OpenAI 於 9 月 3 日釋出的通用大模型 GPT-6 Astra，在隨後 50 多天裡成為具身智慧行業繞不開的變數。OpenAI 機器人團隊員工 Thijs Simonian 在 X 上釋出的一段實測影片顯示，一隻幾百美元的機械臂夾著畫筆，在白紙上分四遍畫金門大橋，攝像頭將每遍畫面回傳，由 Astra 總結覆盤並調整下一筆的力度和位置。讓機械臂動起來的並非專為機器人訓練的模型，而是這個通用大模型。

這段影片之所以引發討論，是因為它跨過了機器人行業的一道分界線。過去，大模型接上機器人主要承擔“指揮”角色，負責把“畫一座橋”拆成指令，真正讓手臂動起來需要另一個用機器人資料專門訓練的策略模型。而 Astra 作為一個並非為機器人而生的模型，展現出直接接管機器人“手”的能力。有具身行業從業者表示，許多機器人公司創始人感到緊張，具身行業的範式可能轉向與大語言模型結合的路線，具身企業將直面通用大模型公司的競爭。海外有評論斷言，機器人領域的 OpenAI 將會是 OpenAI 自己。

連鎖反應迅速傳導至資本市場。此前具身公司的估值邏輯建立在通用模型難以吞掉具身領域之上，如今通用大語言模型在具身測試上的表現超過此前的頭部模型，估值邏輯必然發生變化。今年三季度後半段，資本市場本已降溫，二級市場對人形機器人上市稽核趨嚴，加上具身賽道商業化進展落後於估值邏輯，投資人相比上半年更為謹慎。Astra 之後，資金面只會更加挑剔。與此同時，頭部大廠加速下場：位元組 Seed Model 團隊密集更新數十個機器人崗位；OpenAI 今年 3 月就在灣區簽下 20 萬平方英尺場地做機器人業務，9 月相關招聘大幅增加；DeepSeek 也被曝領投騰訊前傑出科學家胡瀚創立的 Winverse AI。相比這些巨頭，具身公司在資金、算力、人才儲備上均有差距。

國內頭部具身企業也有人主動談及影響。以機器人本體能力見長的宇樹科技，創始人王興興在 10 月中旬和下旬兩次公開談及 GPT-6 Astra 帶來的震撼，坦言自己過去最大的錯誤是“對 AI 的相信還不太夠”。他提到，宇樹沒有對模型進行任何訓練，GPT 模型就能控制機器人自主識別調色盤、更換顏料、清洗畫筆，快的話今年底或明年，機器人就有可能按照指令完成整理房間等任務。他甚至預言，明年 GPT-7 出來可能直接把具身智慧問題打穿。與宇樹不諱言影響對應的是，許多公司在這波聲浪裡相對緘默。

在評測層面，Astra 釋出後，輝達機器人負責人 Jim Fan 所在實驗室很快把自家機器人框架的後端模型換成 Astra，Jim Fan 稱“一夜之間把所有基準都刷到了約 99%”。破殼機器人創始人、清華大學交叉資訊研究院助理教授許華哲的團隊在 Astra 能用的當天就做了測試，認為過去大模型升級在機器人任務上是原來不能做之後仍然不能做，而 Astra 讓整個定性有了變化。深樸智慧首席科學家王家偉稱第一次看到一個通用語言模型抓積木的成功率那麼高。逆矩陣科技創始人陳博遠也表示 Astra 的出現給了他很大震撼。

不過，並非所有人都願意用“GPT 時刻”來定義它。商湯聯合大曉機器人等團隊在 12 項模擬評測和 8 個真機平台上系統測試後認為，GPT-6 Astra 已經基本具備完成具身任務的能力，但距離在真實環境中實用還有明顯差距。至簡動力聯合創始人賈鵬認為它還不具備生產力價值，更想要的是“Claude Code 時刻”。螞蟻靈波 CEO 朱興把 Astra 定義為一個提升研發效率的工具，認為更根本的壁壘是資料 know-how 和管線。陳博遠試過用 GPT-6 操作夾爪拿杯子，發現可能要花 40 分鐘到一個小時才能慢慢拿起來，他認為物理世界時刻在變，模型來不及響應，物理 AI 需要有自己的基座模型。Alphaist 創始合夥人陳哲觀察到，在匹茲堡機器人頂會 IROS 上有人調查了 100 多位研究者，認為“機器人研究已經結束了”的約佔三分之一，最多的仍是把大模型當工具的務實派。

從 9 月 4 日第三方評測機構 Robocurve 發出第一組真機測試結果，到 10 月下旬商湯聯合報告發布，各類機構基於十幾項公開評測基準對 Astra 進行了拆解。業界共識是 Astra 強在語義理解和陌生場景的泛化：換一台陌生機器、一間陌生廚房也能直接上手，失敗了會覆盤糾偏，甚至能讀懂觸覺訊號。許華哲團隊曾做過插花實驗，故意把花莖下端劈成兩半，Astra 能先捏住分叉處把它捏窄再往裡塞。許華哲還提到，給 Astra 一個陌生的機器人本體，它很快會發現這台機器人動得快還是慢、活動範圍有多大；撞到桌子，它會判斷桌子還蠻高，然後把手抬高一點。這種泛化能力恰恰是專用模型最缺的，過去的 VLA 模型把綠杯子換成紅杯子就可能失效。

