GPT-6 Astra 掀起的具身智能风暴仍在持续。

9 月初，OpenAI 发布 GPT-6   Astra，随后几天一段段机械臂视频在社交网络上传播。新模型无需额外训练，直接操控机械臂抓取，放置物体。独立评测机构 Robocurve 的实机测试显示，在双臂机械臂执行 " 抓取方块并放入碗中 " 的任务上，Astra 取得 95% 的成功率，明显高于 Claude Fable   5.1 的 40%。

接着，GPT-6 Astra 吃掉具身智能、大模型降维打击具身智能的说法迅速在圈内流传。

一位具身领域的创业者对我们说，最近行业群里讨论最多的就是这件事，有人觉得此前的一些具身路线要被推翻了。亚马逊 Alexa 首席科学家 Zeeshan Zia 公开断言，" 机器人领域的 OpenAI 可能就是 OpenAI 本身，而不是 Physical Intelligence 或 Skild。"

国内互联网上，GPT-6 Astra 也点燃了具身领域人士发表看法的热情。前地瓜机器人具身负责人何泳澔（现为虚时科技 CTO）甚至认为，VLA、世界模型这类方案，可能已经没有太大投入的价值了，具身的突破大概率来自基模大厂。

" 这个冲击太大了，没想到那么快。" 何泳澔对我们说。

极佳视界首席科学家朱政几乎有着同样的判断，他在社交网站上写道，" 语言模型已经吃掉了多模态，正在蚕食具身智能的路上，未来 1 到 2 年是关键点，具身智能团队必须加快节奏，现在具身智能没有什么真正的护城河。"

过去一周，Astra 成为具身领域的高频词汇，它掀起的风暴还吹到了外滩大会上。一夜之间具身模型公司的危机感似乎更重了。

共识与分歧似乎同样清晰，对具身而言 GPT-6 确实改变了一些东西，或者说正在改变一些东西。

01   

OpenAI 等模型公司从中国购买具身数据

大模型控制机械臂似乎并不新鲜。华为具身研究员钟子明告诉《白鲸实验室》，GPT-6 能控制机械臂本身是很 trivial（微不足道）的，机械臂的控制信号本质上就是上下左右和夹爪开合，不是 GPT-6 也能控制。

当然，这里面还存在一个成功率的问题，根据第三方评测，Astra 的成功率远高于 Claude Fable5.1 和其他模型。

更值得注意的是，在没有针对具身任务做修改的情况下，Astra 控制得比此前的专用模型如 π 0.5 更好。这也是令很多业内人士感到震惊的地方。

Astra 为什么能较好地控制机械臂执行任务，自变量机器人创始人王潜在外滩大会上给出了更根本的解释。他透露，从去年年初开始，OpenAI 和 Anthropic 就在大量采购机器人数据，并有自己的小规模数据工厂，还招募了不少机器人方向的人员。

" 一个非常好的多模态模型，里面加了很多机器人数据，能做这种事情好像真的不是什么特别奇怪的事情。" 王潜说。

晴岚视界 CTO 刘斯坦向我们证实了这一点，几个月前他们公司收到了很多数据订单，有的来自北美头部大模型厂商。" 他们做的事情就是给你一堆东西，让你指出这些东西的空间位置，谁在谁的左边、前面、后面，明显就是用来训练空间理解能力的。" 刘斯坦说。

因而，OpenAI 通过采购机器人数据训练出的新模型，让国内一众具身创业者折服就不足为奇了。不过它的表现也并不是那么完美。

破壳机器人创始人、清华大学交叉信息研究院助理教授许华哲，认为 GPT-6 Astra 是相当惊艳的，他们团队在 Astra 可用当天就做了测试。

他给出的结论是，如果把具身任务拆成语义泛化、空间泛化和物理泛化三个维度，Astra 在前两项上很强，只在物理泛化上较弱。

Astra 甚至能抓起一根放在桌面上的筷子，这种小物体此前需要机器人顶住桌面、打滑才能抓起，还能把筷子立起来插进杯子里。但一旦涉及带物理接触的复杂任务，比如用筷子挑开东西、叠衣服、叠盒子，Astra 都是做不了的。

这就是当前的真实边界。Astra 证明了通用大模型可以解决具身中的语义理解和空间推理问题，但对于那些需要接触力、变形、摩擦的精细操作，仍然是专用具身模型的阵地。

刘斯坦并不认为 Astra 很惊艳。他在深圳的实验室和中山大学张瑞茂教授团队密集测试了 GPT-6，最后他的结论是，很多被认为只有 GPT-6 能做的事，拿 Gemini、Claude 或者千问，也能干。

为何这次讨论的比较多，本质上是大家对大模型能力在具身方向的一种新的发掘。换句话说，Astra 引起具身领域的恐慌中有一部分是认知差，大模型的能力边界一直被低估，而 Astra 很可能只是把它推到了物理世界的门口。

