文 | 字母 AI
GPT-6.2 Astra 在真实机械臂测试中登顶,通用大模型直驱机器人的能力又进了一步。
据独立评测机构 Artificial Analysis 发布的 AA-Robotics v0.1 榜单,GPT-6.2 Astra 得分 79,完成 8 项物理任务中的 6 项。
不只是 OpenAI 的旗舰模型,能力相对较弱的 GPT-6.2 Sol 也得到了 78 分的高分。
在这项基准测试中,模型不允许进行专项训练,同时全程采用零样本设定。模型以写代码的方式,直接控制一台 6 轴机械臂,移动真实物体。
过去,机器人厂商普遍认为,机器人垂直模型在机器人适配、力控等方面更具优势,比通用模型更适合机器人。
如今看来,随着通用模型的发展,在性能迭代之后,通用模型或将取代垂直模型的地位。
梁文锋也曾表达过相似的观点,他认为具身智能的突破,可以建立在通用模型能力持续进化的基础之上。
在梁文锋的 AI 路线里,通用模型本身的能力进化,是通往 AGI 的主线,具身智能是这条路线的延伸。
01
11 月 13 日,外媒报道称,OpenAI 解散了它的独立机器人团队,将原机器人团队并入公司的主要研究团队,应用机器人和硬件团队被调整到了其他部门。
OpenAI 向媒体确认,调整的原因是,通用模型在控制机器人上表现出色。
研究人员发现,把 GPT-6 Astra 连接到机器人后,它已经能够参与一些具体任务的执行,且表现得令人惊喜。
事实上,GPT-6 Astra 发布后,已经出现一轮用 Astra 驱动机器人的尝试。如独立评测机构 Robocurve 的实机测试显示,在双臂机械臂执行 " 抓取方块并放入碗中 " 的任务上,Astra 取得 95% 的成功率。
这类实验让通用模型控制机器人有了更多现实依据。在这一背景下,OpenAI 将成立不到半年的独立机器人团队并入主要研究团队,研究人员转向通用人工智能模型研发。
这意味着 OpenAI 换了一条技术路线,既然通用模型已经开始能够控制机器人,就不必再为机器人单独研发一套 " 空间智能 " 专门模型。
实际上,这不是 OpenAI 在机器人技术路线上第一次调整方向。
早在 2019 年,OpenAI 就成立了机器人团队,试图通过强化学习等方式,让机器人学会抓取、摆放物体等任务。但到了 2020 年,这支团队就被解散了。
其联合创始人 Wojciech Zaremba 曾解释说,机器人数据有限,而且通过其他方法可以更高效地实现 AGI。后来,OpenAI 专注于大语言模型,在 2022 年推出了 ChatGPT。
随着多模态模型的发展,OpenAI 又重新把目光投向机器人。
2024 年,OpenAI 与人形机器人公司 Figure AI 合作,尝试将大模型能力应用到机器人身上。
当时,OpenAI 副总裁 Peter Welinder 曾表示,与 Figure 合作是希望探索在大型多模态 AI 模型支持下,人形机器人能达到怎样的智能化水平。
后来,Figure AI 发布的 Figure 01 演示视频显示,机器人能够根据人类指令完成简单的物品递送。这次合作,OpenAI 的模型提供了视觉理解和语言交互能力。
不过一年后,Figure AI 就宣布结束合作,转向自主研发机器人 AI。
而 OpenAI 的机器人之心不死。2026 年初,OpenAI 研究人员开始探索另一条技术路线:从 Sora 这样的视频生成模型入手研究。
作为视频生成模型,Sora 能够理解物体、空间和运动之间的关系,对物理世界的运作方式有一定的理解。
OpenAI 的转向并非孤例。2025 年初,具身智能的主流路线还是 VLA 模型,到了年底,随着 VLA 在跨场景泛化等方面的短板显现,行业开始把目光转向世界模型。
今年 6 月,Sora 关停两个月后,Sam Altman 宣布成立机器人部门 "OpenAI Robotics",将 Sora 团队整体转向机器人研发。由 Sora 之父、DALL-E 创始人 Aditya Ramesh 领导,把 Sora 积累的世界模拟技术迁移到机器人训练上,短期聚焦工业辅助机器人,长期目标是消费级人形机器人。
但这条路线很快又出现了变化。
这一部门成立仅三个月后,今年 9 月,OpenAI 发布 GPT-6 Astra。OpenAI 发现,通用模型本身已经能够参与机器人任务。相比专门研究机器人的世界模拟技术,直接利用通用模型已有的视觉理解、推理能力和任务规划能力,也能走出一条路。
卡内基梅隆大学机器人研究所的助理教授 Guanya Shi 对此评价称,这意味着 OpenAI 认为,机器人技术 " 不再是一个特殊问题 "。
在机器人技术这条路上绕了一圈后,OpenAI 又将目光转向了通用模型。
02
OpenAI 的变化并非孤例。通用模型在机器人任务上的表现,正在让行业审视这条技术路线。
英伟达 10 月发布的 Astranomy 研究,直接使用 GPT-6 Astra 控制仿真机器人。在 RoboLab-120 测试中,直接控制方案取得 66.3% 的任务成功率。
英伟达机器人部门负责人 Deepu Talla 近日接受采访时称,GPT-6 Astra 的出现,是推动机器人具备多任务处理能力的一项重大突破。
