具身智能行业受大模型冲击

数采爆单，具身大脑公司慌了。 一家成立一年半左右的具身智能数据服务公司，最近两周接到的数据采购订单超过了此前两个月的量，这在整个具身行业融资环境收紧的背景下就像是一针强心剂。 订单不仅来自具身行业，一些曾经只询价不下单的基模大厂也开始下单了。 变化始于GPT-6 Astra的发布，9月初，OpenAI发布最新一代模型后，社交媒体上出现大量用Astra控制机械臂做各种任务的测试，不少具身从业者发现，通用的多模态基础模型也具备了空间理解的能力，可以直接控制机器人执行任务，成功率甚至超过了一部分具身模型。

测试视频越传越广，“通用大模型迟早会‘吃掉’具身模型”“大语言模型将吞噬具身模型、具身智能只是通用大模型的一个子集”等声音开始在行业内流传。 但行业里也有不同的声音，有人认为当前的通用大模型还远没有到降维打击具身智能的地步，在长程任务成功率、延迟、成本等许多环节还存在明显的短板。 Astra的出现，行业不得不回答，具身智能究竟是一门独立的生意，还是大语言模型能力树上一个注定被覆盖的分支？ 大厂入局，具身被“降维”？ “门外的野蛮人来了”，这是他身边不少人对于GPT-6 Astra的第一反应。

在他看来，有钱、有卡、有人才储备的AI大厂一旦把能力向具身智能领域延伸，就像门外站着一群随时可能破门而入的野蛮人。 Astra带来的核心变化，是一种跨领域的能力提升，通用大语言模型能够处理以往主要由VLA、WAM等专用物理模型承担的机器人操作与导航任务，并且还表现出了零样本泛化、上下文学习的能力。

国内的具身公司银河通用也做了类似的测试，在选取的RoboDojo任务中，Astra直接控制机器人的成功率为26%，π0.5的成功率只有15.67%，而如果把二者结合，用Astra进行决策，用π0.5负责执行，成功率则进一步提升到48%。 机器人的“大脑”通常被分为三层，System 2负责理解场景、规划任务和推理，System 1接受System 2的指令再结合环境反馈规划和调整动作，最终由System 0负责底层的运控。

从上述实验结果可以看出，大语言模型的能力已经可以更好地胜任System 2和部分System 1，具身专有模型的优势区间则被压缩到一部分System 1和System 0。 具身智能能否落地，关键在于大脑，这是行业里存在已久的共识，Astra的出现把大脑的发展进程加快了。 他代表的是行业内比较激进一方的观点，同样也有偏保守的一派，自变量机器人创始人兼CEO王潜认为，基础模型通过其他领域的通用智能泛化到具身智能，这种可能性不大。

站在具身智能公司的视角来看，Astra压缩了一部分公司的发展窗口和生存空间，同时又为另一部分公司提供了新的发展路径和思路。 而站在大模型公司的角度，Astra所带来的机遇则远大于威胁。 野村证券近期的一项具身行业调研报告中显示，从2025年9月到2026年8、9月期间，OpenAI采购了约1000万小时的具身数据，约占美国市场供应量的70%。 这些数据是Astra具身“大脑”的能力来源。

除了大规模采购数据，OpenAI还计划亲自入局具身智能，今年6月，OpenAI CEO Sam Altman在社交平台发布的一则招聘信息，正式宣告进军实体机器人赛道。 DeepSeek也在筹备具身智能相关的业务和投资，此前据媒体报道，梁文锋密集关注具身智能领域，并与多位该领域创业者交流，探讨机器人、大模型与现实世界交互等方向。 DeepSeek进入具身智能的方案可能包括亲自组建团队下场研发，也可能通过投资相关企业切入。

