GPT-6直接控机器人，专用世界模型还有必要吗

“我们没为这些动作专门写程序，它看到旁边有洗笔的颜料盘，就自己过去把笔洗干净，再接着画。”10月22日，宇树科技（688836.SH）创始人、董事长王兴兴在2026世界物理AI大会上讲了一项内部测试：让OpenAI的GPT-6在没经过专门训练的情况下，直接控制机器人画画。

王兴兴感慨，大家对AI的信仰其实都还不够，他自己也一样。11月4日，他在2026年世界互联网大会乌镇峰会上又表示，眼下全球最头部的多模态大模型在任务规划上已经解决得非常好，明年大概率会是机器人行业和机器人模型的临界点。

他说的多模态大模型，主要指GPT、Gemini、Claude这类通用大模型。它们最初是大语言模型，靠上文预测下一个词，后来逐步加入图像和视频处理能力，训练数据主要取自互联网。

OpenAI今年9月发布的GPT-6 Astra，把这类模型的能力从任务规划推到了直接控制机器人。

机器人评测平台RoboDojo团队与香港大学、清华大学等机构的研究人员在9月21日发表的一篇论文中指出，不做具体任务微调的情况下，Astra在RoboDojo仿真任务中的平均成功率为22.48%，上一代GPT-5.5只有0.88%。这一成绩一度高过RoboDojo榜单上全部公开的专用机器人模型。

GPT-6 Astra这类高性能通用大模型出现后，有人开始怀疑：专门让AI理解物理世界的世界模型（World Model）路线是不是已被证伪。换个说法，既然通用大模型也能控制机器人，模型能力再继续加强，专门做世界模型似乎就没必要了。

事实果真如此吗？

通用大模型能替代什么

世界模型原本指能根据当前状态和一个给定动作，预测世界下一刻状态的模型，比如预测机械臂推动水杯后，水杯会不会掉下桌面。近两年世界模型走红，它的含义也随AI进步不断变化。

早在1943年，英国心理学家肯尼思·克雷克就提出，人脑中有现实世界的小型模型，人在行动之前可以借此预判结果。

上世纪80年代末至90年代初，这一思路进入神经网络研究。研究者David Ha和Jürgen Schmidhu-ber 2018年发表论文《World Mod-els》，让AI先学习环境的变化规律，再在学到的模型中训练，世界模型这个名称由此逐渐在深度学习领域流行。

接下来好几年，世界模型基本还停留在学术圈的研究课题里。2022年，图灵奖得主杨立昆在一篇论文中提出，机器智能应当围绕世界模型来搭建。等到大语言模型成了行业的主流路线，他依然公开质疑这类模型：对物理世界缺乏理解。

从2024年开始，世界模型的热度明显上升，视频生成、机器人和自动驾驶都需要这类能力。

2024年2月，

2025年1月，

资本很快涌向世界模型这条赛道。2025年底从Meta离开之后，杨立昆创立了世界模型公司AMI Labs，今年3月宣布完成10.3亿美元融资。这家公司对外的主张是：真正的智能起点是世界，而非语言。9月，

市场研究机构创投通的统计显示，2025年物理AI和世界模型领域的融资事件为23起，2026年至今已超过100起。

World Labs在今年6月发表的一篇文章中称，世界模型是当前AI领域含义最混杂的术语之一，并按输出结果把它分成三类：一是生成给人看的画面，二是模拟物理状态，三是决定下一步的动作。

这三类工作，通用大模型如今都已涉足。

再看生成画面这一块，通用大模型公司推出的视频生成模型已经能做到。但芯片说ICTIME首席分析师林美炳对经济观察报记者表示，画面看起来逼真，并不代表模型就懂了物理规律；那些不接受动作输入的视频生成模型，严格讲还算不上世界模型。

至于模拟物理状态，通用大模型走的是调用现成工具的路子。浙商证券2026年10月21日发布的研报提到，Astra已经可以调用三维软件Blender把现实空间还原出来，谷歌的Gemini 4 Argon则能调整摩擦等参数，接触与运动再交给物理引擎去算。换句话说，通用大模型不一定非得自己弄懂物理规律。