Anthropic 发布的 Claude Fable 5.2,也展示了类似能力。模型控制机器人完成了多种任务,如解魔方、拧开瓶盖以及画机器人等。在 RoboDojo Sim 仿真基准中,Fable 5.2 平均成功率达到 64.9%,同一测试框架下 GPT-6 Astra 的成绩为 29.8%。
虽然这一技术路线还未成熟,但至少说明,通用模型正在成为具身智能研究中值得尝试的一条路线。
在中国,机器人公司也在关注这一变化。
宇树就正在探索大模型用于机器人这条路线,王兴兴甚至直言:" 明年 GPT-7 出来,可能直接把具身智能问题打穿。"
此前,宇树既在推进 VLA 模型,也在探索世界模型。王兴兴曾提到,去年宇树重新捡起了基于视频生成的世界模型。宇树发布过通用 VLA 模型 UnifoLM-VLA-0,以及 WMA(世界模型—动作)模型。
但最近,宇树又开始尝试将 GPT-6 Astra 用于机器人实验。
王兴兴曾提到,在没有事先编写复杂程序的情况下,仅通过提示词,机器人就能完成绘画;再比如机器人不仅识别棋盘,还能将棋子精准放在相应位置。王兴兴强调,这些实验都是在 " 零训练 " 的条件下完成的。
智元机器人也在探索类似方向。
近日,稚晖君团队发布了一篇论文,这篇论文的核心是把会聊天的大模型与能执行动作的机器人身体打通。模型不仅能够理解语言指令,还能调用机器人的身体完成指向真实物体、身体动作和面部表情等任务。
这意味着,机器人公司正在尝试把通用大模型的能力 " 接 " 进机器人身体里,来推进具身智能。
这也让梁文锋此前的判断有了新的参照。
当世界模型成为具身智能领域的热门方向时,梁文锋对这条技术路线显得相对克制。他更看重通用模型本身的能力进化,将其视为通往 AGI 的主线。
在梁文锋的 AI 路线构想中,Agent 之后,要先解决 AI 模型的持续学习能力,再到能自我迭代的奇点,然后才是具身智能。
换句话说,他希望先把通用模型本身做得足够强,再让这种能力延伸到物理世界。
这与 OpenAI 最新的调整出现了某种相似性。两者都指向一个判断:具身智能未必需要从头训练一套独立的机器人智能。通用模型能力的进化,也有可能成为机器人走向具身智能的一条路径。
而且,这两家公司都没有仅停留在模型层面。
OpenAI 在调整机器人业务的同时,曾投资多家机器人公司。DeepSeek 也开始向具身智能领域延伸,参与宇树科技配售,和宇树达成三年战略合作,并投资 Winverse AI、理格万物等公司。
03
通用大模型接入机器人成为新的趋势,但这并不意味着 VLA 模型和世界模型就此退场。
过去几年,具身智能的主流技术路线经历了几次变化,从 VLA 模型,到世界模型,再到通用大模型。但是从未有谁真正取代谁。
最早受到关注的是 VLA 模型。所谓 VLA(视觉-语言-动作模型),简单来说,就是让模型同时处理摄像头画面和人类指令,再将理解结果转化为机器人动作。
这条路线的出现,与当时大模型发展阶段有关。当时大模型拥有一定的语言和视觉理解能力,但还不能直接控制机器人。机器人自身数据有限,从头训练一个机器人模型又很难。
2023 年 7 月,Google DeepMind 发布了 VLA 模型 RT-2,它能够从网络和机器人数据中学习,并将这些知识转化为用于机器人控制的通用指令。
VLA 路线在当时提供了一种可行性方案。但 VLA 缺乏泛化能力,也缺乏自主性。导致机器人无法适应复杂的现实环境。
在现实物理世界中,机器人需要应对持续的物理变化,机器人不仅要知道现在应该做什么,还要判断这样做之后,世界会发生什么变化。
因此,当视频生成模型问世后,厂商普遍认为,视频生成模型有望取代 VLA 模型。
2024 年 2 月,OpenAI 发布 Sora,并在技术报告中提出:大规模视频训练成为构建物理世界模拟器的路径。
互联网中有大量人类活动视频。人类如何拿东西、搬东西、走路、整理物品等,都被记录在视频里。如果模型能够从这些视频中学习物体运动、空间关系和动作后果,就有机会将这种能力迁移到机器人身上。
但视频生成不等于能够控制机器人。于是,行业开始尝试把世界预测和动作生成结合起来,形成世界动作模型(WAM)。
换句话说,VLA 侧重从观察到动作的映射,世界动作模型则试图把对未来的预测也纳入动作决策。
但世界模型仍面临诸多问题,模拟出来的物理过程,也未必能在现实环境中准确复现。
直到 Astra 之后,行业又开始探索另一种可能,通用大模型能否直接承担机器人的任务理解、规划和决策?
斯坦福团队联合加州理工发布的具身智能研究项目 HomeBody,就提供了一个案例。这项研究试图回答一个问题:如果通用大模型足够聪明,机器人还需要 VLA 模型,作为大模型和身体之间的中间层吗?
HomeBody 给出的答案是:在一定任务范围内,可以不需要。
研究人员将 GPT-6 Astra 接入宇树 G1 人形机器人后,让机器人直接调用预先构建的机器人技能库,机器人进入没有见过的厨房后,根据人类指令完成了整理和物品寻找。

这意味着,随着模型推理能力增强,一些原本需要专门训练的机器人技能,可能开始从通用模型中涌现出来。
具身智能的一个核心问题,是让机器人理解环境,并判断行动可能带来的结果。世界模型的思路是从视频中学习,再模拟未来。通用大模型的思路是利用已有的推理能力,分析任务,再用于任务规划。
两条路线的技术思路不同,却指向同一个目标:让 AI 在真实世界中采取行动。