硅谷三巨头同步入局具身智能：GPT-6 Astra、Gemini 4 Argon抢中台

9月初，OpenAI把GPT-6 Astra放了出来。

到了10月7日，GPT-6 Sol/Luna搭着Intelligent UI，推给全量ChatGPT用户。

就在那一周，谷歌单独发了一遍Gemini 4 Argon的机器人能力：看一段投沙包视频，自己搭MuJoCo数字孪生，把人手套到双臂人形上，再把动作导出来让机器人复现。

又过了几天，Physical Intelligence上线Pi API Beta。开发者把数据传上去，Pi托管微调，模型经云端网关下发到真机。

单看这三件事，都是常规发布。可凑到一块儿，味道就不同了——基模公司已经不想只说“我模型强”，它们开始往机器人产业链里“建仿真、做规划、管微调”这几层中台伸手。

国内反应同样不慢。10月12日工博会开幕现场，王兴兴的原话是：“过去十几年犯的最大错误，是对AI相信得还不够。”他给出的具身智能拐点最新时间表是“快则一两年”，还顺带提了一句——明年GPT-7出来，可能直接把具身智能问题打穿。

这话不是随口一说。宇树团队把GPT-6接到自家机器人上跑任务，“效果非常不错”；不过王兴兴也承认，复杂物理交互还是基模没迈过去的那道坎。

所以这篇文章要谈的不是“GPT-6多牛”，而是一件更安静、也有点吓人的事：世界模型曾经坐的那把椅子，正被一层层抽走。

世界模型曾经是“总指挥”

想看懂这次重分配，得先回头看看世界模型过去两年被捧到了什么位置。

世界模型要干的事，学界大体归为三类：渲染画面、仿真物理、做决策规划。它的定义并不复杂——在模型内部把物理世界压成一份表示，给定状态S和动作A，去预测下一个状态S'。

2024到2025年，行业里有个默认共识：谁有世界模型，谁就握着机器人大脑。

这套逻辑站得住：机器人想弄懂物理，先得“心里有数”——杯子会不会倒、手臂会不会撞、抓取该使多大劲。通用大模型讲人话在行，摩擦力却一窍不通，所以具身智能的终局架构里，世界模型该当总指挥，感知、规划、控制全归它管。

那会儿世界模型被同时寄托了三重期待：语义理解、物理预测、动作规划。一个人干三个人的活。

麻烦恰恰出在这里。它“想得不少”，可三件事始终没搞定：自然语言指令接不住、仿真环境建不起来、长程规划一换场景就塌。行业砸了大量精力去训专用世界模型，真到落地还得靠人补一层。

基模来了之后，这三件事不是被辩论赢的，是被顺手抢走的。

GPT-6 Astra 打响第一枪

OpenAI没发什么“机器人模型”。GPT-6 Astra是通用多模态旗舰，官方通稿里没有具身这一栏。

但第三方已经拿它控真机了，结果还挺刺眼。

9月那轮RoboDojo测试中，研究者没有为具体任务微调Astra，而是直接让它顶上动作策略，在四十多项双臂操作任务里跑出二十多个百分点的平均成功率，把评测池里几十个专用机器人策略甩在了后面。

真正有意思的不是这个数字，是它改变了什么问题——过去问“通用大模型能不能控机器人”，现在问“它适合接手哪一段”。

破壳机器人创始人许华哲在Astra开放当天就上手测了，他的切法很到位：具身任务分语义泛化、空间泛化、物理泛化三层，Astra前两层表现突出，第三层则偏弱。

它能抓起桌面上的一根筷子、立起来插进杯子；但用筷子拨动物体、叠衣服、叠盒子这类带接触力的活，做不了。

原力灵机在RoboChallenge上的测试同样划出了边界：Astra接UR5做碎纸，相机没标定，它先小幅试探，再比对前后帧差异，自己把空间关系补上；绿块被挡住，它先把遮挡物挪开，一次抓不起来就重新张开爪子。

Astra走的是“先判断当前状态、再定下一步动作”这条路，和传统VLA那种“看过示范、照着复现”完全不是一回事。

可一旦进入精密插入环节，它就直接崩了。拼图件往凹槽里嵌，二十回只成功两回。银河通用的混合架构评测显示，Astra独自跑精细接触任务分数低得可怜，搭上π0.5之后才追回来。

