184: 与陈哲的「具身季报26Q3」：Astra冲击后，通用模型会吃掉Robotics吗？

有一天晚上的一场晚宴上，有人做了一个调查，问在场的一百多位研究人员，Astra 对大家有什么影响。一派认为语言模型能解决一切，机器人学已经没有什么值得研究的了；另一派则认为，通用模型永远解决不了我们今天研究的很多物理学问题。

我会把 Astra 的研究或影响分成 3 层。我认为最让大家觉得震撼的，可能是第三层的方法：把 Astra 想象成一个真正的机器人学研究员。它可以通过工具调用，直接在 Blender 里搭出仿真环境，生成相应的物体及其属性，然后自己调试或修改运动控制策略。也就是说，在物理世界里，AI 可以自己训练 AI。

9 月有一些传闻，说 Kimi、智谱都要做机器人。之前梁文锋自己也提到过，AGI 下一步肯定要做物理 AGI。

我觉得这个趋势已经非常明显了。所有立足于解决 AGI 的公司，都有能力和意愿解决一部分物理 AI 问题。所以我认为，未来一段时间，所有头部大模型公司应该都会有相应动作。没有见到神迹的人，就是不会信的。

欢迎收听《晚点聊》，我是曼祺。本期是我们 2026 年 Q3 的《具身季报》，嘉宾依然是 AlphaEast 的创始合伙人陈哲 Peter。

这一季度有一个明显的变化：GPT-6 Astra 在 9 月发布之后，给物理 AI 和机器人领域带来了冲击。之前，机器人系统本身也会用到大语言模型，做高层语义理解和任务拆解。这一次 Astra 的冲击在于，它可以作为一个策略模型，直接输出机器人末端的位姿。简单来说，它承担了部分过去由 VLA 等物理 AI 模型完成的工作，而且做得还不错。

这就引发了一个灵魂拷问：GPT、Fable 之类的通用模型是否会吃掉机器人领域？一个已经发生的事实是，OpenAI、Anthropic、DeepSeek、Kimi 等多数通用前沿模型公司，都正在酝酿进入机器人领域，把它当作 AGI 的一个子问题。这一切是如何发生的？谁会面临挑战？谁又有可能获得新的机会？我们正式进入本期节目。

本期嘉宾依然是我们的老朋友，AlphaEast 创始合伙人 Peter。Peter，你可以和听友们简单打个招呼。

大家好，我是 AlphaEast 的 Peter。

刚刚过去的三季度有非常多的变化。Peter 你刚去了一趟美国和欧洲，也和具身领域的从业者有了新一轮交流。我们可以在本期节目里展开聊聊你的新观察。

按照惯例，这次节目依然从本季度最重要的 5 件进展和事件开始。Peter，你可以简单跟大家讲讲 Q3 你看到的最重要进展，为什么选这几件事，以及它们为什么重要吗？

1. The Quarter Astra Changed Robotics

过去一个季度，具身领域的发展变化非常大。我觉得最重要的事情是 GPT-6 Astra 的发布，大家看到了通用智能进入具身智能，或者说物理智能领域的能力和潜力。这可能是整个季度发生的最大变化。

第二件事是李飞飞的 World Labs 和 AMD 达成了收购协议。这也相当于把最近一两年流行的世界模型概念第一次摆到了台面上，而且是一次金额非常高的收购和并购。这可能也会影响我们未来观察很多世界模型或具身模型公司的出路。

82 亿美元。

第三件事，国内大家非常关注的是宇树机器人的上市，以及它带来的行业价值重构。

第四件事是整个 Q3 有非常多具身模型方面的进展，国内外几家头部公司都发布了新模型。其中比较典型的是 Generalist 发布的 GEN-1.5，以及 Skild AI 发布的 S1。这些新模型都有比较强的上下文学习能力，也引发了国内外公司新一轮的讨论和研究。

最后一件有影响的事，是美国 FCC 在 7 月底宣布对部分境外生产的先进机器人实施新的授权限制。这可能影响中美硬件研发、供应链发展，以及一系列后续问题。

接下来我们依次展开。第一件大事肯定就是 GPT-6 Astra 发布之后，对具身领域和机器人领域的冲击与影响。

我觉得比较有意思的是，之前像 GEN-1.5 发布，以及很多不同模型发布，包括 DALL·E 2，看到的还是这个领域公司的发布。

对。

结果到了 9 月，也就是这个季度的最后一个月，Astra 横空出世，大家发现它在机器人领域有很多潜力。这和之前的一般印象不一样。每次大语言模型发布，它的下游任务更多还是偏虚拟世界的东西，包括编程、操作软件、操作浏览器，以及最近很火的个人智能体。其实个人智能体的发展，也还是浏览器使用和电脑使用带来的变化。

