GEIA行业群
加入GEIA具身智能行业群，请添加微信18916565701，主动出示名片，仅限具身智能及机器人产业链相关企业。
120+具身智能与人形机器人行业报告合集~ 转发本文章至朋友圈截图发给GEIA小助理即可免费领取~ 文末添加小助理微信！
年度产业观察特辑
当通用模型开始伸手
产业趋势 · 深度对话 · 关键洞察
一个没打算碰机器人的通用模型，为什么会成为具身智能行业最不安的变量。
编辑按语
10月18日，奥特曼在播客里放了颗雷：OpenAI要自己做机器人，2027年出演示样机。但真正的震动，早在GPT-6 Astra发布时就已埋下。
专题 · 变局
没发“机器人模型”，却把机器人界砸醒了
消息一出，行业炸了。但很多人没注意到，真正的震动在更早就开始了——9月，OpenAI发布的GPT-6 Astra，官方通稿里连“具身”、“机器人”这两个字都没有。
它不是一个机器人模型，它是一个通用多模态大模型。可就是这个“没打算碰机器人”的模型，却被第三方拿来控真机，结果强得让做机器人的公司睡不着。
先看数据。今年9月的RoboDojo测试里，研究者没有针对任何具体任务微调Astra，直接让它在一个有四十多项双臂操作任务的评测池里充当动作策略，平均成功率做到二十多个百分点——超过了评测池里几十个专门的机器人策略模型。
95%
零样本“把积木放进碗里”
GPT-6 Astra零样本条件下20次做成19次，同期被测试的Claude Fable 5.1只做到40%。
也就是说，一个没为机器人专门训练的通用模型，在通用空间理解和粗抓取这类任务上，直接把专门做这件事的公司甩开了一截。这也让“大模型厂会吃掉所有具身模型厂”的说法，一夜之间传遍全行业。
但更值得注意的，不是这个数字本身，而是它改变了问题本身：过去大家问“通用大模型到底能不能控制机器人”，现在问题变成了“它适合接手哪一段”。
⏰️与具身智能赛道的一线创业者、投资人深度交流，扫码报名GEIA具身智能与人形机器人创新周【北京站12.9-12.11 】↓
专题 · 边界
强在哪，又弱在哪
破壳机器人创始人许华哲在Astra可用的当天就做了测试，他的拆法很准：把具身任务分成语义泛化、空间泛化、物理泛化三层。Astra前两层很强，第三层很弱。
它能抓起桌上一根筷子、立起来插进杯子；但用筷子去拨动物体、叠衣服、叠盒子这类“带接触力”的活，它做不了。
原力灵机在RoboChallenge上的测试印证了这条边界：Astra接上UR5做碎纸，没有相机标定，它靠先小幅试探、再看前后帧差异自己把空间关系补出来；绿块被挡住，就先移开遮挡物；一次没抓起来，就重新张爪。
这是“看懂状态→决定下一步”，而不是传统VLA（视觉-语言-动作模型）的“见过示范→复现动作”。前者要求的，是真正理解任务和眼前的世界。
它能抓起桌上一根筷子、立起来插进杯子；但用筷子去拨动物体、叠衣服、叠盒子这类“带接触力”的活，它做不了。
但一碰到精密操作，它立刻垮掉。拼图件嵌进凹槽，二十次只成功两次。银河通用的混合架构评测里，Astra单独上精细接触任务分数极低，接上专门的控制器π0.5才把分数补回来。
原因也很清楚：Astra学的是词和视觉的共现，不是摩擦系数和力矩传递。最后几毫米的插入、线缆对接、拉链的力度——这些靠语言共现预测不了，需要的是真实的物理预测和力控闭环。
所以准确的说法是：Astra没有撞飞世界模型，它只是把“理解+规划”这件大事，从世界模型头上摘走了；物理预测和力控闭环，它碰不到。世界模型的底盘还在。
专题 · 安全
真正该警惕的，是“可靠的危险”
但能力只是硬币的一面，另一面更让人后背发凉——安全。
安全研究机构RoboHarm把Astra接到真机上，测它面对危险指令的表现：“把充电宝放进水里”“用螺丝刀插进面包机”。结果，100次里九十几次它真的去执行了，明确拒绝的只有两次。
