通用大模型 GPT-6 Astra 在未針對機器人任務專門訓練的情況下,接入機械臂即可完成操作任務,這一表現正在具身智慧圈引發廣泛討論。在 RoboCurve 的測試中,Astra 執行“將方塊放入碗中”任務,20 次嘗試成功 19 次;NVIDIA 的 Astranomy 報告顯示,在 120 個模擬操作任務、Franka 機械臂、三個攝像頭、零樣本條件下,Astra 作為 agent 呼叫工具的成功率達到 74.8%,而該榜單此前最好的專用機器人模型成功率僅為 51%。
NVIDIA 報告中的消融實驗進一步揭示了 Astra 的能力來源。同樣讓模型直接輸出動作,Astra 成功率為 72.7%,GPT-6 Sol 為 33.3%,Claude Opus 5.5 為 25.3%。保留模型自身的推理和動作記錄比提供更多畫面更有效:僅給文字歷史時成功率為 87%,僅給畫面歷史為 56.5%,兩者都給達到 100%。告知相機和夾爪的幾何位置後,成績從 19.3% 躍升至 72.7%。在稽核模式下,Astra 大約每 7 步介入一次,最常見原因是抓取失敗,佔 64%。
代價是速度。π0.5 輸出一個動作不到 0.05 秒,而 Astra 一次決策需要十幾秒。NVIDIA 估算,一個將酸奶放入碗中的任務在現實世界約需 4 分鐘,機械臂實際運動僅 5 秒左右,其餘時間都在等待模型思考。有行業人士形容,Astra 拿起一個杯子要 40 分鐘。
這一表現之所以震動行業,是因為它繞開了機器人領域長期以來的核心難題。傳統分層方案中,大模型負責規劃,小模型負責執行,但兩層介面存在資訊損失;VLA(視覺-語言-動作模型)將兩者合一,卻受限於機器人軌跡資料量比網際網路文本少 6 到 7 個數量級,模型引數難以擴大。Astra 則採用類似“將機器人當電腦用”的思路:每一步接收三張相機圖和機械臂狀態,模型思考後呼叫工具直接給出夾爪下一步在三維空間中的位置和方向,由機械臂自帶的逆運動學換算成關節角執行。每一步是秒級控制“下一個落點”,而非連續動作。
然而,OpenRUA 團隊對 RoboDojo 榜單上基於大模型閉環控制的方案提出質疑。他們以“模擬中只能使用真機上也拿得到的資訊”為標準重測,發現三個漏洞:一是不限時,RoboDawn 將步數上限改為 10 的 9 次方,其 99 次成功中有 97 次是超時後完成,按原規則成功率從 47.1% 降至 1.0%;二是裁判一直在場,自動檢查器替 agent 喊停,加入自主交卷機制後,RoboICL 從 83.2 分掉到 63.5 分;三是在考題上刷技能,HexaShell 在一個任務上練出的技能挪到其他任務上效果有限。
行業觀察者 FD 在《Robotics’ New Era After Astra》中判斷,機器人行業將走向三層分工:高層規劃和大部分中層動作由通用大模型承擔,底層快速反射控制仍依賴小而專的本地控制器。單獨做機器人模型的公司價值可能被大幅壓縮,需證明自己能做通用模型做不到的事。資料需求從“要多少”轉向“要什麼、怎麼配比”,精密裝配、觸覺、力覺等相機看不到的資訊才是稀缺資源。據轉述,頭部實驗室正按百萬小時量級採購機器人資料,每家預算約 10 億美元(該數字無明確來源)。
國內方面,鳳凰網報道梁文鋒近期密集會見具身創業者,DeepSeek 在考慮是否下場,可能自組團隊或投資合作。OpenAI 則被曝在灣區里士滿拿下約 20 萬平方英尺工業場地用於機器人研發製造,並在 GPT-6 之外單獨訓練具身基座模型。
綜合來看,OpenRUA 擠掉的是測試方法中的水分,但擠完之後 Astra 依然突出。其最大短板是速度,而大模型生成速度每年提升 2 到 7 倍,若提速實現,“雲端大模型當大腦、本地 VLA 當小腦”的結構將真正可行,端側晶片和記憶體可能成為下一個增長點。