但这一次，模型进入了物理世界。你可以讲讲为什么会有这么大的变化？为什么发生在现在？

2. How Astra Crossed Into Robotics

Astra 发布带来的巨大冲击，是因为传统上大家觉得语言模型缺乏很好的空间和物理理解能力。因为这个原因，我们需要专门训练物理 AI 模型和物理 AI 策略。

但是 Astra 的发布让大家看到，其实通用语言模型可以拥有很好的空间推理和执行能力。如果总结这次去美国和前沿实验室交流的感受，我可以用一句话概括：以 OpenAI 为代表的前沿实验室，对物理 AI 的态度是先解决 AGI，再把物理 AI 当作一个子问题来解决。我觉得这可能是范式或研究思路上的重大转变，我们在 Astra 上也看到了一些初步迹象。

二季度我们聊过，OpenAI 在 5 月正式招聘机器人团队的人。那时候我们也聊到 Anthropic 会在这个领域探索。

你刚才说的这种思路，把大语言模型用到物理世界，先解决 AGI，再把机器人当作一个子问题，大概从什么时候开始出现？

我认为可以追溯到 2025 年初，从 Gemini Robotics 发布最早版本的模型开始。

如果大家还记得，Google 发布 Gemini Robotics 时，一上来就发布了两个版本：一个通用的 VLA 版本，另一个是上层空间推理版本，叫 Robotics-ER。当时大家也很奇怪，为什么发布 VLA 的基础上，还会推出一个 ER 版本。

今天通过 Astra 最近的进展，大家可以理解为什么 Google 可能在一年多以前就看到了这个趋势：在复杂的空间理解和推理上，通用语言模型其实有非常强的能力。

更近一点，今年 7 月，Anthropic 做了一项研究，用他们最新的语言模型 Opus 调用机器人的接口，通过调用接口实现了以前需要具身模型才能实现的能力。所以语言模型进入物理世界，最开始是从工具调用切入的，也就是一种新的计算机使用或工具使用形态。

所以，比较有意思的是，2025 年初 Google 发布这两个模型时，行业里应该更关注 VLA，而不是 ER，对吧？

可以这么理解：让机器人真正能在开放环境里执行通用任务，还是分好几步的。上层肯定是理解、推理和拆解任务，下层才是更好地执行任务，或者长程执行。更底层还涉及电机、控制器和物理层面的操作。

过去一年，我们在 VLA 或 World Action Model 上的很多尝试，集中在运动模型这一层。也就是说，如果我们有一个清晰指令，比如拿一个盘子或茶杯，这个指令怎么转换成电机相应的扭矩或输出。

实际上，今天的 Astra 或 Gemini Robotics-ER 解决的是更上层的问题：如果我有一个复杂意图，怎么拆解它？拆解之后，又怎么调用底层机器人工具实现目的？

我们看到，最开始 GPT-6 Astra 的工作是通过多模态输出，输出夹爪和机械臂对应的位姿，然后——

所以它还是输出到动作这一层。

不是。Astra 生成的是末端执行器最终的位置，再通过一个逆动力学模块，把末端的位置转换成电机控制信号。

而 VLA 可以直接输出电机控制信号。

对。我们通常讨论的 VLA 或 World Action Model，具体来说是指它的输出信号应该是一串连续的电机控制信号。

其实之前就有这种分层思路，比如上面有一个大语言模型，负责理解和拆解任务意图，下面用具身模型做细致操作和动作。这一次大家觉得变化很不一样，是因为大语言模型负责的层更多了吗？

或者说，这一次大语言模型不只是给出了任务拆解，还给出了末端执行器应该到达的位置。

就是到这一层了。

到了这一层。

它多做了一部分。

对。而这一步以前也被认为是具身模型应该做的事情。

我们想一想具身模型到底在做什么：当你给它一个任务，它应该引导夹爪或灵巧手、手臂到达相应位置，然后执行操作动作。也包括各种接触、插拔等有物理接触的任务。过去 VLA 和 World Action Model 研究的就是整个任务的完成，也是大家认为非常难、需要大量空间和物理常识的地方。

现在 Astra 相当于把空间理解这部分很好地解决了，同时通过输出末端执行器的位置，告诉下层模型应该怎么执行。

OpenAI 自己发布 GPT-6 时，官方博客里没有写机器人可以是它的下游应用。后来社区里的研究者是怎么发现的？大家是怎么开始尝试这个方向的？

其实就是因为 7 月 Claude 发布的那篇论文，也就是《Claude Plays Robotics》里的工作。

它已经输出到位置了？

对。那项研究里，它输出到末端执行器的位置，再通过逆动力学模块求解。这套管线在 7 月已经被开源社区很好地实现了。所以 Astra 发布后，开源社区可能用了一两天就适配好了，把同样的实验在 Astra 上复现，结果发现它的成功率和准确率相比 Claude 大幅提高。

