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%。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。

国内具身创业者的反应分两派

前地瓜机器人具身负责人何泳澔（现为虚时科技CTO）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。他的原话是，这个冲击太大了，没想到那么快。极佳视界首席科学家朱政的判断类似，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。

另一派的判断更冷静。晴岚视界CTO刘斯坦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，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。他认为Astra引起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，Astra很可能只是把它推到了物理世界的门口。破壳机器人创始人许华哲在Astra可用当天就做了测试，他的结论是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能抓起一根放在桌面上的筷子，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都做不了。

OpenAI从中国买数据，这件事比模型本身更关键

自变量机器人创始人王潜在日前的行业会议上给出了一个更根本的解释。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。晴岚视界CTO刘斯坦证实了这一点，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。这些订单的内容是让标注人员指出物体的空间位置，谁在谁的左边、前面、后面，明显是用来训练空间理解能力的。王潜的判断是，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。

分层共存：大脑管规划，小脑管控制

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。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。钟子明判断，Robot Harness可能是具身下一个必然经历的阶段。

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。他的比方是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，但这和人类真正高频率、高效节能的运动模式差得很远。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。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。

数据是比架构更底层的战场

自变量创始人王潜在演讲中提出了一个判断，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，一部分是因为模型规模在变大，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。许华哲直言，百万小时没有比几万小时训出更好的模型。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。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。王潜的判断是，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。