所以说准确的表述应该是：Astra并没有把世界模型撞飞，它只是把“理解+规划”这块从世界模型手里拿走了；物理预测、力控闭环这些它根本够不着。

安全那头的麻烦更大。RoboHarm让Astra连上真机去测危险指令——充电宝丢进水里、螺丝刀插进面包机——一百次里有九十几次它真去干了，明确拒绝只有两次。以前机器人做不出危险动作，是因为“能力不够”；模型一强，“失败”不会自动变成“安全”，反倒可能演变成更“靠谱”的危险动作。

这么一来，行业要面对的问题被Astra往前推了一格：不再是“通用模型能不能控机器人”，而是“它该接哪一段、怎么跟专用模型搭、谁负责让它在该停的时候停下来”。

Gemini 4 Argon 连仿真工程师的活也干了

谷歌更狠。

Astra还只是“用通用模型去控机器人”，Argon干脆是“用通用模型去写机器人工作流”。

先把身份说清楚：Argon不属于VLA，它是通用推理模型。谷歌在机器人这条线上的真实分工分三层——Argon写仿真代码、做视频建孪生、做任务标注；Gemini Robotics 2管VLA控机；ER系列做具身推理。

在ERQA具身推理基准上，Argon纯靠推理拿到八成七，压过同批的前沿模型。

整条Real2Sim流水线才是真正该盯的地方：

给一段遥操作录像，Argon能建出带接触校准的MuJoCo孪生；给一段第一视角人类视频，能重定向到七十六自由度人形；给一张手绘草图，直接生成全身投掷轨迹，并在物理引擎里跑出六个箱子全倒。

还有一组更接近落地的：从一张桌面照片起步，Argon建出若干道具、定义几十个任务、生成数千个仿真回合，把下游VLA的真机成功率从五成多推到七成多，完成时间从三十多秒压到二十多秒。

关键不在“模型能生成多少东西”，而在于过去仿真工程师要花几周搭的MuJoCo场景，Argon看一眼视频就出来了。机器人学习的第一瓶颈一直是真实数据——贵、难复现、危险动作不敢碰。Argon把仿真环境构建的成本从“周”砸到“小时”，仿真数据的边际成本就快归零了。

不过Argon撞飞的不是机器人，是“仿真工程师”这个岗位。世界模型从独立系统，退化成Argon生成的MuJoCo场景。

当然，这些都是谷歌自选的演示，没有fleet-scale部署数据，没有长期可靠性验证，失败率也没披露。Text Arena登顶是真的，但编码、WebDev类榜单上它并没全面压住Astra。

所以Argon的价值落在“把物理场景翻译成可执行代码”，谈不上全能王。

基模从产品变平台的Pi API

前面说的还都在模型层面，Pi这一步直接踩到了产业分工的拐点上。

10月13日Pi官方发布Pi API Beta：上传数据→Pi托管微调→云端推理网关→真机执行→评估→补数据

开发者不必折腾训练集群，也不用配policy server。Chef Robotics拿几十条双臂示教，隔夜就取回模型，第二天上机做汉堡；Almond用四天API迭代，让双臂Axol做零件去毛刺；Ultra做仓库打包，Weave做洗衣折叠。

这事的分量，比“又发了个API”大得多。

过去的默认分工是：模型公司训基座，应用公司自己微调、搭基建、管部署。现在Pi把“微调+托管推理”也收走了，留给下游的只剩两件事——硬件集成、现场数据采集。

Lightspeed合伙人Amber Yang前阵子发过一张坐标系，把这类新玩家叫DeployCo（部署公司）：不训模型，只做场景交付。

但有个问题：模型被调用，不等于数据会自动回流。

Pi的定价和数据权属条款，官方都没有公开。工业客户肯不肯把失败片段、产线布局、客户信息交出去，说到底取决于商业条款，跟技术无关。Weave那个"抓取失败降四成"的飞轮案例，数据来自定向合作，并非API的默认机制。