决定下一步动作方面，通用大模型近期的能力变化最大。英伟达西雅图机器人实验室10月公布的仿真测试显示，在120项抓取摆放任务中，没做机器人专项微调的Astra成功率为66.3%，英伟达基于世界模型Cosmos开发的机器人模型为36.8%，美国公司PhysicalIntelligence专门为机器人训练的模型π0.5为28%。

可到了执行速度，三个模型的排名就掉了个个儿：上述测试里，Astra直接输出动作时，单次调用平均要花18.56秒；英伟达的这款模型约0.71秒；π0.5只要约47毫秒。

机器人控制对速度的要求相当苛刻。智元机器人联席总裁、具身业务体系总裁姚卯青之前对经济观察报记者说过，智元的控制系统分三层：最底层跟电机通信，每秒1000次；中间层管运动规划，每秒10到20次；最上层负责任务调度。对机器人来说，通用大模型的速度追不上下面的两层，眼下更适合放在最上层。

“大模型就算想一步，产线也等不起那个时间。”深圳一家头部机器人企业的产品经理对经济观察报记者说。这家企业的做法是：让大模型去理解任务、拆解步骤，落到具体动作上，还是交给自己训练的动作模型去做。

速度之外，操作精度同样是大模型的软肋。11月5日，王兴兴在第九届进博会期间提到，眼下最大的难题不是模型理解得不够，而是放到物理世界里执行时，“最后几毫米有比较大的偏差”。

今年9月，独立评测团队Robocurve公布的真机测试里，Astra把方块放进碗中，20次成了19次；换成精密拼图插入，20次只成功2次。

精度差，跟训练数据有关系。“视频学习能让通用大模型知道人拿起了杯子，但不会告诉它机械臂该怎么动。”前述产品经理说。机械臂怎么做动作，得靠真机数据，也就是机器人实际操作过程中采集下来的数据。

三维设计软件公司群核科技（00068.HK）董事长黄晓煌11月3日在乌镇峰会上说，大语言模型之所以最强，是因为互联网上留下了海量文字数据，可以免费抓取；物理世界的数据不一样，只能靠人或机器人去采集，成本至今不低。

通用大模型还有一个短板：实际操作中预判动作会带来什么后果。南京大学、南洋理工大学、北京大学等机构的研究人员10月20日发布论文指出，Astra对任务的理解和实际执行之间落差明显，问题集中在预判动作后果、精度和复杂动作协调这几处。

预判后果，恰恰是世界模型的主要活儿。通用大模型公司自己也在做世界模型。

10月27日，谷歌DeepMind放出世界模型Genie4的研究预览版：通用大模型Gemini负责拆解目标、调整计划，Genie4负责模拟接下来会发生什么，两者配合，模拟了人形机器人下跳棋。

至少眼下，预判后果这件事还得靠世界模型。

纯粹做世界模型的公司“压力日增”

预判后果的能力有价值，可愿意专门为世界模型掏钱的买家似乎不多。

物理世界里试错和数字世界不一样。大模型写错代码，改完再跑一遍就行；机械臂打翻水杯，这个错收不回来。试错代价越高，提前预判就越值钱。

问题是，这项能力未必非得由专门的世界模型公司来提供。机器人公司和车企多数自己开发，或者拿开放模型来用；芯片公司则把模型开放出去，为的是带动算力需求。

机器人行业常见的做法，是把世界模型并进自己训练的动作模型里。机器人公司智平方创始人兼CEO郭彦东曾举例：泡茶先放什么后放什么，靠语言模型；水杯靠近桌边可能掉下来，这类预测靠世界模型。不把世界模型合进来，很多任务根本做不了。

