“没见过神迹的人是不信的！”
文丨王小淳（实习生）程曼祺
随着 OpenAI 发布 GPT-6 Astra，通用多模态基础模型已能直接输出机器人末端执行器位姿，部分任务成功率甚至超越专用具身模型。这一进展模糊了数字 AI 与物理 AI 的边界，引发行业对“通用模型是否会取代具身智能”的深度思考。
本期《晚点聊》具身季报邀请 Alphaist 创始合伙人陈哲，解读 Astra 冲击下的行业变局，并分析 AMD 收购 World Labs、宇树 IPO、上下文学习（ICL）技术突破及美国 FCC 新政等四大关键事件。
AMD 拟以 82 亿美元收购 World Labs
宇树 IPO 及连锁反应
有可能大幅压缩部署成本的 “上下文学习”
美国 FCC 实际禁止了新型号的中国机器人进口
Astra 的出现动摇了独立具身智能公司的估值逻辑。宇树创始人王兴兴近期反思称：“过去十几年，我犯的最大错误就是对 AI 的相信还不太够。”
Astra 冲击：通用 AI 会吃掉物理 AI 吗？
“没有见过神迹的人，是不会相信的”
晚点：本季度最重要的行业变化有哪些？
陈哲：首先是 GPT-6 Astra 发布，展示了通用多模态基础模型进入物理智能的潜力；其次是 AMD 拟以 82 亿美元收购李飞飞创立的 World Labs，为 Neo Lab 和世界模型公司定价；第三是宇树 IPO 重构行业估值；第四是具身模型中的上下文学习（ICL）成熟，有望大幅降低部署成本；最后是美国 FCC 新规限制中国新型机器人进口。
晚点：如何理解 Astra 进入物理世界这一变化？
陈哲：OpenAI 等前沿实验室认为物理 AI 是 AGI 的子问题，解决 AGI 过程中涌现的能力将自然覆盖物理 AI。这与 Google 早期发布 Gemini Robotics-ER（具身推理）的思路一致，即利用通用语言模型处理上层空间理解和任务拆解。
晚点：Astra 与传统的 VLA 模型有何不同？
陈哲：Astra 不仅能拆解任务，还能直接生成末端执行器位姿。虽然仍需逆运动学模块转换为关节角度，但这一步骤以往被认为需要专门的具身模型才能完成，依赖于大量的空间和物理常识。
晚点：研究者是如何发现 Astra 具备这种能力的？
陈哲：Anthropic 此前在测试 Claude 控制机器人时，已通过让模型生成位姿的方式进行铺垫。Astra 发布后，Robocurve 等团队快速适配测试，发现其在部分任务上的成功率显著提升。
Anthropic 在 Claude Plays Robotics 中展示的数据。对于选取的模型，Anthropic 团队测了三类任：经典控制、运动控制（Locomotion，这部分测了各模型在宇树 Go2 四足狗和 G1 人形上的表现）和操作（Manipulation）；并观察了 4 种接口（interface）也就是四种控制方法：橙色是让模型直接输出动作；蓝色是让模型先编程一个 Python 控制器，再由程序读取机器人状态并连续生成动作；绿色是让模型去监督其它的机器人策略模型，比如监督一个 VLA 模型；紫色是让模型设计奖励函数、策略网络和训练计划，从头训练并部署一个强化学习策略。柱顶数字是各模型在不同机器人、任务和 interface 上的标准化综合得分，并非任务成功率；四种接口的权重皆为 0.25，和为 1 。
最让人头皮发麻的用法：把 Astra 当成具身研究员
晚点：Astra 的影响可以分为哪几层？
陈哲：第一层是直接充当策略模型，生成末端位姿，开源社区已在 RoboDojo 基准上验证其成功率；第二层是监督和纠正现有 VLA 模型，例如银河通用测试显示，Astra 监督 π0.5 后，成功率从 26% 跃升至 48%；第三层最具颠覆性，即将 Astra 作为“具身研究员”，利用其工具调用能力在 Blender 中搭建 3D 环境、生成资产并自主调试优化策略，实现“真实-仿真-真实”闭环，即 Physical RSI（物理 AI 自进化）。
Robocurve 使用了同类 YAM 双臂平台和同一套 agent 策略，比较 GPT-6 Astra、Claude Fable 5.1 和 Fable 5 的任务完成率与调用成本。
在 “把积木放进碗里” 的任务中，Astra 20 次成功了 19 次，完成率为 Fable 5.1 的 2.4 倍，单次成本约为其 44%；在更精细的拼图任务中，Astra 与 Fable 5.1 的完成率同为 10%，Astra 成本更低。
晚点：Astra 擅长和不擅长的任务分别是什么？