Anthropic 的那篇文章，我们到时候也可以放到节目说明里。它是 7 月中旬发的，不光用了自己的模型，也试了很多其他大语言模型，包括 GPT-5.24、GPT-5.21、Kimi K2.6 和 Qwen 3.6。

时间线就是，7 月中旬有了 Anthropic 那篇《Claude Plays Robotics》，社区里有人按照文章里的思路，做出了可以测试很多模型的方式。GPT-4o Astra 发布后，他们把它加进去，发现成功率有很大提升。

对，是显著提升。

你这次去欧美见到的研究者，作为从业者，他们是什么时候感受到这个趋势的？很多人可能是在 GPT-4o 发布之后才意识到的。

3. Researchers Split on Astra

我觉得挺有意思。真正非常关注 GPT 或通用模型的人，看到这个信息可能会非常兴奋；对于很多传统机器人学者，或者长期处在远离通用模型、远离 GPT 的环境里的人来说，这个冲击就不是特别明显。

我举个例子，9 月底、10 月初，我正好去匹兹堡参加今年的 IROS 2026 会议。IROS 是机器人学的知名顶会。过去几年，整个物理 AI 和机器人领域经历了天翻地覆的变化。但对传统机器人学顶会来说，研究的很多问题还是传统机器人学问题，比如怎么解决控制、怎么解决触觉、怎么做各种力的分析。虽然这里面已经引入了大量深度学习和 Transformer 等新架构，但机器人学者研究的还是一些经典机器人问题。

所以，9 月底在 IROS 上，这反而不是一个很热门的话题？

或者说，这是一个非常有争议的话题。一天晚上的晚宴上，CMU 助理教授石观亚老师做了一个调查，问在场的一百多位研究人员，Astra 对大家有什么影响。他借用了《三体》的概念，把大家的想法分成了很多流派。

降临派、什么派，是吧？

对，有降临派、拯救派，也有一些工具派，认为 Astra 只是大家可以调用的工具。

争议比较大的两派中，一派认为语言模型能解决一切，机器人学已经没有什么问题值得研究了。如果通用模型可以不断推进前沿，可能还有一派认为，通用模型和物理模型、机器人问题是分层的，可以各自占据自己的生态位。

那还有一派比较极端的是什么？

还有一派比较极端，认为通用模型永远解决不了我们今天研究的很多物理学问题。

他们的比例大概怎么样？

我觉得最务实、人数最多的一群人，认为我们应该把大模型当作工具，用来研究机器人学的专门问题。两种更极端的人的比例相对少一点，但也有很多人支持。

认为大语言模型会解决所有问题、机器人学已经结束的人，在那个场合里大概能占多少？毕竟都是机器人领域的专家。

可能有三分之一。

那也不少，挺多的。

对。到今天依然有人认为，大模型因为体量更大、速度更慢，天然不适合需要实时响应的问题。但从计算机发展的历史来看，对于我们觉得需要很大算力的计算，如果找到对的方法，总有办法优化。你也很难跟持续迭代的摩尔定律抗衡。所以，以算力或速度作为瓶颈来否定大模型这条路线的人，长期来看可能都会失望。

硅谷一些比较知名的机器人公司，比如 Generalist、Sunday、Diligent，它们属于比较接触大语言模型的人，还是比较沉浸在机器人学自身问题里的人？

我觉得 Astra 出来后，可以换个角度讨论这个问题。有一派比较极端的人认为，整个物理 AI 模型的叙事已经坍塌，或者说它的价值假设不复存在。

为什么会有这种逻辑？如果看 Physical Intelligence、Generalist 等一系列具身模型公司，它们在没有营收、没有商业闭环的基础上，获得了非常高的估值。一个很重要的假设是，大家认为物理 AI 是一个大于数字 AI 的事情。如果物理 AI 是一个大于或等于数字 AI 的事情，那么今天这些公司的状态，可能就像 2015、2016 年的早期 OpenAI。这也是它们在行业非常早期时，就能获得百亿美元估值的基础。

但 Astra 的出现，一定程度上是在告诉大家，通用模型是一个更可怕的存在，物理 AI 可能只是通用模型的一个子集。如果这个假设成立，很多物理 AI 公司的估值体系和价值链分布可能会被打破。

