本文来自微信公众号： 经观感知 ，作者：DongX
GPT-6 Astra发布不到一周，围绕其展示能力的讨论仍从未停止。
9月3日，OpenAI发布新一代模型GPT-6 Astra，首先强调的是电脑操作、浏览、编程和科学推理等能力。
随后，社交平台出现多段Astra控制机械臂的视频。通用模型能够根据视觉信息完成部分机器人控制任务，很快引出一个更敏感的问题。具身智能公司投入重金训练的专用模型，会不会被通用大模型直接取代？
这关系到具身智能行业过去两年最重要的一项技术叙事。大量创业公司相信，物理世界需要独立的基础模型。倘若通用大模型只需接入硬件、补充少量数据，就能跨过这道门槛，专用具身模型的价值将被重新估量。
9月10日，在2026 Inclusion·外滩大会主论坛上，自变量机器人创始人兼CEO王潜给出了判断。通用大模型对具身智能形成“降维打击”的可能性较小。
王潜没有回避GPT-6 Astra展现出的能力。他把讨论拉回到一个基础问题，模型里的能力究竟从哪里来，通用智能又能否在不同领域之间自然迁移。
会动不等于会干活
据王潜介绍，当前版本的通用大模型已经训练了大量机器人数据。
从2025年初开始，OpenAI和Anthropic便在采购机器人数据、招募相关人才，并通过小规模数据工厂开展采集。基础模型原本就具备较强的视觉和语言能力，加入机器人数据后能够控制机械臂，并不意外。
按照这一逻辑，Astra的表现更接近机器人数据进入训练后的结果，不能简单归因于语言、编程或视觉能力自动泛化到了物理世界。
演示和产品之间还有一段距离。大模型在屏幕上给错一个答案，可以重新生成；机器人在真实场景中做错一个动作，可能碰倒物品、损坏设备，甚至中断生产。连续作业还会受到推理速度、控制精度、力反馈、安全约束和异常恢复等因素影响。机械臂、灵巧手、传感器及工作环境各不相同，又增加了模型适配的难度。
通用模型可以提供更强的视觉理解、语义推理和任务规划，机器人最终如何移动关节、控制力度并处理意外，仍然依赖动作数据和真实环境中的反复验证。让机械臂完成一次动作，只能说明能力已经出现。能否稳定重复，才决定它能不能进入工厂、门店和家庭。
王潜以编程能力为例。通用大模型擅长写代码，主要得益于海量代码数据以及相对完善的自动验证体系，并非对话能力自然迁移的结果。数学能力也没有随着编程能力提升而同步增强，训练过程中甚至可能相互干扰。视频生成模型已经能够呈现逼真的运动画面，也尚未自然获得可靠的机器人动作控制能力。
不同任务共享一部分底层认知，但各自仍有独立的数据分布、评估标准和工程约束。通用模型扩大了能力边界，领域门槛并未随之消失。
数据重新成为门槛
“智能的本体是存在于数据里面的。”王潜将模型比作“蒸馏器”和“容器”。
训练阶段，模型从数据中提炼能力；部署阶段，模型承载这些能力。参数规模和算力基础设施决定模型可以消化多少信息，真正决定某项能力能否形成的，仍是数据质量及验证方式。
这也是具身智能与互联网大模型之间最明显的差异。公开网络上有大量文本、图片和代码，机器人数据则分散在不同硬件和场景中，采集成本更高，也缺少统一标准。同一个抓取动作，会受到物体材质、光照、视角、机械结构和操作者习惯影响。数据数量增加，并不必然带来有效能力增长。
如果OpenAI、Anthropic等通用模型公司进一步进入具身智能，它们同样需要搭建数据采集、仿真和验证体系，在真实环境中测试模型，并处理硬件适配问题。
王潜认为，当这些环节一个也绕不开时，通用模型公司在这场竞争中的身份，就接近“另外一个具身智能公司”。既有的模型能力能够缩短部分研发过程，却无法免除物理世界的成本。
专用具身模型也有现实的效率优势。机器人需要快速响应，很多任务还要在本地算力有限的设备上运行。围绕动作控制压缩模型规模、降低推理时延，比把所有能力装进一个庞大的通用模型更容易落地。
王潜的判断还有另一面。Astra的机械臂表现说明，通用数据预训练对机器人同样有效。具身模型无需把自己封闭在机器人数据之内，更可能的技术路径，是先用通用数据建立视觉、语言和常识能力，再用具身数据补足动作控制，并通过真实场景持续校正。
这意味着，通用模型与具身模型未必走向简单的替代关系。通用能力会逐渐成为底座，机器人数据、控制效率和场景闭环则决定上层差异。对具身智能创业公司而言，只讲模型架构和参数规模越来越难形成护城河。谁能稳定获得高质量数据，谁能把失败案例送回训练系统，谁能让客户持续付费，才是更接近商业价值的竞争。
GPT-6 Astra的出现没有让具身模型失去意义，却改变了行业门槛。
当高水平通用模型逐渐成为可以调用的基础能力，创业公司很难再用“拥有一套模型”解释自己的估值。落点将会转向企业掌握了什么独有数据，模型能否稳定工作，客户是否愿意持续付费。
一段测试视频最多说明模型能够成功一次。具身智能的商业化，需要它在真实场景中持续成功。