Generalist GEN-1.5又添了一刀：几秒的操作演示，不用更新权重就能学会新任务。专用微调的门槛，正在被physical prompting拆掉。

基模这一轮向外扩张，吃下的共有四层：语义层归Astra，仿真层归Argon，微调层归Pi API，适配层归Generalist。再往下一层是物理闭环，API够不着。业内人士那句"复杂物理交互仍是具身智能公司的最后阵地"，支撑相当有力。

世界模型没死，只是被请下王座

看到这里，很容易误读成"世界模型完了"。其实不是。

基模有三道墙迈不过去：

一是实时性。token推理按百毫秒算，关节力控要的是毫秒级。Astra操控机械臂，每一轮都得先想一会儿——花掉的是"想"的时间，不是"动"的时间。

二是接触物理。插拼图件这类活，Astra卡在极低的成功率上。最后几毫米的插入、线缆对接、拉链该用多大力，语言共现预测不出来。

三是物理因果。LLM学的是词与词的共现关系，不是摩擦系数，也不是力矩传递。

世界模型得以活下来的底盘依然存在：状态转移S'预测、力控/MPC闭环、Sim2Real域随机化、触觉与接触表征。

Dyna那篇《Not Just a Model,But a Product》把话说透了。鼎泰丰餐巾折叠，一代一天折几百条、合格率七成多，二代提到一千多条、九成多。数字是涨了，可客户的问题早就不是"能不能折"，而是"十八小时班次稳不稳"。

中间踩过的坑，包括夹爪磨损拖低吞吐。这类毛病，模型公司坐在办公室里永远看不到，得在客户现场跑上几个月才能发现。Dyna内部有条规矩：现场问题绝不能用一次性补丁糊弄，每一回都得留下可复用的东西。

照这么看，ModelCo和DeployCo的分工，多半只是具身智能当下这个阶段的产物。基模越强，专用适配被压得越狠；可只要机器人还得在生产线上连跑十几个小时不罢工，部署闭环就没人替得了。

这跟早期Stable Diffusion很像：基座弱的时候，下游靠LoRA补风格；基座强了，LoRA的价值被压缩，但没归零。机器人这行也是同一个道理——被压缩的是"中间适配层"，不是"交付本身"。

四类国内具身公司最先"死"！

炮口转回国内。

先给底数：公开报道里，国内人形机器人相关企业已有一百五十家上下，其中半数是初创或跨界；广义具身智能注册企业两千多家。今年上半年融资事件数百起，但一个残酷的现实摆在眼前——钱正不断往头部集中，越来越多中腰部企业融资变得异常艰难。

信通院的口径是，国内具身智能核心企业数百家，累计投融资数百起、总额数百亿；2026上半年融资额继续冲高，单笔十亿以上成为常态。

钱涌得越快，中间层越先被挤扁。

基模这一轮并不会把国内机器人公司全弄死，它是把"薄壳层"开除。四类最危险。

套壳型"机器人大脑"方案商

本体从宇树或公模采购，调GPT/Claude/通义/DeepSeek的API，外面套一层Prompt编排，就包装成"行业机器人解决方案"。核心资产，其实就是几份prompt文档和技能树配置。

Pi API的逻辑已经证明"中间集成商"会被跳过——模型公司自己提供微调加推理托管，下游直接接。国内DeepSeek、Qwen-Robot也在朝机器人适配收口，套壳商等于"帮基模公司做销售代理还不分成"。

再叠上三把刀：数据出境合规、工厂高频调用Token的账单、客户切换成本为零。明天就能换成Astra/Argon/通义，套壳商手里没有任何锁定。

想活下来，条件其实就一个：往下走，做真机运维、变成DeployCo；或者把没有替代方案的场景数据攥在手里。

规则/示教派出身的传统机器人集成商

这类公司靠ROS、PLC、示教器编程起家，干活站集成、AGV、上下料，服务的是工厂和仓储客户。

它们面临的不算被取代，而是利润被挤。确定性高、动作固定的场景，基模短期内插不进来，时延和认证两道关都过不了。可只要任务里带上自然语言变更、异常恢复、长程多步或者跨工位调度，Astra这类Tool Call编排就会把工程师现场写状态机那块活儿吞掉。