陈哲：Astra 在需要推理能力和空间理解的任务上优于 VLA，且泛化能力更强。但不擅长扣纽扣、插拔线束等涉及摩擦和形变的精细操作，因缺乏专门的遥操数据后训练。此外，其推理速度较慢，受限于实时性与边缘算力，未来可能形成“云端通用模型负责低频推理，端侧轻量 VLA 负责高频执行”的分层架构。
晚点：Astra 的空间智能提升源于何处？
陈哲：主要源于三维空间理解、复杂逻辑推理及工具调用能力。OpenAI 招募 Blender 艺术家进行 3D 建模和数据标注，并采购大量具身第一人称视角数据，结合其巨大的算力优势，实现了能力的快速迭代。通用模型的成本可被多任务摊薄，这是初创公司难以比拟的优势。
晚点：原生具身创业公司的机会在哪里？
陈哲：一是做好接口，成为可被通用模型调用的工具；二是保留独特闭环，如触觉、力学等独有数据，以及满足特定工艺场景的硬件可靠性。垂直行业（如 To B 领域）的工艺沉淀和合规门槛，将是具身公司的重要护城河。
AMD 拟收购 World Labs：大厂往往只愿意买赛道里的第一家
晚点：如何评价 AMD 拟收购 World Labs？
陈哲：World Labs 专注于全模态空间智能模型，其 Atlas 模型擅长空间重建和视角再生成，可作为机器人训练的仿真环境基础设施。这笔交易是对世界模型和 Neo Lab 的一次实质定价。对于无法自我造血的顶尖研究团队，被拥有资源的大厂收购可能是中短期内的最佳归宿。
晚点：这对其他世界模型公司有参考意义吗？
陈哲：在美国市场，这确立了一个锚定价值，提醒创业者大厂往往只愿收购赛道头部。相比之下，中国创业环境更强调独立生存和落地，大公司较少给出如此高额的收购报价。
宇树 IPO 后暴涨、大跌，和暂缓的具身上市潮
晚点：如何看待宇树目前的市值波动？
陈哲：短期暴涨暴跌包含炒作成分，长期价值需待限售股解禁后由长线机构定价。宇树作为硬件本体龙头，随着通用智能发展，其对高质量机器人硬件的需求将水涨船高，类似英伟达在生态中的位置。
晚点：监管收紧对具身公司上市的影响？
陈哲：监管旨在防止概念炒作和劣币驱逐良币。行业早期追求持续营收并不合理，导致部分企业通过财技虚增收入或包装传统自动化项目。真正的健康收入应来自与通用智能正相关、且不被通用模型直接覆盖的业务，如高性能硬件、灵巧手及自动化数据采集训练服务。
GEN-1.5、S1 中的 “上下文学习”，一个加速落地的好消息
晚点：什么是具身智能中的 ICL？
陈哲：ICL（上下文学习）类似提示词工程，通过给模型提供少量示范视频或指令，使其在不改变参数的情况下学会新任务。相比需要采集真机轨迹并进行后训练的 Few-shot，ICL 仅需几秒到几分钟的视频即可部署，大幅降低成本。
晚点：GEN-1.5 和 S1 在 ICL 上有何突破？
陈哲：两者均展现了处理“分布外”任务和长序列技能组合的能力。GEN-1.5 侧重短轨迹第一视角输入，Skild S1 侧重长时序第三视角视频，后者更利于全身运控和复杂任务组合的学习。
晚点：Google 入局早，为何 OpenAI 先带来震撼？
陈哲：Google 受组织惯性和历史包袱影响，资源分散；而 OpenAI 团队更年轻，更少受传统机器人思维束缚，更敢于利用通用模型的潜力。此外，头部大模型公司在数据处理经验、算力和工具链上拥有显著优势。
美国 FCC 的机器人准入新规：应对限制的方式之一可能是产能出海
晚点：FCC 新规的具体内容及影响？
陈哲：新规要求重量超 2 公斤、具备自主移动和联网功能的先进机器人需在美国本土组装，且逐步提高美国零部件占比（2028 年超 65%，2029 年超 75%）。这不仅影响中国产品，也波及在韩国等地生产的美国品牌机器人。短期内，已获得认证的型号仍可销售，但新型号面临准入障碍。
晚点：中国企业的应对策略？
陈哲：仅在美国组装无法绕过原产地规则，关键在于供应链布局。借鉴汽车行业经验，中国本体和零部件公司可能需要考虑产能出海，在美国或友好国家建厂。尽管政策动态变化，但中国在供应链质量和密度上的优势短期内难以被完全替代。
展望：Physical RSI 和未来的蛋糕分配
晚点：下个季度值得关注的发展趋势？
陈哲：一是 Physical RSI 将成为热点，AI 自主搭建仿真环境和迭代策略的工作将大量涌现；二是中国通用大模型公司将正式切入具身领域，组织架构可能向以通用 AI 为核心重组；三是围绕 ICL 的应用将增多，以满足国内市场对快速落地的需求。
晚点：未来利润将如何分配？
陈哲：核心问题是通用智能公司与深扎物理世界的硬件场景公司如何分配价值。随着通用模型做大产业蛋糕，拥有独特数据闭环和硬件壁垒的公司仍将获得重要份额，但行业格局将经历深刻重塑。
题图来源：GPT 生成。原图为 2019 年 OpenAI 用强化学习展示的灵巧手单手玩魔方 demo。
- FIN -
