GPT-6 Astra直接控机器人：成功率66.3%，智元GO-3同期发布

（英伟达研究团队的相关实验。英伟达官网/图）

今年10月中旬，英伟达研究团队公布了一段仿真实验：机械臂先把红色积木放到最底下，接着依次叠上蓝色、绿色、黄色三块积木，四块垒成一摞。

表面看，这不过是机器人完成的一次寻常操作。可这回控制机械臂的，并非专门训练过的具身智能模型，而是OpenAI的通用大模型GPT-6 Astra。

这项研究名为《Astranomy: An empirical study of GPT-6 Astra as a native robot policy》（Astranomy：GPT-6 Astra作为原生机器人策略的经验研究）。研究里，GPT-6 Astra不用针对机器人控制任务做专门微调，靠环境信息和任务指令就能生成动作。

问题在于，通用大模型管机器人，成本和效率都还卡着。上述智能体方案平均每轮测试要烧掉约3090万个Token，估算模型费用36.4美元；另一条直接生成动作的路子，单次模型调用平均耗时18.56秒。何况实验允许在模型推理期间暂停仿真环境，这些成绩离真实场景里的连续作业还有距离。

即便如此，这项研究还是抛出一个业界关心的问题：以往得靠专用机器人数据训练才能拿到的动作控制能力，是不是正被通用大模型一点点握在手里？

通用大模型往机器人动作控制这边伸手的同时，国内具身智能企业也在加码自研基础模型。10月29日，智元发布新一代具身基座模型GO-3 Preview。

一头是通用大模型试着直接操控机器人，另一头是具身智能企业继续砸钱做专用模型。两条技术路线越走越近，具身智能企业自研基础模型的技术门槛和商业价值，也被重新拿出来掂量。

《中国经营报》记者采访了多位业内人士，发现大家对通用大模型杀进具身智能领域会带来什么，判断并不一致。

惠誉评级信用评论与研究高级董事胡旸瑞告诉记者，模型之间竞争加剧，可能带来定价压力，市场也会更看重商业化能力和执行能力。

沂景资本董事总经理谢思远则认为，往后具身大脑的大部分功能，或许会被通用大脑蚕食掉。

不过，一家具身智能企业创始人告诉记者，这种路线融合的势头对公司影响不大。

通用大模型“进军”物理世界

在这之前，通用大模型在机器人系统里多半管的是高层决策。用户说一句“把桌上的杯子放进柜子里”，大模型负责听懂指令、认出物体、拆解步骤，真正去抓、去移、去放的，通常还是专门训练过的机器人控制模型。

眼下，这套分工正在松动。

在上述

研究结果显示，RoboLab-120测试中，三种方案的任务成功率分别是66.3%、74.8%和66.5%。智能体方案的成绩，比该测试此前最优的公开策略高出23.8个百分点。

分开看，GPT-6 Astra直接控制方案单次模型调用平均耗时约18.56秒。智能体方案成功率更高，代价是每次任务平均消耗约3090万个Token，估算模型费用36.40美元；直接控制方案平均费用约1.96美元。

但这些成绩出自高保真仿真环境，不是真实工厂里的连续生产作业。测试时系统还允许在模型推理时暂停仿真环境，所以不能把通用大模型的成功率直接当成现实场景的作业能力。

其实，GPT-6 Astra在具身领域的试水并非孤例。10月20日发布的一份研究名为《Frontier LLMs Enter the World of Robotics: A Cross-Model Evaluation on RoboColiseum》（前沿大语言模型进入机器人世界：基于RoboColiseum的跨模型评估），把GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5以及Gemini 4 Argon等通用大模型放进同一套测试框架里比。

论文中，研究人员借Agent2Act把GPT-6 Astra接到不同型号的机器人上。仿真环境里，模型完成了垃圾投放、物品搬运、开门、移动导航等任务；真实机器人实验中，还完成了部分抓取、积木堆叠和简单衣物折叠任务。

这些研究说明，通用大模型不再只是告诉机器人该干什么，也开始试着生成机器人该怎么动的具体动作。

竞争壁垒面临“重审”