所以，对很多创业公司来说，整体是个坏消息吗？如果你相信大语言模型能做更多的话。

但物理 AI 到来的时间，也可能因为通用模型的进展而大大提前。整个市场的规模可能也被放大了，所以不一定对每个创业公司来说都是坏事。

我们可以展开聊聊 Astra 发布之后大家做的一些具体实验。里面能看到一些具体表现和数字，有什么比较有意思的研究和发现吗？

我会把 Astra 的研究或影响分成 3 层，这 3 层对产业的意义可能不一样。

第一层就是最直接的：我们在 Robot Dojo 上看到的，用 Astra 直接做策略。

可以稍微解释一下 Robot Dojo 是什么吗？大家怎么用它来测试？

Robot Dojo 是一个开源的具身任务测试集。新型具身模型都会在这个测试集上验证一些常见任务。

Robot Dojo 是在仿真环境里测，还是在线下实际测试？具体怎么测？

仿真环境和线下场景都有对应的测试案例。一个新策略接入系统后，会有预设任务和重复实验，可以在标准集上测试任务成功率。

它主要测短任务，还是两种都有？比如抓取、放置这样的短任务，以及比较复杂的长程任务。

两种都有，是一个组合。当然，这种测试集不一定能真正反映现实世界里的场景和需求，但作为一个代理指标，也可以反映每代模型的相关能力。事实上，今天最先进的物理 AI 模型，完成这些测试的程度也不是特别高。

Astra 的第一层影响，就是直接拿语言模型做策略。

就是你刚刚说的，直接生成到位姿。

直接生成到位姿，再反向生成关节动作。这是第一层。

我认为第二层和第三层更有意思。第二层是让语言模型作为现有动作模型的监督者或纠偏者。什么意思呢？运动执行还是通过一个 VLA 模型完成，但 Astra 作为一个更聪明的大脑或监督者，去检查或校正 VLA 的输出结果和质量。

最近正好看到银河通用的一个案例，用了混合控制方法，选择了 10 个 Robot Dojo 任务。如果由 Astra 直接控制，成功率是 26%；如果通过 Astra 控制一个 π0.5 模型来输出，成功率会显著提高到 48%。也就是说，Astra 作为一个更聪明的控制器，监督 π0.5 生成的动作，把不合理、有问题、不容易成功的动作调整或修正，从而提高最终结果。我认为这是第二类用法。

那第二类用法至少目前肯定更慢，对吧？

对。今天这些方法都没有在速度方面做太多优化，更多是在——

优化成功率。

对，或者从能力上讲，看看通用模型的能力边界在哪里。

我认为最让大家觉得震撼的，可能是第三层的方法：把 Astra 想象成一个真正的机器人学研究员。它可以通过工具调用，直接在 Blender 里搭出仿真环境，生成相应的物体及其属性，然后自己调试或修改运动控制策略。

这样一来，它相当于可以独立完成整个策略建模、训练和优化的过程。这也是我们说的 RSI 概念：在物理世界里，AI 可以自己训练 AI。我觉得第三层可能是整个讨论里最让人头皮发麻、最有颠覆性的地方。

第三层有什么具体机构做了什么具体研究和测试吗？

我们已经看到很多早期尝试。有些公司在做所谓的 real-to-sim-to-real，也就是利用大模型很强的理解能力，先完成物理世界的虚拟化，再在仿真环境里用 MuJoCo 这样的仿真器调试生成的资产，然后把仿真里学到的策略部署到硬件上。

我觉得 Q4 会讨论这件事，这应该是 Q4 值得期待的方向。物理 RSI 肯定会来，因为——

嗯。

物理 RSI 的到来，可能是对之前研究范式的重大补充或改进。

你前面说的第三种用法，我听起来还是在仿真环境里。他们有没有试过在仿真环境里做一些事，再迁移到真实环境里看看效果？

我觉得有一些早期尝试，但还没有特别显著的工作，因为大量资源没有投到这件事上。之前的公司还在走 VLA、World Action Model 这条路。

所以在很多创业公司里，这个东西现在是作为一个——

这是如今最新的——

小型的理念。

这是一个最新的融资概念。

这个融资概念就叫物理 RSI，是吧？

对。

刚刚说的第一种用法，就是直接让它生成位姿。这方面开源社区已经有不少公开研究，我们待会儿也会贴一些在节目说明里。

有一篇是我们之前《AI 季报》里也聊到的，叫《An Unexpected Robot Policy》。它也是直接在 Robot Dojo 里测试，对比了很多模型，包括 GPT-6 这样的大语言模型，也包括 π0.5 这样的具身模型。测试结果是，Astra 甚至比一些顶尖具身模型的成功率更高。

另外，Robot Curve 是最早把 Astra 用到具身领域的创业公司之一，他们也发表过一些研究。9 月，他们对比了 Astra 和另一个开源具身模型 MomoAct-2，也是让模型直接生成位姿。我觉得这就是刚才说的第一种用法，比较直观：它直接能做以前做不了的事，生成位姿，看起来就像变成了一个策略模型。

之前我们讨论 VLA 和 World Action Model 时，希望这些动作模型既有空间理解、任务理解，也具备很强的机器人控制和执行能力。这也是为什么很多 benchmark 既包含精准操作和执行任务，也包含复杂、长序列任务的测试。

