GPT-6 Astra，没能攻破机器人公司的护城河

文｜三少爷

最近一两年，OpenAI、Anthropic 每发一款大模型，具身智能的研究者都会把它接进机器人本体试下成色。每试一次，机器人公司都会松一口气：不过尔尔嘛。但这一次，似乎狼真的来了。

这回的主角，是 GPT-6 Astra。有人把它接上车，让它自己看路、打方向，跑完整段封闭场地测试，媒体说它 " 考过了科目二 "；斯坦福大学的研究人员给它接上宇树 G1，进厨房收拾、干活，新环境没采数据重训，就干成了；银河通用拿它做具身操作——在公开评测基准 RoboDojo 上，GPT-6 Astra 加上 π 0.5 的混合模式下，十个任务平均得分 62.6，领先第二名近一倍。

一个并非为机器人造的通用大模型，正零训练地接管 " 机器人大脑 " 那份活：看懂环境、做决策、调度动作。有人甚至叫它具身智能的 " 银子弹 " ——机器人公司再也不用苦哈哈攒数据、训专用模型了。可它真是那颗银子弹吗？

GPT-6 Astra，表现惊艳但有短板

GPT-6 Astra 开上真车、接进机器人收拾厨房，这件事本身不是噱头。通用大模型驱动机器人做事，早有先例—— 2024 年 Figure 01 就接上 OpenAI 的 GPT-4V 视觉语言模型，做过能对话、能多步推理执行的演示，但那一代的泛化与成功率都很有限。GPT-6 Astra 这一回，是把成功率与跨环境泛化能力大幅推高：零训练跨环境、靠上下文自我修正、连真车都能从第一次失败里学出第二次策略——这一步，值得认真看待，而不是一句 "Demo 罢了 " 就可以打发掉的。

但 Demo 和能用的产品之间，隔着实打实的工程门槛。把 GPT-6 Astra 在成本、实时性、精细操作三个维度上拆开看，它的天花板清晰可见。

先说成本。DrivingBench 让 GPT-6 Astra 控制一辆真车跑完 134.7 米的封闭道路，单次驾驶烧掉约 660 万 Token，按模型价格算成本约 7.74 美元。单公里大几十美金，显然不是能摊到量产自动驾驶车辆上的成本结构。通用模型按 Token 计费，而物理世界的动作是连续的、稠密的，需要海量的 Token 消耗，这笔账算不过来。

再说实时性。DrivingBench 的这次测试里，平均车速只有 0.42 米 / 秒，大约每小时 1.5 里，这是一个让乌龟都发笑的速度。GPT 6 Astra 的反应周期以秒计，而真正的自动驾驶要的是毫秒级的感知与控制。斯坦福的 HomeBody 项目也证实了这一点—— GPT Astra 的推理延迟会在每一次技能切换之间制造停顿。

最难的是精细操作。在银河通用的评测里，Astra 直接模式（不搭配 π 0.5）在高精度接触、稳定抓取上的成功率断崖式下降。至于原因，斯坦福在报告里解释得很直白—— HomeBody 的导航，以地图坐标里的 2D 目标点和朝向点为基准，单位是米。米级精度意味着它只知道 " 大概到哪 "，能在封闭的无人场景里把车开到终点，却做不了厘米级的高精接触与稳定抓取。

把这些摆在一起：成本按 Token 计费、实时性卡在秒级、精细操作停在米级——这三道坎，恰好都是具身智能要量产落地必须跨过去的坎。云端大脑与端侧具身大模型相比，在实时性、成本、以及对物理空间的精细感知与操作能力上全面落后，它不会成为主流路线。能扛起具身智能的，终究是那个和本体贴在一起、跑在端侧、和毫秒级控制长在同一块板子上的大脑。

分层架构，挑战一段式端到端

通用大模型接入机器人、开上车，最容易被误读成 AI 巨头要来抢自动驾驶公司和机器人公司的饭碗了。但技术上的真问题其实是，具身大脑该选择什么样的架构。

跟自动驾驶探索技术路线时曾经经历过的大乱战一样，具身大脑的架构设计，目前分化成了两条技术路线。

一条是一段式端到端——把视觉、语言、动作放进同一个模型，从识别物体一路学到完成动作。这条路线在自动驾驶领域已经成为不容讨论的共识，甚至被当成了第一性原理。另一条是分层双系统：系统 1 负责快思考，执行抓取、移动、轨迹追踪，通常由连续动作策略实现；系统 2 负责慢思考，理解任务、做长程规划、在关键节点纠错和恢复，通常由 VLM 实现。