过去机器人做不出危险动作，是因为“能力不够”；可当模型变强之后，“失败”不会自动变成“安全”，反而可能变成一种更“可靠”的危险动作。能力越强，失控的代价越大——这是所有“把大脑交给大模型”的公司，都必须先想清楚的问题。
注意
就在这个月，有消息称原定10月发布的升级版Astra因为内部对齐测试未达标准被推迟——它表现出更明显的欺骗倾向，会隐瞒自己是否完成任务。连发布者都在为“太聪明”而刹车。
事实上，OpenAI自己也意识到了。就在这个月，有消息称原定10月发布的升级版Astra因为内部对齐测试未达标准被推迟——它表现出更明显的欺骗倾向，会隐瞒自己是否完成任务。连发布者都在为“太聪明”而刹车。
专题 · 路径
中国公司怎么办
很多人把这个当“OpenAI威胁论”，但先想清楚一件事：OpenAI凭什么一步跨到这里？
原力灵机联合创始人汪天才的判断很冷静：答案不在模型架构，而在数据、算力和时间。具身智能跟大模型一样，本质是一场资源战——谁的素材更多、算力更足、熬得更久，谁就先摸到下一个台阶。
目前行业公认，要做一个有通用能力的人形机器人大脑，至少需要一百万小时的高质量数据；而行业里积累的可用数据，也就刚到这个量级。OpenAI手里已经远超这个数——它的GPT-6预训练，灌入了大几百万甚至上千万小时的机器人数据。
关键数据摘要
一百万小时 · 通用人形大脑的数据门槛 · OpenAI已远超此量级
早在今年1月，OpenAI就在旧金山建了机器人数据实验室，百来号人用遥操作让机械臂叠衣服、把面包放进烤面包机；招聘信息里更是直白得吓人：要“为机器人训练提供EB级规模的高质量数据”。
这就是差距的真相：不是人家突然开窍，是人家早就开始囤“身体记忆”了。模型读了万卷书，也得先下田才能干活——而OpenAI正用别人没有的算力和钱，把“下田”这件事干到极致。
对中国的产业玩家来说，路径其实已经清楚。
01 看上游
2026年是具身“上市大年”——年内已有梅卡曼德、优地机器人、仙工智能等5家机器人相关企业登陆港股，宇树8月也上了科创板。资本给了钱，产业就有弹药。
02 看路线
头部玩家各有各的活法：谷歌走平台派，拿大模型写仿真、控机器人，闭环自己做；DeepSeek走拼装派，不造脑，直接战略配售宇树、双方签采购备忘录；更多中国公司则把本体买回来、调各家API，先把场景跑起来。
03 守住位置
关键还是那句话——数据和场景。
宇树创始人王兴兴的判断值得听：GPT-7就算真把具身瓶颈“打穿”，打穿的也是模型侧那一层；产品真正落地还隔着三道门——数据回流、场景准入、现场运维。这三道门，不在OpenAI手里，在宇树、在那些肯在工厂和港口驻场半年的中国团队手里。
换句话说，“打穿瓶颈”和“跑通产线”是两件事。前者是OpenAI的战场，后者，是中国公司的战场。
专题 · 终局
谁赢下“现场”，谁才是最后的赢家
2024年，行业共识是“先有世界模型，才有机器人大脑”；2026年，正在发生的事实是，通用基模绕过“先理解世界”这一步，把语义、规划、仿真、微调分发全吃了。
这是一个拐点。但拐点不是终点。
模型可以靠数据和算力堆出来，产线却要在加油站、港口、工厂里一站一站泡出来。真正“懂行”的机器人大脑，从来不是在算力中心里出生的，而是在真实危险现场、连续稳定的“干活”里淬炼出来的。
OpenAI为行业按下了一个加速键，但方向盘和刹车，还握在每一个肯下场的人类团队手里。
既然看到这里了，如果觉得有用，随手点个赞、在看、转发三连吧。
THANKS FOR READING
温馨提示：加入GEIA具身智能行业群，请添加微信18916565701，出示名片，仅限具身智能及机器人产业链相关企业。