以前一个工站集成费能收几十万，往后理解层被基模免费化，集成商就退到接线、调参、售后这一步，毛利从六成滑到两成。

出路也有：紧紧抱住MES/WMS/ERP对接，这脏活基模公司不碰；把医药、食品、汽车的安全认证吃下来；转成DeployCo——不碰大脑，只负责基模跑不起来时谁来背锅。

单任务专用小模型初创，讲的是垂直VLA故事

自己搞一个小VLA，场景锁定插线束、叠衣服、分拣快递，融资说法是手上有专属行业数据。

通用基模零样本、少样本能力一上来，性能差距就被抹平；Generalist式physical prompting又把微调门槛拆掉。这正是垂直AI的老命门——基座每升一代，你的差异化就薄一层。

前地瓜机器人具身负责人何泳澔，现在是虚时科技CTO，Astra出来之后他直接下判断：VLA、世界模型这类方案可能已经没有太大投入价值，具身突破大概率来自基模大厂。这话偏激，但代表了一类真实情绪——垂直小模型初创的融资叙事正被Astra击穿。

判断标准一句话就够：离开那几个客户工厂，你公司还能不能活？不能，你就是集成商；能，才有被模型公司收购的价值。

活下来的路径也不复杂：别再讲自研基座，讲自己积累了多少小时真实工况数据；把自研模型降级成domain adapter，接上基模做上层。数据主权比模型主权更重要。

低质数据标注、通用仿真建模商

靠人工拉框标轨迹、按条收费，或者手工搭MuJoCo场景、按场景交付。

Real2Sim自动建仿真加上视频轨迹提取起来之后，通用场景的人工建模直接贬值。卖标注小时变成卖有效数据率，线性采集链条被仿真闭环替掉。

这类企业的活路在高精工业资产上：反光金属、透明液体、核电检修、航空内窥，这些东西拍不出来，还得靠人。也可以做Sim2Real最后百分之一的误差补偿，或者做数据血缘追溯。人力外包别再干了。

过去不被看重的环节，反倒更值钱。

夹爪的磨损情况，公司这边根本监测不到，得靠真机部署之后在现场跑运维才行；还有工况数据怎么回传；MES/WMS 如何打通；安全认证和力控合规怎么过；高精度仿真资产从哪来；军工、电力、核电这些场景要的资质又怎么拿。

朱啸虎那套判断放这儿很应景。

他的原话是：“中国近两百家机器人公司，差异非常小，凭什么撑起这么高估值？”退掉一批早期具身项目，理由他说得很直接——追问 CEO 客户在哪儿，对方的回答听着就像自己脑补出来的。

泡沫说的是估值，不是需求。但中间薄壳层先死一批，是一定的。

时间窗大概是这样：

未来一年：套壳方案商先出清；

一到两年：规则集成商毛利塌方，垂直小模型融资断档；

两到三年内，低质标注会被自动化吃掉，能留下的只有两种——数据闭环型和场景准入型。真正倒下的并不是"做机器人的"，而是那种只在中间架一层薄壳、压根不碰真机数据的玩家。

所谓护城河也换了内容：不再比"我接了哪个大模型"，而是比"我的机器人在产线上跑了多少小时、攒下多少故障数据"。

DeepSeek怎么打？不造脑，拼装出场

国内这边，也谈不上完全"被轰"。

DeepSeek既没选Pi式纯大脑，也没走Dyna全栈那条路，而是第三条——拼装。

8月，DeepSeek以约1.4亿元参与宇树科技科创板IPO战略配售，锁定三十六个月，双方还签了双向优先采购备忘录。

10月12日前后又传出消息，DeepSeek拟领投WinverseAI种子轮，金额数千万美元，交易尚未最终敲定。WinverseAI创始人胡瀚是Swin Transformer共同作者，公司业务偏底层infra和模型加速，并非整机厂。三层拼装由此成形：