其实，通用大模型能力往外延伸，也让具身智能企业自研基础模型的价值多了新的讨论。

长期以来，具身智能企业想用机器人的视觉、动作、触觉以及真实场景数据训练专用模型，让机器人具备跨任务、跨场景的泛化能力。

视觉—语言—动作模型（VLA）是其中一条关键路线。通用大模型主要靠互联网文本、图像和视频数据训练，VLA则在此基础上加进了机器人动作数据，把环境感知、语言理解和物理动作串了起来。

技术往前推进，一些企业又开始把世界模型、动作预测和运动控制能力装进同一套架构，目的是让机器人从听懂任务到真正执行之间少掉一些能力损耗。

国内企业眼下正沿着这个方向持续加码。

10月29日，智元发布GO-3 Preview具身基座模型。智元方面称，该模型采用世界推理动作模型（WRAM）架构，把任务理解、未来状态预测和动作生成放进一个统一体系。同一天，智元还推出了WITA-OMNI多模态交互大模型，把视觉、听觉、语言和机器人肢体动作能力进一步整合到一起。

但两类模型往后怎么走，业内看法并不一致。智元合伙人、联席总裁、中央研发部总裁、交互业务体系总裁熊彦接受记者采访时说，GPT-6 Astra的长处在于高阶任务规划，一是调用其他模型来生成动作，二是直接生成机器人的动作。“但在这个过程中，一个简单动作的生成可能是分钟级的。同时，调用一次需要上百美元，对于部署态而言，调试成本很贵。”

智元联合创始人、联席总裁、具身业务体系总裁姚卯青也提到，通用大模型做了大量仿真Benchmark（基准测试），在具备Encounter learning（接触式学习）之后，闭环任务上的能力确实有了，可局限同样很大。“首先动作很慢，还会消耗大量Token。这并不是大模型最擅长的能力以及我们对它最好的利用方式。”

谢思远还向记者提到，机器人在工业和服务场景里要上规模，光靠通用模型在空间理解、推理上的长进推不动。“数据还是不够，模型也谈不上泛化。放到实际应用里看，眼下机器人任务的成功率跟要求差着一个量级。”

机器人产业链的利润，最后会落到谁手里？

通用大模型往机器人动作控制领域伸手，影响恐怕不只在技术路线之争，市场对具身智能企业估值逻辑和商业价值的看法，也正在被重新打量。

谢思远告诉记者，眼下具身智能领域不少企业走的是世界模型与VLA结合的技术架构，模型路线有一定程度的同质化。通用大模型和具身模型再往一起融合，部分把自研具身大脑当作核心竞争力的企业，可能会碰上估值调整的压力，甚至不排除估值大幅下跌。

这个判断的背后，是通用大模型能力上来之后，专用具身模型的独立价值可能受到冲击。不过在胡旸瑞看来，模型能力变了，不等于机器人企业的竞争优势就完全由底层技术决定。模型之间竞争越激烈，企业估值可能越要看它能不能把技术能力变成持续的收入和现金流。

胡旸瑞认为，往后比拼的不只是谁做出最强模型，还包括谁把升级路径、客户关系、部署环境攥在手里。专有数据、硬件整合、部署能力、生态控制能力，这些也可能是企业长期优势的来源。对已经落到真实场景里的机器人公司而言，已部署系统的能力能不能一直往上走、在客户使用过程中能不能继续占主导，或许跟最初的技术创新一样关键。

其实对具身智能企业来说，机器人本体及系统整合能力仍然被看作重要的竞争基础。

智元联合创始人、总裁、CTO彭志辉接受记者采访时表示，等行业内企业都具备相近的决策能力时，模型能力怎么更好地用到物理场景里，最终还是要靠机器人本体作为媒介，具身智能企业在这方面有自己的优势。

“对于具身智能企业而言，全栈技术路径不是选择题，而是必答题。”彭志辉告诉记者，面向实际场景解决问题、提升模型泛化能力和机器人本体可靠性，既是具身智能企业的发展要求，也有助于它们更好地吸收和应用外部通用模型的技术进展。