4. Astra's Strengths and Limits

我大概看了一下网上对 Astra 的很多讨论，Astra 在一些需要推理能力和空间理解能力的任务上，表现明显比 VLA 强。

这正好是我想问的：它擅长什么，不擅长什么？

空间推理能力，以及泛化能力。

泛化能力，比如它没见过的东西？

比如之前讨论 VLA 时，有人说把物体的颜色改掉——

对，拿绿杯子、拿红杯子，它就——

或者把位置改掉，它就完全懵了。本质上是因为 VLA 模型的泛化能力比较弱，而通用模型在这方面要强得多，因为它的模型体量和训练方法远远超过 VLA 模型。

那它不擅长什么？

它不擅长对物理精度或物理执行有要求的环境，比如非常精细地扣一个纽扣。很多 VLA 模型针对这类动作有专门的遥操作和后训练积累。

嗯。

有大量类似开关，或者有一定摩擦、形变的动作，VLA 都专门采集了很多遥操作和后训练数据。

嗯。

而这些数据在语言模型里可能比较稀缺。

这个表现看起来比较支持你前面说的那一派观点：大语言模型和物理模型分层使用。

我觉得长期来看有可能分层。支持分层最大的原因，不是大模型永远做不到物理模型今天能做的事情，而是未来通用机器人的实际部署，大概率还是需要在本机上有一个实时、高速的模型，在本地计算。

就像我们今天看 Robotaxi 或自动驾驶汽车，有一些低频决策可以在网上完成，可以接受一两秒的延时；但大量本地计算应该由本地算力和本地模型执行。所以不是说 VLA 模型的位置完全没有了，而是它的价值链或公司的价值主张可能会消失。未来的 GPT 可能会蒸馏出一个端侧模型，直接部署到设备上。也就是说，VLA 模型的位置可能依然存在，但未必由独立的 VLA 公司来交付。

有可能是做通用模型的公司把这件事做了。你觉得 GPT-6 在空间智能上的能力来自什么？

GPT-6 这次体现出 3 个特别强的能力。第一是很强的空间理解能力；第二是复杂任务的推理和逻辑能力；第三是调用抽象机器人接口的能力，也就是我们所谓的编程能力。这 3 个能力，过去相当长一段时间都是通用模型快速提升的方向。

分开来说，空间能力的提升来自什么？是特殊数据、训练方法，还是别的？

应该都是数据。我听到的消息是，他们可能在 5 月份就雇了很多 Blender 艺术家，做了大量建模轨迹和数据标注。这也是为什么 Astra 的 Blender 生成能力突飞猛进。

Blender 生成能力其实也体现了他们对空间的理解。从更高的维度看，如果 OpenAI 的目标是做 AGI，那么对它来说，所有模态的数据都需要学习和吸收。无论是 3D 素材、视频、音频、文本，还是机器人控制数据，我觉得在今天这个通用模型架构里，没有什么数据是不能学习和接入的。

而且我觉得通用模型公司的组织方式特别适合做这件事。比如雇很多人做 3D 建模，一方面他们使用 Blender 的能力变强之后，也是一个很好的传播点；另一方面确实有实际用途，比如生成很多 3D 素材和视频，对 Robotaxi 也有用。

而且这可能很贵，一般公司想这么做也没有这个资源。你知道他们成本大概多少吗？

这个成本肯定不便宜，但通用模型最大的好处是，成本可以由很多任务分摊。我相信这里不只是数据规模的问题。我们也看到语言模型有非常好的大规模强化学习能力。搭建一些专有测试环境之后，Blender 是一种很容易验证结果、测量效果的环境。

除了这些数据，还有别的数据吗？之前有一个讨论，GPT-6 的预训练是否用了具身数据，比如第一视角的数据。

我没有明确的信息确认这点，但我听到的所有消息都指向他们肯定用了。或者说，站在 Scaling Law 的角度，他们没有理由不用。

反正有一个消息比较确定：从供应链消息来看，他们肯定买了很多这类数据。

或者这么说，如果他们买了很多数据，那肯定有大量实验在进行。

这也是通用智能公司有优势的地方：它们在算力和推理上的领先优势，相比具身公司还是非常大。我们知道，中国乃至全球最领先的具身模型，用到的 GPU 数量可能就是千级；相比十万甚至百万级的头部通用模型公司的算力，差了两到三个量级。

这个问题涉及一些专门做具身数据的公司接下来的发展。

对，或者换句话说，做具身数据的公司今天最大的潜在客户可能是通用 AI 公司。

有一种观点认为，如果通用模型用各种泛视频数据就能获得不错的空间理解能力，那对专门做具身数据的公司是利空。另一方面，如果它还是需要很多专门的具身数据，那就是利好。

我觉得做数据的公司，谁有预算我们就服务谁。大家采集第一视角数据，是因为第一视角或真人操作数据在物理世界里的供给并不充足，所以需要人工采集。但一旦这些数据积累到足够的量，被通用模型学过之后，就可能和其他类型的数据交叉增强能力。

