GPT-6能开机器人，世界模型还要不要做

“这些动作我们没写过专门的程序，它看见旁边有个洗笔的颜料盘，自己就过去把笔涮干净，接着画。”10月22日，在2026世界物理AI大会上，宇树科技（688836.SH）创始人、董事长王兴兴讲起一次内部测试：让OpenAI的GPT-6在没有经过专门训练的情况下，直接操控机器人作画。

王兴兴的感慨是，大家对AI的信仰其实都还不够，他自己也一样。到了11月4日的2026年世界互联网大会乌镇峰会，他又说，眼下全球最头部的多模态大模型，在任务规划这件事上已经解决得相当好，明年大概率会成为机器人行业和机器人模型的临界点。

他所说的多模态大模型，主要是指GPT、Gemini、Claude这类通用大模型。它们起初都是大语言模型，干的活是根据上文推测下一个词，后来才陆续长出图像和视频处理的本事，训练数据大多取自互联网。

今年9月，OpenAI发布GPT-6 Astra，把这类模型的能力从任务规划一路推到了直接控制机器人。

9月21日，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发表论文称，不做具体任务的微调，Astra在RoboDojo仿真任务里的平均成功率是22.48%，而上代GPT-5.5只有0.88%。这个成绩一度压过了RoboDojo榜单上所有公开的专用机器人模型。

高性能通用大模型接连冒出来，像GPT-6 Astra这样的选手，多少让人起疑：专门让AI理解物理世界的世界模型（World Model）这条路，是不是已经被证伪了？换个说法，通用大模型既然也能控制机器人，等能力再往上走，单做世界模型好像就没什么必要了。

事情真是这样吗？

通用大模型能替代什么

世界模型最早的意思，是能依据当前状态和一个给定动作，预测世界下一刻会怎样，比如机械臂推一下水杯，杯子会不会掉下桌面。近两年这个词火了，含义也随着AI的进展一变再变。

早在1943年，英国心理学家肯尼思·克雷克就提出，人脑里装着现实世界的小型模型，人在动手之前可以靠它预判结果。

到了上世纪80年代末至90年代初，这套思路被带进神经网络研究。研究者David Ha和Jürgen Schmidhu-ber在2018年发表论文《World Models》，让AI先学会环境的变化规律，再在学到的模型里训练，世界模型这个叫法从此在深度学习领域慢慢传开。

其后几年，世界模型基本还是学术界的研究题目。图灵奖得主杨立昆2022年发表论文，主张围绕世界模型来搭建机器智能。等大语言模型成了行业主流，他依然公开批评这类模型不懂物理世界。

2024年起，世界模型的热度明显往上走，视频生成、机器人、自动驾驶都缺不了这种能力。

2024年2月，OpenAI发布视频生成模型Sora，技术报告的标题是《作为世界模拟器的视频生成模型》。同年9月，AI领域华裔科学家李飞飞创办的World Labs公开亮相，融资2.3亿美元，目标同样是让AI理解三维物理世界。

2025年1月，英伟达推出世界模型平台Cosmos，给机器人和自动驾驶生成训练数据。英伟达创始人兼CEO黄仁勋说，机器人领域的“ChatGPT时刻”就要来了。

资本随即追着世界模型赛道跑。2025年底离开Meta之后，杨立昆创办世界模型公司AMI Labs，今年3月宣布融资10.3亿美元，这家公司的主张是：真正的智能不是从语言开始的，而是从世界开始的。9月，AMD宣布拟以约82亿美元收购World Labs。

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有23起，2026年到现在已经超过100起。

World Labs在今年6月的一篇文章里说，世界模型是当前AI领域含义最混杂的术语之一，并按输出结果分成三类：生成给人看的画面、模拟物理状态、决定下一步动作。

这三类活，通用大模型如今都伸手了。

生成画面这块，通用大模型公司推出的视频生成模型已经能干。不过，芯片说ICTIME首席分析师林美炳对经济观察报记者说，画面逼真不等于模型懂了物理规律，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。

模拟物理状态这块，通用大模型的办法是调用现成工具。浙商证券2026年10月21日发布的研报指出，Astra已经能调用三维软件Blender还原现实空间，谷歌的Gemini 4 Argon可以调整摩擦等参数，再交给物理引擎去算接触和运动。也就是说，通用大模型未必非得自己掌握物理规律。

决定下一步动作这块，通用大模型近期的变化最大。英伟达西雅图机器人实验室10月公布的仿真测试显示，120项抓取摆放任务中，没做机器人专项微调的Astra成功率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%。

可到了执行速度上，三个模型的排序正好倒过来：同一项测试里，Astra直接输出动作，单次调用平均要18.56秒；英伟达这款模型约0.71秒；π0.5只要约47毫秒。

机器人控制对速度很挑剔。智元机器人联席总裁、具身业务体系总裁姚卯青此前对经济观察报记者说，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。换句话说，对机器人来讲，通用大模型的速度追不上下面两层，眼下更适合待在最上层。

“大模型想往前迈一步，产线那边等不了那么久。”深圳一家头部机器人企业的产品经理向经济观察报记者这样描述。实际落地时，这家企业的分工是：让大模型去理解任务、拆解步骤，真正落到动作上，还是由自己训练的动作模型来完成。