觸覺這一通用模型的“禁區”也被撞開一道口子。根據《麻省理工科技評論》中文版報道，清華團隊釋出的 TacTalent 報告中，沒有微調任何策略模型，只給 Astra 幾條示範，再把夾爪上的觸覺訊號以影像形式和攝像頭畫面一起輸入。在 UniVTAC 基準上，它的平均成功率從純視覺的 76.3% 升到 93.8%；其中拔鑰匙任務從 30% 升到 90%。在兩套視觸覺基準上，它的表現相比此前報告的最佳專用模型分別高出 22.9 和 13.1 個百分點。論文作者、清華博士生楊晨表示，沒有基模能力的突破，僅靠示範和框架很難達到這樣的效果。

短板同樣明顯。遇到需要毫米級接觸、需要即時反應的動態動作和語言說不清的任務，成功率就會掉下來。Robocurve 的評測中，Astra 做把積木放進碗裡的任務 20 次成功 19 次，但控制機器人把一塊圓形拼圖嵌進凹槽只成功了 2 次，差距就發生在需要接觸和高精度控制的那幾毫米。香港大學、清華、伯克利等多家機構研究者在 RoboDojo 基準的 42 項任務上測試後發現，Astra 的能力分佈高度兩極化：需要語義理解但不要求高精度控制的任務泛化得很好，一旦需要精度、動態控制或複雜雙臂協同，表現就明顯變差。

另一個明顯短板是慢。有具身行業人士稱，網上流傳的 Astra 控制機器人的影片大多要開到 16 倍甚至 32 倍速才看得下去。輝達的 Astranomy 專案測得 GPT-6 Astra 在具身智慧直接生成動作模式下的單次推理平均需要 18.56 秒。許華哲解釋，Astra 內部的思維鏈非常長，複雜任務和簡單任務思考時長基本相似，這意味著它在難題上很聰明，在簡單事上卻顯得很笨。Token 消耗也是問題。商湯與多家企業、機構聯合釋出的報告提到，“把筆放進筆筒”這個對人來說幾秒鐘就能完成的任務，Astra 總耗時 4 個多小時，花費 55 美元。銀河通用團隊的報告則顯示，在 50 個 RoboDojo 測試例項上，由 Astra 直接控制累計消耗了超過 11.3 億 token。

Astra 成為繞不開的存在後，一個新的問題浮現：在一個機器人系統裡，Astra 該放在哪一層？陳哲把眼下 Astra 的用法分成三類：一是直接充當策略模型完成機器人任務；二是監督、輔助修正現有 VLA 動作模型，提升任務成功率；三是作為具身研究員自主搭建模擬環境、除錯運動策略，實現物理 AI 自進化。德邦證券 10 月中旬的具身智慧行業研報也沿用了這一劃分。

直接充當策略模型正是畫橋影片的用法，雖然有明顯的慢和貴的問題，但相比之前大模型充當規劃角色又往前進了一步。許華哲打了個比方：以前跟機器人說“我要吃西紅柿炒蛋”，大模型負責規劃出開啟冰箱門、拿出西紅柿、拿出雞蛋，具體怎麼開冰箱、怎麼打雞蛋交給底下的具身模型；而現在 Astra 能直接說“把手往右伸 2 釐米”，沒抓住就“再往前靠一靠”，底下的執行策略變得更像一個反射系統。

用 Astra 當監工，與此前大小腦分層模式有差異。Astra 要逐步把關，讓 VLA 先給出動作，由它觀察、稽核，必要時修正。商湯聯合多家機構釋出的聯合報告顯示，按此前的分層做法，只讓 Astra 下發子目標、由 VLA 執行，成功率只有 5.83%；改為讓它在執行前稽核 VLA 提出的 4 個候選動作，成功率升至 25.83%。更關鍵的是，加上 Astra 這一層，不需要補採資料、重新訓練。但 Astra 做監工也有成本和時間的代價，輝達的測試顯示，加入 Astra 稽核後，一個回合要消耗約 1100 萬 token、花費 17.72 美元，速度也隨之變慢。

模擬能力也受到關注。寧波東方理工大學助理教授朱文濤提到，團隊內有學生嘗試只給一句指令，Astra 在 Isaac Lab 模擬裡自主運行了一天半，訓練出讓靈巧手轉筆的策略。輝達 GEAR 實驗室兩週前還開源了 ASPIRE 框架，由大模型自己寫控制程式碼、讀執行日誌、修改重試，驗證有效的修正以程式碼形式存入技能庫，供後續任務直接呼叫。此外，一些團隊觀察到 Astra 可直接用於資料標註和清洗。大曉機器人董事長王曉剛表示，Astra 能夠輸出中間有價值的資料，這些資料有可能幫助基礎模型加速進化。深樸智慧王家偉透露，他們嘗試用 Astra 給自採資料做標註和清洗，發現它做得比人還要好，而且能夠 24 小時作業，成本和人工差不多。源策未來也表示在內部測試用它生成 3D 資產，結果還算不錯。

總體來看，Astra 在 50 多天裡既展示了通用大模型直接操作機器人的潛力，也暴露了即時性、精度和成本上的現實約束。行業對它的態度分化明顯：有人視其為範式顛覆，有人將其定位為提效工具，也有人認為物理 AI 仍需專屬基座模型。對具身智慧賽道而言，競爭格局與估值邏輯正在被重新審視，而應用落地的程序也可能因此加速。