你的意思是，他们供给这类数据的时间可能也就这么几年？等通用模型学得差不多了，可能就不太需要这类数据。

我觉得所有数据生意都是阶段性的。你看 Scale AI 早年提供的数据标注，从人脸识别、自动驾驶到后来的语言模型，数据服务公司的数据模态永远随着模型能力提高而变化。你总要提供一些今天 AI 还不能解决的问题的数据；当这些问题被 AI 学会之后，就需要更复杂或更高精度的数据。

所以刚刚说的第一个能力，是空间理解能力，可能来自特定数据。第二个是逻辑推理能力，这一直是大语言模型在加强的能力。

推理是语言非常擅长的任务。

嗯。

VLA 或 World Action Model 为了优化动作生成，更多退化成了直觉模型。出现一个指令或图像，它可以直接映射或生成一段动作序列。但为什么这么做？除了直觉反应之外，背后还有没有更深层的推理和逻辑？这可能不是 VLA 和 World Action Model 擅长的。

这是第二个能力。第三个能力是 GPT-6 Astra 调用各种机器人的抽象接口更好了。

这里面有两件事。我们做机器人研究或具身控制时，经常用到各种仿真器，比如 Isaac Gym、MuJoCo。这些软件都有清晰的软件接口：怎么使用，怎么构建场景，怎么从场景里获得数据反馈。目前我们发现，大模型解读和执行这些接口的能力非常强，完全不亚于专业研究员。

这其实就是编程能力的一部分。

是编程能力的一部分。对 AI 来说，调用 MuJoCo 和调用浏览器、Excel，原理上是一样的。我把物理世界里的机器人也当作一个程序来控制，它有明确的输入和输出，有逻辑关系，而大模型又能理解这种逻辑，所以没有理由不能调用它。

更有意思的是，我们看到一些尝试：大模型可以编写 MuJoCo 程序，观察 MuJoCo 输出的仿真结果，然后调整它在真机上的策略。这些早期尝试在 9 月底已经开始出现，我期待下个季度会有更多。

我觉得今天有一个很有意思的转折。一季度季报的 Top 5 之一，就是 WAM，也就是世界动作模型。世界动作模型作为策略模型，和 VLA 的一个区别是，它的 backbone 不是 VLM，而是去掉了语言这个中间输入输出层，用视频生成模型做 backbone。

现在 GPT-6 Astra 出来之后，你会发现大语言模型好像又给人一次惊喜。我是比较外行的视角，感觉以前 VLA 中间有一层语言轨迹，到了 WAM 好像有一种去语言化趋势。到了 GPT-6，它在大的范畴上还是大语言模型。

对很多从事 VLA 研究的研究人员来说，VLA 更像一个 VA 模型，因为语言在 VLA 里的作用弱化了。它更多是用于描述场景和提示，语言并不是关键的推理或思考环节。

这也是为什么我们前两个季度的访谈里，批评过 VLA 可以看作一种更高级的行为克隆。

嗯。

它更像看到一张图片就生成一串动作的本能反应或直觉反应。

WAM 在 VLA 的基础上，首先还是一个动作模型，目的是以输出动作为核心。但绝大部分大模型是以视频生成模型作为 backbone，而视频生成模型训练的基础是大量通用视频数据。这些通用数据包含了更好的物理世界理解和物理规律总结。也就是说，WAM 天然在泛化性上比 VLA 有巨大提升。

嗯。

但它依然跳不开动作模型的本质。以视频生成模型为核心的 diffusion model 里，其实没有太多逻辑推理。它是一个生成器，不是理解器。

我觉得它的发展有一个可能和有些人直觉不一样的地方。比如人类作为高级智能动物，在人类还不是很高级的时候，好像运动操作能力就已经具备了。

很多低级动物，比如昆虫或一些简单动物，在神经元很少的情况下，就已经完成了一些本能动作，但它们缺乏复杂推理和复杂问题拆解能力。这些能力随着神经元增加、脑容量增加，智能程度逐渐涌现。这可能进一步体现了 Scaling Law 的强大和影响力。

今天主流 VLA 和世界动作模型的参数量，大概是几十个 billion。

嗯。

主流语言模型已经到了几个 trillion，甚至十个 trillion 以上。这就是初级动物和高级动物的区别。

所以我觉得这一切并不奇怪，它只是打破了我们之前可能有的一个假设：单纯关注物理 AI 模型的公司，有可能做出比数字 AI 更大的模型。

回到你前面说的几派，你自己比较倾向于哪一派？

5. Where Embodied Startups Can Win

GPT-6 Astra 进一步证明了一点：智能是一个通用问题，通用模型有可能先解决智能问题，再解决物理问题。在这个大叙事下，未来的具身模型公司或世界模型公司，可能会长期走向和通用模型互补、合作的关系，并找到自己在物理世界里独特、不能被替代的价值。

