机器人“大脑”之争迎来新变量

　　将红色积木放在最下面，再依次叠上蓝色、绿色和黄色积木，今年10月中旬，英伟达研究团队公布的一段仿真实验中，机械臂按照这样的顺序，将四块积木堆叠起来。

　　看起来，这只是机器人完成的一项普通操作任务。但与以往不同的是，参与控制机械臂的并非经过专门训练的具身智能模型，而是OpenAI的通用大模型GPT-6 Astra。

　　在这一名为《Astranomy: An empirical study of GPT-6 Astra as a native robot policy》（Astranomy：GPT-6 Astra作为原生机器人策略的经验研究）的研究中，GPT-6 Astra无须针对机器人控制任务进行专门微调，就能够利用环境信息和任务指令生成机器人动作。

　　不过，让通用大模型控制机器人仍面临成本和效率问题。上述智能体方案平均每轮测试需要消耗约3090万个Token，估算模型费用达到36.4美元；另一种直接生成动作的方案，单次模型调用平均耗时18.56秒。并且，由于实验允许在模型推理期间暂停仿真环境，这些成绩距离真实场景中的连续作业仍有差距。

　　尽管如此，这一研究还是提出了一个业界关注的问题：过去需要依靠专用机器人数据训练才能获得的动作控制能力，是否正在被通用大模型逐渐掌握？

　　就在通用大模型不断向机器人动作控制领域延伸之际，国内具身智能企业也在加大对自研基础模型的投入。10月29日，智元发布新一代具身基座模型GO-3 Preview。

　　一边是通用大模型开始尝试直接控制机器人，另一边是具身智能企业继续投入专用模型研发。随着两条技术路线逐渐交汇，具身智能企业自主研发基础模型的技术壁垒及商业价值，也开始受到重新审视。

　　惠誉评级信用评论与研究高级董事胡旸瑞告诉记者，模型之间的竞争加剧可能会带来定价压力，并使市场更加关注商业化能力和执行能力。

　　沂景资本董事总经理谢思远则表示，未来，具身大脑的大部分功能可能会被通用大脑蚕食。

　　不过，一家具身智能企业创始人告诉记者，上述路线融合的态势对公司没有太大影响。

　　通用大模型“进军”物理世界

　　此前，通用大模型在机器人系统中更多承担高层决策任务。比如，当用户提出“把桌上的杯子放进柜子里”时，大模型负责理解指令、识别物体、拆分步骤，真正执行抓取、移动和放置动作的，通常仍是经过专门训练的机器人控制模型。

　　但现在这种分工正在发生变化。

　　在上述英伟达研究团队的研究中，GPT-6 Astra被应用于机器人操作任务，并设计了三种不同的控制方式：直接由模型生成动作、通过智能体持续规划和执行，以及由通用模型监督专用机器人策略。

　　研究结果显示，在RoboLab-120测试中，三种方案的任务成功率分别为66.3%、74.8%和66.5%。其中，智能体方案的表现比该测试中此前最优的公开策略高出23.8个百分点。

　　具体来看，GPT-6 Astra直接控制方案的单次模型调用平均耗时约18.56秒。智能体方案虽然取得更高成功率，但每次任务平均消耗约3090万个Token，估算模型费用达到36.40美元，而直接控制方案的平均费用约为1.96美元。

　　不过，这些成绩来自高保真仿真环境，而非真实工厂中的连续生产作业。测试过程中，系统还允许在模型推理时暂停仿真环境，因此并不能直接将通用大模型的成功率等同于现实场景中的作业能力。

　　实际上，GPT-6 Astra在具身领域的探索并非个例，10月20日发布的一份名为《Frontier LLMs Enter the World of Robotics: A Cross-Model Evaluation on RoboColiseum》（前沿大语言模型进入机器人世界：基于RoboColiseum的跨模型评估）的研究，将GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5以及Gemini 4 Argon等通用大模型放在统一的测试框架下比较。

　　在该论文中，研究人员通过Agent2Act，将GPT-6 Astra连接至不同型号的机器人。结果显示，在仿真环境中，模型完成了垃圾投放、物品搬运、开门、移动导航等任务；在真实机器人实验中，还完成了部分抓取、积木堆叠和简单衣物折叠任务。

　　这些研究表明，通用大模型不再只能告诉机器人应该做什么，也开始尝试生成机器人应该如何移动的具体动作。

　　竞争壁垒面临“重审”

