一家成立仅一年半的具身智能数据服务企业，在过去两周内收到的数据采购订单数量，已超越此前两个月的总和。在整体具身行业融资环境趋紧的背景下，这犹如一支强心剂注入市场。

“订单来源不仅限于具身领域，一些此前仅询价、未下单的基模大厂也开始实际采购。”该企业创始人向「定焦One」透露。

这一变化的起点是GPT-6 Astra的发布。9月初，OpenAI推出最新一代模型后，社交媒体上涌现大量利用Astra操控机械臂完成各类任务的测试视频。多位具身从业者注意到，通用的多模态基础模型已具备空间理解能力，能直接指挥机器人执行任务，成功率甚至超过部分专用具身模型。

测试视频的传播范围日益扩大，“通用大模型迟早会‘吞噬’具身模型”“大语言模型将取代具身模型，具身智能仅是通用大模型的一个子集”等观点开始在业界流传。宇树科技创始人王兴兴甚至直言，预计明年GPT-7问世后，可能直接解决具身智能的核心问题。然而，行业内也存在不同看法，有人认为当前通用大模型远未达到对具身智能实现降维打击的程度，在长程任务成功率、延迟、成本等多个环节仍存在明显不足。

答案或许并非唯一，但Astra对行业的冲击已是事实。灵御智能CEO金戈告诉「定焦One」，Astra的发布本身对具身行业是一个振奋人心的消息。它首先验证了一个新的可行方向，并证明了物理世界与非物理世界的数据是相互促进的。“在Scaling Law框架下，将物理数据用于训练大语言模型，同样能提升其非物理能力。”

这赋予了具身物理数据新的价值，同时也对具身“大脑”公司提出了更高要求。一位具身智能投资人向「定焦One」表示，Astra发布后，部分具身模型创业公司和中小企业的价值将受到质疑。“如果一家公司没有超过1000张算力卡，那么它们在未来与基模大厂的竞争中很难生存。”

Astra的出现迫使行业必须回答：具身智能究竟是一个独立的商业领域，还是大语言模型能力树上注定会被覆盖的一个分支？

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」，这是他身边许多人得知GPT-6 Astra后的第一反应。

在他看来，拥有雄厚资金、算力卡和人才储备的AI大厂，一旦将能力延伸至具身智能领域，就像门外站着一群随时可能闯入的野蛮人。更令人不安的是，Astra让许多从业者意识到，这个行业积累的Know-How可能并没有想象中那么深。

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，并展现出零样本泛化和上下文学习的能力。

英伟达研究团队在10月中旬对Astra进行了测试。在物体抓取与放置测试中，Astra在未使用机器人数据进行专门微调的情况下，能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。

国内具身公司银河通用也进行了类似测试。在选定的RoboDojo任务中，Astra直接控制机器人的成功率为26%，π0.5的成功率仅为15.67%。而如果将两者结合，用Astra进行决策，用π0.5负责执行，成功率则进一步提升至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，结合环境反馈规划和调整动作；System 0负责底层运控。从上述实验结果可以看出，大语言模型的能力已能更好地胜任System 2和部分System 1，而具身专有模型的优势区间则被压缩至部分System 1和System 0。

具身智能能否落地，关键在于大脑，这是行业长期存在的共识。Astra的出现加速了大脑的发展进程。王兴兴在不久前的宇树合作伙伴生态大会上判断，GPT-6的部分能力已能解决机器人的规划问题。随着通用大模型能力提升，快则一到两年，慢则两到三年，物理AI可能迎来重大突破。

他代表的是行业内较为激进的观点。而偏保守的一方，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。通用大模型无法在机器人上以合理速度进行推理和部署，仍需要一个纯粹的具身模型来完成这项工作。

从具身智能公司的视角看，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。而从大模型公司的角度，Astra带来的机遇远大于威胁。

野村证券近期的一项具身行业调研报告显示，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”能力的来源。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」，在Astra发布并引发具身模型相关讨论前的一段时间，许多数据公司的日子并不好过。由于融资环境收窄，数据采购订单也在减少，一些模型公司拿不到投资人的钱，相应地减少了数据采购。

“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。

这并非整个行业对数据的需求在减少。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「定焦One」，OpenAI推出Astra对一级市场做具身“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。

此外，大语言模型运行在云端，这需要考虑网络的延迟和稳定性问题。不过对于这一点，行业里存在不同的声音。

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。

*文中配图均来源于Unsplash。

本文来自微信公众号“定焦”（ID：dingjiaoone），作者：王汉星，编辑：魏佳，36氪经授权发布。