厂的同场竞争,一位投资人说得直接,如果没有1000张以上的算力卡,很难在未来的竞争中生存下来。通用大模型没有完全取代具身模型,但它把行业的边界重新划了一遍,数据、本体和专用执行层成了新的护城河,纯大脑叙事正在被压缩。