DeepSeek此前曾参与宇树的IPO配售，上个月，又被曝出同意领投腾讯前科学家胡瀚创立的具身模型初创公司Winverse AI的种子轮融资，金额达数千万美元。 此外，Anthropic、Kimi等前沿通用模型公司都在酝酿入局具身智能和物理AI，并开启相关的人员招募。 具身智能已从机器人公司的专有赛道，变成所有AI公司路线图的终点站。 数采“爆单”，本体大涨、模型公司受伤。 面对实力雄厚的AI基模大厂的高调入局，具身智能产业链上各个环节的公司所面临的处境不尽相同。

最先受益于“Astra效应”的，是产业链最上游的具身数据采集商。 就在Astra发布并且引发具身模型相关讨论前的一段时间，很多数据公司的日子并不太好过，由于融资环境的收窄，数据采购订单也在减少，一些模型公司拿不到投资人的钱，相应的也减少了数据采购。 “原本对外定价300元/小时的Ego Centric数据，甚至会被压价到几十元。 ”他说。

这其实并非整个行业对于数据的需求在减少，具身行业普遍的共识是，具身智能模型要达到像大语言模型中GPT-3.5那样的能力，大概需要一亿小时量级的数据，而目前行业内清洗过的有效数据量还在百万小时级别。 数据有效率低、同质化严重加上数采公司之间的竞争内卷导致数据价格越来越低。 但Astra的出现一定程度上改变了数据需求的结构，通用大语言模型公司看到了具身数据的价值，无论是不打算入局具身智能行业，仅仅通过物理数据的训练来提升模型整体的智能水平，还是为日后入局具身智能行业打下数据基础，都催生出了新的需求。

相比于数采公司，处在产业链中游的模型公司则需要面临竞争环境的变化。 一位具身智能投资人告诉，OpenAI推出Astra对于一级市场做具身“大脑”或场景落地的公司冲击最明显，随着大语言模型的物理理解能力逐渐成熟，做纯通用具身大脑研发的公司价值会缩水。 此前，具身“大脑”公司能够拿到高估值的一个核心逻辑在于，投资人认为通用和物理AI是两个独立并行的发展路径，在具身模型领域也有可能出现一个新的OpenAI，但如果OpenAI本身就能具备一定的具身模型能力，那么这种叙事将会被打破。

不过在今天的具身智能行业中，几乎没有只做单一环节的公司，机器人本体公司会布局数据采集和模型训练相关业务，数据公司也会做模型训练，所以Astra对于公司估值和竞争格局带来的变化在短时间内还没有浮现，它更多是在技术层面推进行业整体的发展。 在技术进步上受益最明显的是下游的本体公司，尤其是那些已经具备量产和成本优势的机器人本体公司，它们可以通过接入通用大语言模型迅速补齐“大脑”能力。 根据透露，在Astra发布后，宇树内部尝试用这一模型做了几项机器人实验。

例如仅通过提示词，让机器人画画，又或者是让机器人在零训练的条件下下围棋，Astra都顺利地完成了任务。 在10月的最后两周里，宇树的股价累计上涨超过70%，市值一度接近3000亿元，这背后一个重要的原因是Astra的出现拔高了市场对于具身大模型进展的预期，当大语言模型开始尝试解决具身大模型所需要解决的问题，主机厂的价值重新锚定在了运动控制、本体可靠性、成本控制等方面，“大脑”反而变成可随时插拔的商品。 尽管Astra带来的冲击影响了产业链上的各个环节，但现阶段说Astra将完全颠覆具身智能行业还为时尚早。

大模型之下，什么样的具身公司活得好？ 零样本泛化、空间理解、深度推理，这些显而易见的优势还不足以支撑Astra吞噬并取代具身模型，它的短板同样明显。 首先是延迟问题，在社交平台上比较火的Astra操作机械臂作业的视频通常都是倍速播放，如果在正常速率下，通用大模型“慢”的问题就会被暴露出来。 大语言模型在控制机器人的时候经常需要停下来思考下一步应该怎么做。 在英伟达的测试报告里，Astra在RoboLab-120上直接输出末端目标时，平均每次推理的时间达到18.56秒，Agent模式下依然需要13-18秒的思考时间。

作为对比，具身专有模型π0.5大约只需要几十毫秒。