你觉得接下来可能会带来什么变化？比如国内一些公司会怎么变化？9 月有一些传闻，说 Kimi、智谱都要做机器人。之前梁文锋自己在流传出的投资会议里，也提到 AGI 下一步肯定要做物理 AGI。

我觉得这个趋势已经非常明显。就像我说的，物理智能是通用智能的一个子集。所有力图解决通用智能或 AGI 的公司，都有能力和意愿解决一部分物理 AI 问题。所以我认为，未来一段时间，所有头部大模型公司应该都会有相应动作。

你觉得中国公司也会这样吗？因为它们的资源还是相对受限一些。

但是，投入在物理空间理解上的数据和算力，可能也会在其他方向——

对。

——受益于模型的落地和应用。这是一个通用智能问题。

嗯。

GPT-6 Astra 最大的启发，就是我们真正要理解和尊重 Scaling Law，也要真正理解通用智能到底意味着什么。

据我所知，智谱很久以前就采购过一些机械臂。

对。

但那个时候可能更多是在做一些技术探索。

对。我觉得 Astra 出来之前，这都不会是各家特别重要的问题。

所以 Astra 出来之后，一个挺明显的影响就是，国内这些大语言模型公司、基础模型团队，甚至一些大厂里的团队，都会更认真地把机器人作为一个问题和业务来做。

如果再理想化一点说，如果大家真的想解决 AGI，比如想像 Astra 那样有很好的空间理解能力，就必然会训练很多相关数据。你甚至可以说，机器人是这种技术能力实现之后自然涌现出来的结果。

这是大语言模型或通用模型这一边。另一边，你刚才说，本身做物理 AI 的公司要找到自己不能被替代的点。展开来说，可能是什么？

一个不太恰当的比喻是，在数字 AI 里，当底座模型极度发达时，作为一家 AI 创业公司，你应该做什么？

这不就是现在 AI 创业公司苦恼的问题吗？

所以我觉得空间被挤压可能是注定会发生的事情，但不代表这些公司的市场体量会很小。

首先，我觉得大家可以停止争论技术路线到底是 VLA 更好，还是 WAM 更好。在超级智能面前，模型架构上的优化其实不重要，或者说这些差异并不重要。更多要看，作为一家具身创业公司，哪些能力通用模型已经可以提供，哪些能力仍然需要自己训练或获取，而且是通用模型永远没有机会获得的。先把边界想清楚。

在这个基础上，第一是做好对应的接口。我觉得未来一个季度的很大趋势，就是通用模型作为调度器，充分调用物理世界里的各种接口和能力。你要把自己想象成一个可以被反复调用的工具。第二是留住真正属于自己的闭环。它可能是触觉或力觉信息，也可能是应用落地里对工艺的具体约束、硬件设备的可靠性、失败任务的恢复，以及持续积累的任务相关统计或捕捉数据。

就像做 AI 应用，要在垂直领域或相关领域里有数据闭环一样，物理 AI 公司可能更需要关注这一点。

我听下来，你说的可能包括关键零部件公司，比如做手、做触觉传感器，或者做硬件的公司；还有一种可能是在某个具体行业场景里有积累的公司。

对。在 To B 领域可能更加明显，比如具体的工业、物流或其他行业，它们有行业相关的 know-how 或积累，甚至有一些合规壁垒。

类比 AI 时代，像 Harvey、OpenEvidence 这些法律、医疗领域的垂直 AI 公司，利用行业准入门槛或数据合规门槛，也足以建立一家百亿美元公司。我认为物理世界里应该有类似的位置。

你觉得能到这么大吗？关键零部件可能会比较大，但垂直场景能有这么大吗？工业和物流场景本来就很分散。这样描述的话，通用物理 AI 公司其实不是没有空间。

我有另一个不太恰当的比喻。比如用自动驾驶或智能汽车产业来类比，你会发现至少可以分成 3 层：上层是主机厂，中间是各种 Tier 1 和智能驾驶方案公司，下一层是核心零部件公司。核心零部件可以是芯片，也可以是其他关键组件。

雷达。

对，雷达这些。你会发现每家公司之间的博弈不一样。一个明显趋势是，中间的 Tier 1 或算法供应商，要么往下走，去做芯片这一环节；要么往上走，去影响主机厂，在主机厂的价值链里分一杯羹，比如华为智驾这样的方案。

但本质上，如果它只是停留在中间，就会被两端挤压：主机厂和底层算法供应商都会挤压它。我觉得具身领域可能也会遇到类似情况。如果你是一家具身大脑公司，比起通用大脑又很小，真正部署时可能会受限于硬件或执行器的定价能力和规模效应。你在中间怎么找到自己的价值闭环，可能是很多公司要思考的问题。

