OpenAI Astra 是对具身模型的降维打击吗?

本文来自微信公众号： 十字路口Crossing ，作者：Koji，原文标题：《OpenAI Astra 是对具身模型的降维打击吗?｜两场圆桌的七个观点》

Astra惊艳之后，具身公司还有护城河吗？

最近，我连续主持了两场和具身智能有关的论坛：9月10日的Inclusion·外滩大会，以及9月9日的JDD京东全球科技探索者大会。

两场活动恰好赶上GPT-6 Astra在具身领域引发热议。社交媒体上，大家纷纷尝试让它控制机械臂、抓取物体，讨论也随之而来。

所以，在两场圆桌上，我们都聊到了同一个问题：

GPT-6 Astra带给具身模型什么样的冲击？具身模型会保留多大的独立空间？通用模型才是未来吗？

嘉宾们给出了很多精彩、也很不一样的观点。

我想把这些观点汇总到一起。于是，我请Astra根据七位嘉宾的现场发言，标出他们的「通用主导指数」。这是一条0–10的立场刻度：

•10：通用模型才是未来。随着通用能力不断扩展，独立具身模型的空间会被大幅压缩，甚至不再需要单独存在。

•0：具身模型会完全独立。物理智能需要自己的基座模型，独立空间不会被通用模型吞掉。

🚥

这个指数只表示立场倾向，不是在评判谁对谁错。

它是Astra对现场发言的解读，并非嘉宾给自己的判断。

下面，我按照指数从低到高，把七位嘉宾的相关发言重新编排在一起。

陈博远｜逆矩阵科技创始人

通用主导指数：1/10（这是Astra根据发言给出的参考指数，仅供参考）

强烈主张独立的物理基座模型

Astra代表了真正的VLA最高level的形态——语言模型进入物理世界，形成真实物理闭环。

但是，我自己最近也在尝试用GPT-6操作一个夹爪去拿杯子，可能要花40分钟到一个小时才能慢慢拿起来，这是真实案例。

这也引发我的进一步反思：语言模型的上限到底在哪里？

我们现在能看到语言模型能操纵真机，Claude也发了物理AI版的MCP协议，能操控硬件本体。但其实，语言模型存在很多上限。

人类有运动感知智能、语言认知智能。语言的确是很好的载体，但它也限制了我们任务描述的上限。比如，我能想象怎么系鞋带，但用语言描述不出来。

现在它能完成一些简单地夹取，但是到了真实物理世界，对精度、速度、泛化性都有要求时，它依然是失效的。

另外，语言模型的推理范式也把应用上限锁死了。

因为语言模型还是token by token的生成，100毫秒在聊天窗口没什么感觉，但是对应到真机上，可能就是三个控制周期。真实物理世界时刻在变化，不可能说动作还没执行完、来了新的挑战，模型无法及时响应。

所以Astra的出现给了我很大震撼，它让我们看到语言模型进入真实物理世界的表现。

但语言模型核心的问题和挑战也是无法突破的，同时也给了我们更坚定的信心：

物理AI一定会存在自己的基座模型，它需要学习人类操作的范式、物理直觉和本能，更高效、更快速地在真实物理世界里做决策和闭环。

王潜｜自变量机器人创始人兼CEO

通用主导指数：2/10（这是Astra根据发言给出的参考指数，仅供参考）

具身需要专门模型，通用能力可借力

这确实是行业里最火的话题。今天早上我还看到一个用Astra控制灵巧手的视频。

这个版本的模型其实训进了大量的机器人数据。去年年初开始，OpenAI、Anthropic在大量采购机器人数据，他们自己也有小规模数据工厂采集机器人数据。所以这不是特别奇怪的事，在预期中。

我一直有一个“暴论”，但在大模型一线的同事应该能认可：

今天智能的本体是存在于数据里面的，当然一部分存在于evaluation里面。模型更多是一个蒸馏器和一个容器，在训练时，它是一个蒸馏器，在部署时，它是一个容器。

今天我们要做一个前沿的AI系统，模型的作用其实已经变得极其小了，更大的原因在数据，需要越来越好的数据。怎么造数据、挑数据、验证数据、标注数据，恰恰是这些东西推进了AI系统的发展。

所以问题变成：如果OpenAI、Anthropic要做具身，它是否需要依赖和我们一样的数据基础设施、验证基础设施和其他infra？它是否需要从现实世界里收集数据、做仿真器、在现实世界做evaluation、和硬件结合等等。

如果它还是要做这些事情，那它只是另外一个具身智能公司而已。因为这些难度不会因为它在基础模型上的优势而降低，反而是具身智能公司，可能有实质上的优势。

大家担心的问题实质是：基础模型是否可能通过其他领域的通用智能泛化到具身智能上面、形成降维打击？

我觉得可能性不大。

第一，在语言模型历史上，从来没有发生过这种事情。最近3D也是一样，包括computer use，即便今天视频生成模型已经做得非常优秀，但它并没有直接转化为动作层面、机器人控制层面的天然优势。