　　实际上，通用大模型能力的延伸也使得具身智能企业自主研发基础模型的价值面临新的讨论。

　　长期以来，具身智能企业希望通过机器人视觉、动作、触觉及真实场景数据训练专用模型，使机器人具备跨任务、跨场景的泛化能力。

　　其中，视觉—语言—动作模型（VLA）是一条重要技术路线。与主要基于互联网文本、图像和视频数据训练的通用大模型不同，VLA进一步引入机器人动作数据，建立环境感知、语言理解与物理动作之间的联系。

　　随着技术发展，部分企业又开始将世界模型、动作预测及运动控制能力整合到统一架构中，以减少机器人从理解任务到实际执行之间的能力损失。

　　目前，国内企业正沿这一方向持续投入。

　　10月29日，智元发布GO-3 Preview具身基座模型。智元方面表示，该模型采用世界推理动作模型（WRAM）架构，将任务理解、未来状态预测和动作生成整合在统一体系中。就在同一天，智元还发布了WITA-OMNI多模态交互大模型，进一步整合视觉、听觉、语言和机器人肢体动作能力。

　　不过，对于两类模型的发展趋势，业内有着不一样的认识。智元合伙人、联席总裁、中央研发部总裁、交互业务体系总裁熊彦在接受记者采访时表示，GPT-6 Astra主要表现在高阶任务规划，一是调用其他的模型来生成动作，二是直接生成机器人的动作。“但在这个过程中，一个简单动作的生成可能是分钟级的。同时，调用一次需要上百美元，对于部署态而言，调试成本很贵。”

　　智元联合创始人、联席总裁、具身业务体系总裁姚卯青也表示，通用大模型做了很多仿真Benchmark（基准测试），确实具备了Encounter learning（接触式学习）以后在闭环任务上的能力，但也有非常大的局限。“首先动作很慢，还会消耗大量Token。这并不是大模型最擅长的能力以及我们对它最好的利用方式。”

　　谢思远也告诉记者，通用模型空间理解和推理能力的提升，并不能直接加速机器人在工业及服务场景中的规模化应用。“目前仍然缺少足够的数据，模型也还不具备泛化性。整体来看，当前机器人的任务成功率与实际应用要求相比，还存在一个量级的差距。”

　　谁能掌握机器人产业链的利润？

　　通用大模型向机器人动作控制领域延伸，带来的影响可能不止于技术路线之争，也正在引发市场对具身智能企业估值逻辑和商业价值的重新审视。

　　谢思远告诉记者，目前具身智能领域的不少企业采用世界模型与VLA相结合的技术架构，模型路线存在一定程度的同质化。随着通用大模型与具身模型进一步融合，部分以自主研发具身大脑为核心竞争优势的企业，可能面临估值调整压力，甚至不排除出现估值大幅下跌的情况。

　　这一判断背后，是通用大模型能力提升可能对专用具身模型的独立价值产生冲击。不过，在胡旸瑞看来，模型能力的变化并不意味着机器人企业的竞争优势将完全取决于底层技术。随着模型之间的竞争加剧，企业估值可能更多取决于能否将技术能力转化为持续性的收入和现金流。

　　“未来的竞争不仅仅是谁开发出最好的模型，还包括谁能够掌握升级路径、客户关系以及部署环境。”胡旸瑞表示，企业的长期竞争优势还可能来自专有数据、硬件整合、部署能力及生态控制能力。对于已经进入实际应用场景的机器人企业而言，能否持续提升已部署系统的能力，并在客户使用过程中保持主导地位，可能与最初的技术创新同样重要。

　　实际上，对于具身智能企业而言，机器人本体及系统整合能力仍被视为重要的竞争基础。

　　智元联合创始人、总裁、CTO彭志辉在接受记者采访时表示，当行业内的企业都具备相近的决策能力时，如何将模型能力更好地应用于物理场景，最终仍需要依靠机器人本体作为媒介，而具身智能企业在这一方面具有自身优势。

　　“对于具身智能企业而言，全栈技术路径不是选择题，而是必答题。”彭志辉告诉记者，面向实际场景解决问题、提升模型泛化能力和机器人本体可靠性，不仅是具身智能企业的发展要求，也有助于其更好地吸收和应用外部通用模型的技术进展。