• 宇树=本体/运控
• WinverseAI=世界模型/物理底座infra
• DeepSeek基模=语义层/任务规划

再看美系几条线——

谷歌走平台派：Argon负责写仿真，Robotics 2控机，工作流由自己闭环。

OpenAI走垂直派：Astra充当认知脑，机器人团队已经重组，之后自研或投资本体都有可能。

Pi属于ModelCo平台：靠API分发，交付不管。

Dyna则是全栈DeployCo：模型、硬件、现场三样一起扛。

DeepSeek眼下站的位置还是ModelCo，并非Pi式API平台。若真要把"基模撞飞"做成落地版，下一步该发的不是机器人模型，而是机器人API加数据回流条款——把宇树的真机数据、WinverseAI的物理底座、自己的语义层缝成一条飞轮。

梁文锋早前把具身放在AGI六阶的最后一位，原话是"最轻松、可以不用加班"。可GPT-6发布、OpenAI明确发力人形之后，这张时间表明显被改了。

据接近DeepSeek人士，梁文锋近期也承认，DeepSeek与GPT-6在部分能力维度上仍有差距。

王兴兴的GPT-7判断：抽完椅子，可能抽桌腿

回到开头那句话。

王兴兴在工博会的原话是：GPT-6出来后宇树第一时间接到机器人上测，"效果非常不错"；但复杂物理交互——用筷子拨东西、叠衣服、堆叠盒子——Astra仍然做不了。尽管如此，他还是把拐点从"两三年"往前拨到了"一两年"，理由在于：通用大模型已经验证了语义理解和空间泛化，接下来要攻的是物理交互这一关，而GPT-7未必是渐进改善，有可能是跳跃突破。

这一判断得拆成两面来说。一面对基模厂是好消息：假如GPT-7真能补上精细接触、长程执行、双臂协同这几块，世界模型退守的“物理预测”地盘也会被咬掉一口。注意不是全部吞下，而是够覆盖工业场景里八成左右的活儿。

另一面，对国内中间层就是硬碰硬的挤压。王兴兴本人也认了，宇树2024年就进汽车厂试点，两年下来还卡在“试点”阶段。卡点不在AI聪不聪明，而在于每来一个新任务就得重新训练，整体效率还干不过人。基模要是再跳一代，套壳商和规则集成商的缓冲期就从“两三年”缩到“明年”。

不过他话里也留了余地：“目前仍需要人参与评价，判断动作是否符合预期。”这句才是DeployCo能活下来的根子——模型越强，越得有人在现场盯着它有没有做对。

所以就算GPT-7真把具身瓶颈“打穿”，打穿的也只是模型这一层。产线要落地，还有三道关：数据回流、场景准入、现场运维。这三道关不在OpenAI手上，而在宇树、在DeployCo、在那些愿意在工厂蹲半年的团队手上。

写在最后

回看2024年，行业还都觉得得先有世界模型，才谈得上机器人大脑。到了2026年，情况变了：基模直接绕开“先理解世界”这一步，把语义层、规划层、仿真生成层、微调分发层通通吞了进去。

Pi把这一套封装成API，Generalist把微调做成physical prompt，Astra把规划做成Tool Call，Argon则把仿真直接写成代码。

世界模型并没有消失，只是角色被重新分了一遍——原先当“总指挥”，现在退成“物理校验器”；原先做“独立中枢”，现在变成“基模的Tool Call”。ModelCo和DeployCo的分工同样是阶段性的东西，不是最终格局。

国内具身圈也在经历同一轮重新分配。套壳商、规则集成商、垂直小模型、标注农场，这四类“中间薄壳”会最先被淘汰。能活下来的，未必是模型最强的，而是数据闭环最紧的、场景准入最深的、现场运维最重的。

王兴兴说GPT-7可能把瓶颈打穿，这话不算保守，方向也没错——基模的下一刀就会砍在物理交互上。但“打穿瓶颈”和“跑通产线”是两码事。前者是OpenAI的战场，后者是DeployCo的战场。

基模撞飞的，从来不是世界模型这门技术，也不是“部署公司”这个岗位，而是“世界模型=机器人大脑”这个等式。等式一破，物理AI的竞争才算真正开局：拼的不是谁模型强，而是谁能把基模的语义、世界模型的物理、DeployCo的现场数据缝得最紧。缝得紧的人，手里才攥着开门的钥匙。

门后面，才是物理AI真正的大时代。