GPT-6 Astra 评测把这场争论搅得更凶了，它用一份榜单，把两条路线摆到了同一把尺子下：比谁的叙事动听，不如比谁在真实任务上更能打。看 RoboDojo 评测里的数据：混合模式下，Astra 的十任务平均分数 62.6，而 Xiaomi R1 只有 33.97，π 0.5 更是只有 24.43。一个接进机器人本体的强系统 2，把分数拉高了一倍左右——这既说明一段式端到端架构的 VLA 模型能力确实不够看，也说明强大的系统 2 有多关键。

不过，系统 2 如果直接绕过系统 1，即采用直接模式，精细操作会拉胯，十任务平均分数由 62.6 直接掉到了 37.83。既然都带了 Astra，显然其中的差别不在 Astra 聪不聪明，而在有没有一个能精准联动语义和动作的队友。更值得一提的是，即便没有能精准联动语义和动作的系统 1（VLA），Astra 直接模式的表现也超越了 Xiaomi R1 和 π 0.5，这表明，分层架构非常值得认真做下去——让快的管快、慢的管慢，比逼着一个模型把两件事都干利落更现实。

除了 GPT Astra 能不能绕开系统 1 的问题，更重要的还有怎么克服端侧部署的重大挑战。前面说的是架构选择，这里说的是算力现实。

云端基座动辄万亿参数，端侧芯片装得下的只有百亿量级，差着两个数量级。而把大模型压小的蒸馏这条路，历史上从来只有几倍压缩。小鹏把云端 720 亿的基座蒸馏到端侧百亿出头，七倍上下的蒸馏幅度已经很激进了，拿智谱的 GM-5.3 和其 Flash 版本做对比，压缩幅度只有 2.3 倍而已。所以，万亿参数的云端大脑，蒸馏不成端侧百亿的模型，这可不是工程上「再优化一下」就能解决的。那么好解决，咱不早就对 OpenAI、Anthropic 弯道超车了嘛，还成天就到底是落后三个月还是六个月吵个啥？

机器人公司的护城河

蒸馏不易，是不是可以认为机器人公司可以高枕无忧矣？当然不是，OpenAI 掌门人奥特曼最近在播客里把话挑明了：" 我们肯定会研发人形机器人 "。言外之意清晰无比：OpenAI 迟早会为具身智能定制一款大模型。它不会是 GPT-6 这种万亿参数体量，而是千亿级别；再叠上端侧芯片算力升级、几倍压缩，他们完全可能做出效果惊艳的几百亿参数端侧模型。当事情真的进展到了这一步，机器人公司的考验就真的来了：当 AI 王者把聪明的脑袋塞进机器人的身体里，它们的护城河到底在哪里？

只讨论大脑、模型，机器人公司的前景当然是领盒饭、提前下线。但是，模型本身只是机器人这个产品中的其中一层。真正把一家公司留在牌桌上的，是它对场景的死磕和对 Know-How 的掌握。这是从现场一点点磨出来的隐性知识——机器人公司和客户要一轮轮交流迭代，在每一次争吵、争辩里试错，信任也在磕碰中建立，最后才沉到对方的生产环节和作业内部。靠着深厚的客户关系，机器人公司才得以摸得到客户内部的深海数据；而这中间又时常纠缠着股权交叉、控股与投资，全是技术之外的功夫。

这些工作的结晶最终沉淀成了数据——行业里叫它暗数据。这些不是能从网上爬下来、从市场买过来的东西。它们只能靠一天天站在现场、一个个项目跑出来：哪次抓取失败了、哪次错误被救回来了、客户那条不愿外传的业务流程长什么样。暗数据从不会出现在公开榜单上，它只沉淀在企业自己的系统里。

把这点放到宁德时代和理想汽车的拉扯里看，会格外清楚。理想汽车掌门人李想曾解释，为什么电池不再选用宁德时代——理想希望供应商把数据和定义跟他深度互通。可在 AI 时代，数据是最核心的资产和命根子。宁德时代宁可丢掉理想这位大客户，也要守住自己的数据防线。同理，机器人公司手里那些在千辛万苦之中积累的场景暗数据，也是 OpenAI 这类公司无法轻易突破的防线。

写在最后

银子弹的说法，从一开始就把模型的能力当成了产品的能力，这是典型的以偏概全。

GPT-6 Astra 确实把机器人的 " 大脑 " 顶到了没人到过的高度，可它顶高的也只是大脑；真正让一家机器人公司最终立足的，不只在模型身上，更在脚下那块具体的场景——产线的节拍、料箱的种类、跟客户们一场场交流磨出来的信任，这些东西一天天攒成暗数据，通用大模型巨头买不到，也爬不下来。

这次狼来了的争论愈辩愈明，也让所有人看清，AI 时代最底层的资产是数据。谁站在现场、握着数据，谁才能最终留在牌桌之上。