OpenAI在9月初发布GPT-6 Astra后，具身智能行业正经历一轮结构性调整。据「定焦One」报道，一家成立约一年半的具身智能数据服务公司最近两周接到的数据采购订单已超过此前两个月的总量，订单来源不仅包括具身行业公司，一些此前只询价不下单的基础模型大厂也开始实际采购。这一变化发生在具身行业融资环境整体收紧的背景下，对数据采集环节而言堪称一针强心剂。

变化的起点是Astra展现出的跨领域能力。社交媒体上大量测试视频显示，Astra可以直接控制机械臂执行多种任务，成功率甚至超过部分专用具身模型。英伟达研究团队10月中旬的测试结果显示，在未使用机器人数据做专门微调的情况下，Astra直接输出动作的成功率达到66.3%，远高于具身智能公司Physical Intelligence的专用模型π0.5。国内银河通用的类似测试中，Astra在RoboDojo任务上的成功率为26%，π0.5为15.67%，而将两者结合——用Astra决策、π0.5执行——成功率提升至48%。

这些结果让行业开始重新审视一个根本问题：具身智能究竟是独立赛道，还是通用大模型能力树上注定被覆盖的分支？宇树科技创始人王兴兴在公开场合表示，快则一到两年、慢则两到三年，物理AI可能迎来重大突破。自变量机器人创始人兼CEO王潜则持保守看法，认为通用大模型难以在机器人上以合理速度完成推理和部署，专用具身模型仍有存在必要。

产业链各环节的处境正在分化。最上游的数据采集商率先受益。前述数据公司创始人透露，在Astra发布前，由于融资收窄，模型公司削减数据采购，原本对外定价300元/小时的Ego Centric数据一度被压价到几十元。但Astra让通用大模型公司看到了物理数据的价值——无论是否亲自下场做具身智能，用物理数据训练提升模型整体智能水平都催生了新需求。据野村证券近期调研报告，2025年9月至2026年8、9月期间，OpenAI采购了约1000万小时具身数据，约占美国市场供应量的70%。

中游的具身“大脑”公司则面临竞争环境变化。一位具身智能投资人表示，Astra对一级市场做具身大脑或场景落地的公司冲击最明显，纯通用具身大脑研发公司的价值可能缩水。此前这类公司高估值的核心逻辑在于投资人认为通用AI与物理AI是两条独立并行路径，但若OpenAI自身具备具身模型能力，这一叙事将被打破。该投资人还提出，没有1000张以上算力卡的公司很难在未来与基模大厂竞争。

下游本体公司反而在技术进步中受益。已具备量产和成本优势的机器人本体公司可以通过接入通用大模型快速补齐“大脑”能力。王兴兴透露，Astra发布后宇树内部尝试用该模型做了多项实验，仅通过提示词让机器人画画、在零训练条件下下围棋，Astra均顺利完成任务。10月最后两周，宇树股价累计上涨超过70%，市值一度接近3000亿元。市场对本体公司的价值锚定正在从“大脑”转向运动控制、本体可靠性和成本控制。

不过，Astra的短板同样明显。延迟方面，英伟达测试报告显示，Astra在RoboLab-120上直接输出末端目标时平均每次推理耗时18.56秒，Agent模式下仍需13至18秒，而π0.5仅需几十毫秒。成本方面，一次成功的直接输出动作平均消耗16万个token，约合1.96美元；若由Astra规划、具身模型执行，平均消耗1100万个token，约合17.72美元；若让Astra根据交互历史调整动作，则需3090万个token，约合36.40美元。对商用场景而言，这一性价比仍然偏低。

目前较被认可的方案是分层协作：规划层与语义层由通用模型负责任务拆解、场景理解和指令遵循，执行层则由具身模型负责毫秒级运动控制、力觉触觉反馈和本体适配。自变量王潜提出，智能的本体存在于数据里，模型在训练时是蒸馏器、部署时是容器，这意味着高质量具身数据仍是决定未来竞争优势的关键之一。

与此同时，更多大模型公司正在入局。OpenAI CEO Sam Altman今年6月宣布组建“OpenAI Robotics”团队，招募全栈硬件、运营、系统及机器学习工程师。DeepSeek也在筹备具身智能相关业务和投资，可能亲自组建团队或通过投资切入，此前曾参与宇树IPO配售，并据报同意领投具身模型初创公司Winverse AI的种子轮融资。Anthropic、Kimi等前沿模型公司也在酝酿入局。具身智能正从机器人公司的专有赛道，变成各类AI公司路线图上的共同终点。

Astra发布一个多月后，行业已经用行动做出初步选择：数据订单回来了，本体公司的价值被重新锚定，做“大脑”的公司则不得不直面与基模大厂的同场竞争。一些窗口正在关闭，另一些窗口正在打开。