但反过来，这件事对我们的启示是：预训练确实是work的。

行业里有很多人在顾虑，我们做了大量预训练，加了大量通用数据，是不是反而有害？是否可能影响模型效果？在Astra上，我们看到它至少是一个bonus，至少不是一个坏事情，我们应该坚定把这条路走下去。

最后，我们和Anthropic或OpenAI唯一的差距可能是：他们是把这一套infra融入通用大模型、语言模型里，而我们只是在做特定行业的专用模型。

事实上，通用大模型、语言模型，是没有办法在机器人上以合理速度做推理、做部署的，我们确实需要一个单纯的具身模型来做这件事，才是更高效率的做法。

沈宇军｜蚂蚁灵波科技首席科学家

通用主导指数：4/10（这是Astra根据发言给出的参考指数，仅供参考）

协作共存，更看重具身独立范式

我跟华哲观点差不太多，可能稍微再激进一点。我甚至感觉，具身慢慢会影响大模型或者说云端模型的发展路径。

回到具身模型的最终工作方式，它必须部署在机器人上。机器人做的事情，要依赖身上所有传感器，这些传感器在源源不断地持续输入，哪怕机器人在做操作。

这跟数字世界中模型的轮式对话方式不太一样。在数字世界，你问它一个问题，它回答你，它回答时你很难继续问，是线性的。但机器人的工作环境是源源不断地输入，不可被打断，哪怕它自己在推理，输入还是在进来，它要基于新的输入，随时改变推理。

具身模型最后会可能成为更高阶模型使用的一个工具。

从工具层面讲，它可能需要自己的训练范式，因为它要面对那个场景：源源不断输入，然后输出policy。这是我的一个观点。

为什么说具身场景可能会给更高级的、能交互式的Astra一样的模型，提供更多的发展方向？

我举个例子，人和人之间对话，其实是很多模态的，不只有语言、视觉，还有很多外在因素。比如，我跟一个人聊天，外面突然下雨，我看到下雨，可能会改变心情、改变聊天方式。或者我看到这个人脸色不好，接下来要说的话很多我就不说了，马上换一句。

这个是现在很多云端的数字世界模型还没有考虑的，因为它目前不需要，是藏在屏幕后面的，大家只需要通过视觉跟语言交流。

但之后，机器人如果真的要跟人对话，它能囊括的信息量应该非常多，而且很多信息一定来自现实世界中的传感器。我们会观察天气，感测温度，这些都会影响模型的输出结果。

如果机器人真的逐渐走入生活，带来更多跟物理世界、现实生活更多的数据，这些数据可能成为更高级的大语言模型、大模型公司的新的语料，他们可以基于这些数据变得更智能。

它不再是一个冷冰冰躲在后面的智能体，反而可以像人一样感受周围环境，根据变化随时调整跟你对话的方式。

也正因如此，说到训练范式，我觉得我们现在可能有点高估了“训练模型的技术”。

我听到一些行业声音说，具身要被现在数字世界模型降维打击，好像攒一波物理世界的数据，然后按照之前的训练方式，就可以训出一个具身模型。这在我看来不太成立。

我认为，具身有可能会走跟数字世界相同的模式，但一定不会走相同的技术路线。

因为最后的应用场景，决定了模型的不一样。数字世界是对话式，但具身一定是机器人一边工作一边推理。

具身一定会有自己的新训练范式。这种范式可以支持对物理世界信息的持续处理，可能是7×24小时，甚至365×24小时，全年无休处理数据。

韩铮｜苏度科技联合创始人兼CEO

通用主导指数：5/10（这是Astra根据发言给出的参考指数，仅供参考）

上下分层，通用与具身并重

其实跟我一直讲的一个观点越来越接近：上下会分层。上层的抽象理解会分层。

从几年前我就这么讲：Facebook AI Research（FAIR）最大的对手实际上是OpenAI，最近还有Anthropic。DeepMind另外一位Robotics研究员也刚加入了Anthropic。

另外还有一点，机器人的基础是skill。底层技能的泛化性和高成功率，一定要跟上层模型同等水平。不能成功率不高，然后有一些泛化性，这是上下层衔接时非常致命的问题。

所以，具身公司和上层模型去接的时候，一定要注意这个问题：高成功率下的泛化性。

去年底，我们当时做演示，跟千问模型做语言交互，它通过对周边环境和物体理解，包括给它的抽象指令，最终拆成一些reasoning生成的操作步骤，但它一定要靠对环境和物体极其可靠稳定的底层操作，去完成整个动作training才可以。

今年这个理念重新被大家拿到前台，我觉得也是大趋势，特别是Astra出现之后。

许华哲｜破壳机器人创始人、清华大学交叉信息研究院助理教授

通用主导指数：6/10（这是Astra根据发言给出的参考指数，仅供参考）

通用能力占先，物理模型仍是关键

Astra确实非常惊艳。我们内部在它能用的当天立刻做了测试。

如果把具身任务看成需要语义泛化、空间泛化加上物理泛化，Astra只有物理做得相对很弱，语义和空间做得相对很强。

我们给Astra一个prompt，它全认识桌面上的东西，无论任何类别，它一定往对的地方走。原来VLM模型或大模型，基本上机器人走到那，然后开始乱动，就结束了。

但Astra很独特的一点是它能抓起来，而且能抓非常难抓的东西。比如，一根筷子放在桌面上，对机器人来说，这种小物体它都得顶到桌子上、甚至打滑才能抓起来。Astra现在也能抓起来。

