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。" 这家公司的创始人告诉「定焦 One」。
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。宇树科技创始人王兴兴甚至直言，明年 GPT-7 出来后，可能直接把具身智能问题打穿。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。
答案或许并不唯一，而 Astra 对行业带来的冲击却是实在发生的。灵御智能 CEO 金戈告诉「定焦 One」，Astra 发布本身对具身行业是一个振奋的消息，它首先验证了一个新的可行性的方向，并且证明了物理世界与非物理世界的数据是相辅相成的，" 在 Scaling Law 之下，物理数据训练进大语言模型，同样能提升它的非物理的能力。"
这赋予了具身物理数据新的价值，同时也对具身 " 大脑 " 公司提出了更高的要求。一位具身智能投资人告诉「定焦 One」，Astra 发布后，一部分具身模型创业公司和中小公司的价值将被打上一个问号，" 如果一家公司没有 1000 张以上的算力卡，那么它们很难在未来与基模大厂的竞争中生存下来。"
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？
01. 大厂入局，具身被 " 降维 "？
" 门外的野蛮人来了 "，一位具身从业者告诉「定焦 One」，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。更让人不安的是，Astra 让不少从业者意识到，这个行业积累的 Know-How，可能没有大家以为的那么深。
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。
英伟达研究团队在 10 月中旬对 Astra 进行了测试，在物体的抓取与放置测试中，Astra 在没有用机器人数据做专门微调的情况下，可以直接根据视觉信息和任务指令，控制机器人执行任务，依靠 Astra 模型直接输出动作的成功率达到了 66.3%，这一数值远高于具身智能公司 Physical Intelligence 的专用模型 π0.5。
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。
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。通用大模型没有办法在机器人上以合理速度做推理、部署，还是需要一个单纯的具身模型来做这件事。
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。他表示，公司正在组建名为 "OpenAI Robotics" 的新团队，并公开招募全栈硬件、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。
02. 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。
上述具身数据服务公司创始人告诉「定焦 One」，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。
一位具身智能投资人告诉「定焦 One」，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。
根据王兴兴透露，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。
03. 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。
如果机器人进入生产场景或者家庭服务场景，这种延迟和停顿的影响就会被成倍放大。
一方观点认为，机器人作业对于实时响应的要求很高，如果 " 大脑 " 运行在云端，执行层在本地，就会导致机器人的运行不稳定，尤其是在做长程任务的时候，如果由于信号波动导致一个子任务执行失败，整个流程就可能被卡住。
但也有一方观点认为机器人的大脑就应该运行在云端。灵御智能金戈告诉「定焦 One」，端侧算力的天花板不高，以目前行业里最领先的端侧芯片 Thor 为例，它计算一帧画面大概需要 100 多毫秒，而英伟达几年前的 A100 芯片计算一帧就只需要 40 多毫秒。
此外，如果大语言模型只负责 System 2 和部分 System 1 的决策环节，实际上并不需要特别高的即时性。
除了延迟方面的短板外，成本也是不得不纳入考量的重要因素。同样是在英伟达的实验中，一次成功的直接输出动作平均消耗 16 万个 token，大约折合 1.96 美元；如果用 Astra 负责规划、由具身模型执行动作，平均一次要消耗 1100 万个 token，约合 17.72 美元；而更进一步让 Astra 根据交互历史调整动作的策略生成一次成功动作，则需要消耗 3090 万个 token，约合 36.40 美元。
这只是一个动作的成本，如果从商用角度来看，性价比很低。
目前大语言模型在具身智能领域的应用最理想的情况是和具身模型分层 " 干活 "。在规划层与语义层，任务拆解、场景理解、指令遵循，这些能力通用模型做得更好、更便宜。毫秒级运动控制、力觉触觉反馈、本体适配，以及最关键的真机数据闭环的执行层则交给具身模型。
在这种新的分工体系之下，具身智能行业的价值链也将重新分配，自变量王潜提出过一个观点，他认为今天智能的本体存在于数据里，模型更多是一个蒸馏器和一个容器，在训练时，它是一个蒸馏器，在部署时，它是一个容器。
这就意味着，高质量的具身数据，是决定未来具身大模型独特竞争优势的胜负手之一。除此之外，触觉、力控、力反馈等等这些大语言模型无法通过计算和推理得来的数据将更具价值。
Astra 发布一个多月后，行业已经用行动投出了一票，数据订单回来了，本体公司的价值重新锚定，做 " 大脑 " 的公司则不得不直面与基模大厂的同场竞争。
一些窗口正在被关上，同时又有一部分新的窗口在被打开，整个行业发展的脚步更快了。