眼下机器人公司用世界模型主要做两件事：一是在执行动作前推演可能的影响，二是生成仿真数据。两种用途下，世界模型都只是机器人公司整套模型中的一部分。

前述产品经理说，市面上已经有免费的世界模型，该企业更愿意把钱花在数据和模型微调上，而不是专门去买世界模型。

世界模型吸引人的地方之一，是能用低成本的视频数据，减少真机数据的采集量。不过综合算下来，成本未必更低。

前述产品经理介绍，一条路是先用互联网视频训练世界模型，需要百万小时级的数据，再用几十到上百小时的高质量机器人数据微调；另一条路是直接训练动作模型，共需数千小时数据，其中大部分是真机数据，每小时成本约300元至1000元。前者单价低、用量大，后者单价高、用量小，两种做法的总成本可能差不多。

比起视频数据，机器人公司更看重真机数据。智平方副总裁莫磊近期接受经济观察报记者采访时说，真机数据对模型后续性能提升更关键，“数据的多样性比数据的量更重要”。

车企也差不多，智能汽车领域的头部企业大多在自研，或者基于开放模型自己开发。

小鹏汽车（09868.HK）今年4月发布的世界模型X-World，是搭在阿里巴巴（09988.HK）开源的视频生成模型WAN2.2上的；9月开始推送的智驾新版本，又让世界模型X-Foresight首次装车，能预判未来6秒会发生什么。

百度集团（09888.HK）11月3日公开的世界模型ApolloWorld，用在萝卜快跑的测试和验证上。

经济观察报记者采访了万创投行董事总经理吴沛东，他的判断是：开放模型和工具省下的是前期摸索的时间，真正下功夫自研核心技术的还是头部车企，受益更明显的反倒是二三线企业。他还提到，智能驾驶在买车决策里的权重确实高了，可要把它当成单独掏钱的项，消费者意愿依然很弱；用户肯花钱的地方是开着放心、出了事故有人负责，对“会思考”这件事并不买账。车企因此也没什么动力为外购模型掏钱。

机器人公司和车企之外，芯片公司关注世界模型，主要是冲着算力需求去的。

英伟达已将世界模型Cosmos向行业开放。经济观察报记者了解到，相关工作人员称，此举能帮助行业把基础模型做到“60分”，车企可在此基础上用少量算力和自有路测数据做微调。不过，全行业一旦都用上这些开放模型，最终都会转成对云端训练与仿真算力的持续需求。

AMD则直接买下了WorldLabs，交易预计年底前完成。AMD董事长兼首席执行官苏姿丰在11月3日的业绩会上提到，收购之后AMD能更深入地理解前沿模型如何演进。林美炳的看法是，AMD真正想要的是这支模型团队，把人纳入自家体系后，芯片公司就能更早摸清下一代模型对显存、带宽和时延提出了什么要求。

一边是机器人公司和车企很少为外部世界模型掏钱，另一边芯片公司又把自己的世界模型免费开放，世界模型公司因此背上了商业化压力。训练本身的投入也不小。

国内世界模型公司极佳视界的联合创始人、首席科学家朱政9月份曾公开表示，训练数据若要攒到千万甚至上亿小时，“有可能需要花几千亿元才能训（练出）一个真正通用场景的世界模型”。林美炳同样认为，世界模型吃算力，初创公司的算力规模很难跟通用大模型公司比。

通用大模型公司其实也在加速挤进这个领域。OpenAI今年3月宣布停掉Sora的消费者应用和API服务，Sora研究团队转而做世界模拟，以推动机器人发展。

OpenAI首席执行官奥尔特曼近期公开表态，OpenAI会自己造人形机器人，预计2027年拿出演示样机。记者在采访中还了解到，自研硬件能让大模型公司更高效地拿到高质量训练数据。

朱政由此判断，通用大模型公司转做世界模型门槛并不高，纯粹世界模型公司能用的时间窗口不会太长。他的原话是：“必须在一到两年内兑现大众对它的期望。展望未来五年，我对世界模型最大的风险或者担心，就是商业化闭环究竟能不能走通。”