速度之外，操作精度同样是通用大模型绕不开的软肋。11月5日，王兴兴在第九届进博会期间提到，眼下最棘手的地方不在于模型理解能力不足，而在于它到物理世界里执行的时候，“最后几毫米有比较大的偏差”。

今年 9月，独立评测团队Robocurve公开的真机测试里，Astra往碗里放方块，20次成了19次；可换成精密拼图插入，20次只成功2次。

精度的差距，跟训练数据脱不开关系。前述产品经理的说法是：“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。”机械臂该怎么动，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日在乌镇峰会上谈到，大语言模型之所以表现最强，原因在于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，只能由人或机器人去采集，成本至今居高不下。

通用大模型的另一块短板，落在实际操作中对动作后果的预判上。10月20日，南京大学、南洋理工大学、北京大学等机构的研究人员发布论文，其中指出Astra对任务的理解和实际执行之间存在明显落差，问题主要出在预判动作后果、精度以及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往世界模型上投人。

10月27日，谷歌DeepMind放出世界模型Genie4的研究预览版。分工上，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，两边配合，模拟了一回人形机器人下跳棋。

至少就现在看，预判后果这件事还是得交给世界模型。

纯粹的世界模型公司“压力日增”

预判后果的能力自有其价值，可愿意专门为世界模型掏钱的买家，看起来并不多。

物理世界试错的代价和数字世界不一样。大模型代码写错了，改完再跑一遍就行；机械臂把水杯打翻，这个错收不回来。试错越贵，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供。机器人公司和车企，多数是自己开发，或者拿开放模型来用；芯片公司则把模型开放出去，图的是带动算力需求。

机器人行业里常见的路子，是把世界模型并进自己训练的动作模型。机器人公司智平方创始人兼CEO郭彦东此前举例：泡茶先放什么后放什么，靠的是语言模型；水杯搁得离桌边太近可能掉下去，这类预测得靠世界模型。他的说法是，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，主要就两件事：一是动作执行前先把可能的影响推演一遍，二是拿它生成仿真数据。两种用法下，世界模型都只是机器人公司整套模型中的一块。

前述产品经理提到，市面上已经有免费的世界模型可用，这家企业更想把钱花在数据和模型微调上，而不是专门去买世界模型。

世界模型的一个吸引力，在于能用低成本的视频数据，把真机数据的采集量压下来。不过把账综合算一遍，成本未必真就更低。

前述产品经理介绍了两种路径。一种先用互联网视频训练世界模型，数据量要到百万小时级，之后再拿几十到上百小时的高质量机器人数据做微调；另一种是直接训练动作模型，总共需要数千小时数据，其中大头是真机数据，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，两种做法算下来的总成本可能差不多。

相比视频数据，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的提升更关键，“数据的多样性比数据的量更重要”。

车企那边情况差不多，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，是拿阿里巴巴（09988.HK）开源的视频生成模型WAN2.2搭起来的；9月起推送的智驾新版本，又把世界模型X-Foresight首次装上车，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。

万创投行董事总经理吴沛东对经济观察报记者表示，开放模型和工具缩短的是起步阶段的时间，头部车企的核心技术还是会自己搞，受益更明显的是二三线企业。他判断，智能驾驶在购车决策里的分量已经上来了，可要让它成为独立付费项，消费者意愿还是很弱——人们更乐意为用得放心、出了事故有人担责掏钱，不太愿意为“会思考”买单，车企掏钱买外部模型的动力也就跟着不足。

机器人公司和车企之外，芯片公司盯上世界模型，主要还是冲着算力需求去的。

英伟达将世界模型Cosmos向行业开放。其相关工作人员对经济观察报记者称，开放这些模型能把行业的基础模型做到“60分”，车企随后用少量算力和自有路测数据做微调；而全行业一旦都用上这些开放模型，最终会转成对云端训练与仿真算力的持续需求。

AMD走的是另一条路——直接收购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日的业绩会上说，这笔收购能让AMD更深入地了解前沿模型的演进。在林美炳看来，AMD真正看中的是模型团队：把团队纳入体系后，芯片公司可以更早掌握下一代模型对显存、带宽和时延的要求。

机器人公司和车企很少专门为外部世界模型掏钱，芯片公司又把自己的世界模型拿出来开放。两头一挤，市场上的世界模型公司就背上了商业化压力。训练世界模型的投入同样不小。

极佳视界联合创始人兼首席科学家朱政9月曾公开算过一笔账：要把训练数据堆到千万乃至上亿小时，可能得砸进去几千亿元，才训得出一个真正适配通用场景的世界模型。林美炳的看法类似，世界模型吃算力，初创公司在这方面的体量，跟通用大模型公司没法比。

通用大模型公司其实也在加快进入这一领域。OpenAI今年3月宣布停止Sora的消费者应用和API服务，Sora研究团队转向世界模拟以推动机器人发展。

OpenAI首席执行官奥尔特曼最近公开表态，OpenAI要自己造人形机器人，2027年预计推出演示样机。采访中记者还了解到，大模型公司若自研硬件，获取高质量训练数据的效率会更高。

在朱政看来，通用大模型公司转向世界模型并无太大门槛，留给纯粹世界模型公司的时间窗口不是很长。他的判断是：“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。”