不过更多的人还是相信 Astra 很快将会改变一些什么，妙动科技创始人杨硕的预测代表了这种乐观派的判断。

他说，两个月内可能看到人形机器人带着 Astra 水平的 Agent 走来走去做家务，六个月内各 AI 模型公司的空间理解能力会逐步增强，甚至有人会谈论一种新的模型 Spatial-Language-Model ( SLM ) ,   把原本 Vision-Language-Model ( VLM ) 的空间理解能力大幅提升。

刘斯坦对此保留态度，" 高频调用是不可能的，你给 GPT-6 说一个 hello 他都能想那么久，他怎么可能让机器人做家务？如果是低频率的规划思考，那其实我们已经在用了。"

大脑与小脑的分工

目前 Astra 还没能给具身领域带来实质性的改变，大多存在于猜想当中。真正值得关心的问题是，如果 Astra 不能替代具身模型，那它和具身模型之间应该是什么关系？

答案很可能是分层模型，分层模型被认为是和 VLA、世界模型不同的技术路线。上层是通用大模型，负责语义理解、任务规划和调度，下层是具身专用模型，负责感知、控制和物理交互。

华为具身研究员钟子明用一个具体场景解释了为什么必须分层。" 你跟机器人说帮我做个饭，它应该先规划做饭有几个步骤，然后说第一步我要找到锅铲，如果当前视角没有，就把拿锅铲这个任务打断，改成去找锅铲。" 这种调度能力，目前所有具身模型基本都没有。

而一旦锅铲掉了、被人拿走了，机器人需要判断并重新规划。这正是大模型擅长的纠错闭环。

类比大模型的发展，早期语言模型只能写一段代码，后来加上 Harness（执行环境），就能写完代码自己跑、跑出错误自己改。具身也需要这样一套 Harness，大模型做大脑，世界模型或 VLA 做执行，前者负责 " 做什么 "，后者负责 " 怎么做 "。

钟子明判断，Robot Harness 可能是具身下一个必然经历的阶段，只是目前具身还停留在相当于大模型写代码的那个阶段。

但这个架构有一个绕不开的工程问题，就是频率。

刘斯坦算了一笔账。人脑在静息状态下大概只有 15 瓦，思考时也不过 30 瓦，而一个跑在 4090 显卡上的大模型，能耗是几百瓦，而且推理频率极低。物理世界的运作有天然的高频要求，机器人保持平衡需要 50 赫兹以上的控制频率，也就是每 20 毫秒一次反馈。

" 你 20 毫秒输入的命令都还没到达 OpenAI 的服务器，机器人已经倒了。" 刘斯坦说。

他不认可 GPT6 对具身智能会产生多大的威胁，并用一个生动的比方解释了 GPT   6 控制机械臂，" 现在 GPT6 做具身，相当于用大脑去干小脑的活。" 一个小脑受损的人，靠大脑思考每一步肌肉动作，也能扶着墙站起来，但这和人类真正多频率、高效节能的运动模式差得很远。

按照刘斯坦的说法，未来大模型内部会分化出不同频率的模块。他预测，也许到 GPT-8，云端大模型会划出极小的一块专门负责高频运动控制，通过 6G 网络和本体实时通信，把图像传上去，巨聪明的一个大脑，只激活那个神经系统的一丢丢，然后把动作发回来。

在那之前，端云协同是更现实的方案。机器人身体里跑一个高频的专用模型负责走路和操作，需要通用知识时再调用云端大模型的 API。" 我叫一个机器人教小孩子做作业，可能需要物理知识，这个时候调个 DeepSeek 的 API 就好了。正常走来走去干个活，这些都用不上。" 刘斯坦说。

刘斯坦和公司首席科学家正在研究的课题，正是这种分层的端云协同架构。

关于频率的问题业内也有一些人在思考。前地瓜机器人具身负责人何泳澔认为，未来可能会出现一种高频执行器，在一个很短的时空中，在确保没有 agent 反馈的时候能够继续流畅完成接下来的动作，大概率会是以小脑概念存在。

还有状态验证器，关键事件的判断，如失败恢复，细节处理，完成判定等。

这实际上意味着，具身智能的架构可能不会简单地变成 " 一个大模型包打天下 "，会逐渐形成不同频率、不同职责的分层系统。

大脑负责理解任务、规划路径和做高层决策，小脑负责高频、连续的动作控制。而状态验证器则像一个持续运行的 " 裁判 "，判断当前动作究竟有没有做对，任务进行到了哪一步，以及什么时候需要重新规划。