我们测到这里在想，它会不会旋转不太行？所以我们尝试让它把筷子立起来，插到一个杯子里。发现它也可以。所以，不光是二维空间，它在整个三维空间，效果也都很好。但当我们让它做带物理接触的复杂任务，比如用筷子挑开一个什么东西，它就开始不太行了。

我觉得，这也是具身机器人公司最后的阵地：怎么理解物理变化。

我们也拿Astra尝试叠盒子、叠衣服这种具身公司很喜欢做的事情，Astra都做不了。那么在所有极复杂任务中，做麻婆豆腐，肯定是其中最复杂的任务之一了。

回到Astra上，Astra现在能做的还是相对空间语义上的具身任务。最复杂的contact-rich任务方面，它能做的一个是把筷子放杯子里，另一个是handover，把一个东西拿起来递到另一只手上，再放到另一侧。我们测了很多次，有一两次成功。

Astra给我的启发是，未来这些东西应该是串在一起的，有点像刚才王梦迪老师（普林斯顿大学人工智能创新中心主任）主旨演讲聊到的，应该把具身模型也接到Codex里，或接到一个harness环境里。

一方面具身模型是要通用干活，但harness需要很强语义能力。比如抓水果，因为去菜市场买水果会腐烂，一般最开始具身模型都是拿玩具水果、泡沫水果，所以它不能理解这里面的差别。像Astra可以给到反馈，说这个地方有一些CoT，抓了以后会怎样，然后再去行动。

我认为最后应该是大模型、具身模型再到物理世界，连接在一起的一个完整系统，才能真正解决好。

姚卯青｜智元联合创始人、联席总裁、具身业务体系总裁

通用主导指数：7/10（这是Astra根据发言给出的参考指数，仅供参考）

偏向统一模型，仍保留专门执行层

我越来越觉得，现在的多模态大模型，在上层系统已经能更好地适应长程任务的理解、规划和过程中的思考了。但对于更精细的操作层面，确实还需要policy层面来解决。

我觉得接下来一个值得研究的问题是：

架构本身到底是分层的、层与层之间通信的，还是将来会走向单一系统，通过类似MoE的架构来自适应切换“快慢系统”？

就像语言模型以前需要人去手工选快速思考还是深度思考，但现在很多产品都自动切换。不可否认，最新的Frontier VLM越来越具备这样的思考能力。

具体到GPT Astra，对我的启示有这几点：

第一，语言是一种高效的“智能压缩”。

从最近的语言模型和视频模型来看，语言作为载体，经过人类进化这么多年，对信息和智能进行了压缩。但原生的大模型因为没有经过特别多物理世界、具身智能的后训练和微调，也已经能很好地指挥闭环系统去完成任务。

第二，视频生成模型证明了Scaling Law在高维空间同样成立。

今年主流的视频生成模型，相比去年有质的飞跃。为什么视频生成效果今年能有这么大的飞跃？

因为数据量到了几千万小时，模型参数从小几十B的Dense模型变成了动辄一两百B的MoE模型。在更大参数和更大数据量上，只要细节做对，确实可以延续像语言一样的Scaling Law。

第三，真正的壁垒在数据，不在模型。

我们看到，几家头部公司花了几千人冷启动，标注几十万小时的数据去训Caption模型。我们相信，在具身智能这种十几维、几十维的低维空间里，只要数据标注做得同样足够好，一定也有对应的Scaling Law可以延续。

最近，我们也交流了一些做视频模型的人，大家的感悟也比较深——数据确实越来越重要，因为模型本身并没有那么强的壁垒，但数据至少能拉开200到300天的领先时间。

喻超｜鹿明机器人创始人兼CEO

通用主导指数：8/10（这是Astra根据发言给出的参考指数，仅供参考）

通用主导，具身可能成为子领域

我觉得GPT-6的Astra可能不单纯是纯语言模型的上限。

从一些实践来看，你给它补充一些比较好的表征系统，再加上一套执行系统，它的上限会比现在高很多。

比如，我们之前做试验，调硬件时，把轨迹用纯数值丢进去，这和用类似示波器的对比图片输进去相比，效果差异蛮大的。

所以我认为，后面给它（模型）配备合适的表征系统和执行系统——不管是信号层面还是执行层面——整体的上限还会比现在高很多。

基于这个判断，我觉得后面具身模型的范式，可能会有很大变化，甚至可能会演变成这类模型的一个子领域。

另外，它对当前具身的数据范式，也会有比较大的颠覆。

现在采集的很多常规数据，特别是contact信息不完全够的数据，这类数据的范式，可能都会有很大变化。

写在后面

如你所见，Astra引发的讨论十分精彩和多元。

站在具身智能的十字路口，我想未来也未必是「通用」或「专用」的单选题，真正重要的是，谁能把语义、空间、物理与执行连接成一个完整系统。

我希望这样的讨论越来越多，「十字路口」也会继续发起和参与这些重要的对话。