真正核心的可能还是数据

架构之上，决定胜负的可能还是数据。

今年是具身智能数据备受关注的一年。2026 年 4 月智源社区专访中，上海交通大学助理教授穆尧提出 " 数据为王 " 的概念，并认为 2026 年会是具身数据规模化的元年。

这个说法也得到了一些具身企业的响应。智元机器人孵化的觅蜂科技，其 MEgo 系列无本体采集设备已量产交付超 2 万套，累计产出超百万小时无本体数据，覆盖 22 大类场景、万余个真实环境和 500 余种细分任务。宇树科技则在 IPO 募投项目中明确将数据采集列为研发投入方向。

自变量创始人王潜在外滩大会上提出了一个判断，" 今天智能的本体是存在于数据里面的，模型更多的是蒸馏器和容器。"

他认为，语言模型每一代的提升，一部分是因为模型的规模在变大，这个更多的是 Infra，更大的其实是因为越来越好的数据。Coding 先被解决，因为它是最容易制造和验证的数据，数学紧随其后，3D 和视频生成也因为相对容易标注而快速进步。

具身数据是最难制造、最难验证的一类，这既是壁垒，也是瓶颈。

2026 年关于具身数据路线的分歧已经公开化。例如苏度科技押注仿真，韩铮的团队在 2024 年重构了整套仿真数据管线，去年底在抓取、放置、组装类任务上实现了物体和环境几乎无限制下的接近 100% 成功率。

他的理由很朴素，真实数据收集效率慢、质量受限，仿真是绕不过去的。

蚂蚁灵波则更坚持真实数据。首席科学家沈宇军的论点是第一性原理的，机器人最终只能依赖身上的传感器做观测，而真实传感器一定有误差。他们测过很多真实传感器和仿真输出，基本上千差万别，不管是频率、幅值、传感器之间的一致性。

如果 Real-to-Sim（把真实传感器特性搬进仿真）不可规模化，那么只谈 Sim-to-Real 的差距缩小意义不大。

而在真实数据这边，" 十万小时 " 的叙事正在被祛魅。华为具身研究员钟子明透露，某具身数据公司喊出十万小时，他实际下载下来只有一万小时。

什么才是好数据，正在成为具身智能行业最核心的竞争壁垒之一。数据怎么采、怎么筛、怎么配，以及哪些数据真正能提升模型能力，可能只有少数头部团队掌握了完整答案。好数据还必须和训练方式绑定，比如要做 ICL（上下文学习），数据里就得有 " 机器人做 " 和 " 人做 " 的对应关系。

" 具身到底想要什么样的数据，什么样的标注，这些基本都是黑盒。" 钟子明说。

比数据更深层的分歧是范式。沈宇军认为，具身不会简单复刻数字大模型的技术路线，数字世界的模型是轮次式的，你问一句，它答一句。但机器人必须一边工作一边推理，传感器输入 7 × 24 小时不间断。

这种从出发点就不同的应用场景，必然催生新的训练范式。

王潜则从更宏观的角度论证了具身不可替代。在他看来，人类科学研究有两种思维方式，逻辑推理和物理直觉，二者无法互相弥补。视频、3D、Code 都无法获得物理交互的能力，而真正的 AGI，乃至递归自我改进（RSI），都绕不开物理世界。

他描绘了一个五年后的场景，今天做一个 APP 可能需要一个大团队一年，未来一个人开一堆 Agent 几个小时就能完成。而造一架飞机，也许在具身智能和通用大模型的辅助下，也能像今天做 APP 一样简单。

回到最初的问题，GPT-6 会重做具身智能吗。

一个被多次报道的事件是，OpenAI CEO 奥特曼已经宣布要做人形机器人。如果大模型真能降维打击具身，OpenAI 没必要去做又脏又累的硬件，答案或许是，数据壁垒真实存在，物理世界的能力无法仅靠语言和视频获得。

OpenAI 需要身体去采集数据，正如它需要数据来喂养模型。

这反过来印证了王潜的判断。如果 OpenAI 做具身也要碰数据、碰硬件、碰真实世界的 evaluation，" 那它只是另外一个具身智能公司而已 "。这些难度并不会因为它在基础模型上的优势而降低。

数据量无疑很重要，可一些数据在实际表现中似乎并不好，可能被高估了。许华哲直言，百万小时没有比几万小时训出更好的模型，另外，被低估的是整体智能模型的进展，或者具身智能模型的进展。

不过许华哲十分乐观，他觉得三年内具身智能就可以在很多地方开始服务，而且是通用的服务，不是在这儿后训练好的服务。

综合来看，未来最大概率或许不是谁吃掉谁，应当是分层共存。OpenAI 们做大脑，具身公司做小脑和身体，通过标准化接口协作。正如人脑本身，大脑负责思考，小脑负责运动，脊髓负责反射，各安其位，缺一不可。

文｜吴寻

编辑｜八尺