听下来，我大概知道你的立场了。你还是比较倾向于大语言模型会吃掉更多能力，物理 AI 公司空间会受到挤压，需要做一些调整。

对，你说的是比例问题。但从体量上看，我认为通用模型公司的进展其实会加速物理 AI 落地。

这会让这个领域更快到来，也会更快出现一些大体量公司。

对。就像我们一直在说的，今天通用机器人的硬件基本上已经准备好了，剩下不能解决的问题其实都是智能问题。无论是通过 VLA 还是通用模型，我们都是想解决最后那一段没法解决的问题。

前段时间我跟一位具身领域的创业者聊过。他之前也是一家领先自动驾驶公司的技术骨干。他跟我讲，自动驾驶发展了十多年，出现了非常多 benchmark，测试各种自动驾驶里的 corner case。比如前面有一位坐轮椅的老人横穿马路，或者前面有临时施工的交通锥，汽车应该怎么反应。

他说，这些经过十年反复验证的 benchmark，今天在 Astra 面前都灰飞烟灭了。

嗯。

这些我们认为真人司机都容易犯错的问题，在 Astra 面前其实都是很简单的问题。

就是直接打穿了。

对。那如果自动驾驶出现了这样的情况，为什么具身智能或其他问题里不会出现同样的情况？

它还有一种出路，可能就是被收购。正好来到这个季度 Top 5 的第二件事：World Labs 被 AMD 收购。不过这个收购还没有完成，双方只是达成了意向，后面还要走流程。

对。我为什么把这件事当作行业里第二重要的事？因为 World Labs 是一个典型的 World Model 公司。虽然它的世界模型可能和我们讨论的运动模型有点区别，但也属于世界模型的大范畴。

一个新团队拿到了巨额融资，最后被大公司收购，作为退出或实现更大价值的一种途径，得到了非常多关注和讨论。

你觉得这个消息对行业里的人来说突然吗？

可能也没有那么突然。在美国，很多独立技术公司被超级大企业收购，是非常常见的路径。而且在今天巨头激烈博弈的背景下，有些公司对大公司来说有很强的战略价值和战略地位。有些公司创业时，可能一开始就是按照被大企业收购的路径来规划。所以这个结果我觉得并不奇怪。

World Labs 的世界模型，和 2025 年底到 2026 年上半年中国特别火的世界动作模型，不完全是一回事。你可以先给大家讲讲，它和具身、物理 AI 的关系是什么。

李飞飞成立 World Labs 时，对公司的使命定义是做全模态空间智能模型。具体来说，她最擅长的领域就是发布的 Atlas 模型，做空间重建和视角再生成。通过高速 3D 重建，可以把不同模态的输入融合起来，还原或生成一个三维空间。这个模型更多是在场景重建和视角重建上。

它可以用来做游戏，这可能是他们自己也说过的。

或者做机器人的仿真环境。

但实际上，这件事现在 GPT 和 Astra 就可以做。

我觉得精度不一样。更直观地说，World Labs 像是一个更好的生成模型，有点像 Seedance、Kling 或 Hunyuan 3，只不过它生成的对象是可以交互的 3D，甚至 4D 空间，而不是 2D 视频流。

但它本身并不是一个带有语义理解或推理能力的思考模型。今年它还收购了一家由李飞飞以前的学生创办的公司，叫 Synyx，做机器人的仿真验证和真机测试。两家公司的结合，让 World Labs 生成的环境有了更好的出口，可以用来做刚才说的 real-to-sim-to-real 闭环。

那其实就是你刚刚说的第三种使用 GPT-6 Astra 的方式里的一个环节。

对，其中一个环节是空间和资产的构建，以及与这些空间和资产相关的仿真工作里，需要大量工具流、数据流的实现。

所以它跟我们平时讨论的具身智能公司或机器人公司的关系，就是它是这类公司的基础设施服务商之一。

对。它和 VLA 或 World Action Model 并不是竞争或冲突的关系。

它们是上下游关系。

甚至在 Astra 这样的通用模型更强之后，像 World Labs 这样专注于空间重建或仿真环境搭建的公司，可能会获得更大的价值。

你觉得他们为什么选这个时间点被收购？他们 2 月刚融了 10 亿美元。双方可能各自的诉求是什么？AMD 肯定有自己的诉求，World Labs 被收购也可能有自己的诉求。

我只能作为第三方揣测。我觉得对李飞飞和 World Labs 来说，他们还是非常愿意持续探索前沿研究的边界。但在没有明确商业模式和业务模式的基础上，做一个独立研究实验室需要消耗大量算力和资源。正好 AMD 可以提供相应能力和算力，我觉得这是他们愿意被收购的一个原因。

从 AMD 的角度来说，今天大家讨论 AI 头部公司时，不包含 AMD。虽然英伟达无论在 AI 还是物理 AI 上都有很大贡献，也有像 GEAR Lab 这样的知名研究实验室，但 AMD 缺乏相应的口碑和资源。

如果 AMD 通过收购 World Labs，搭建一个和头部公司类似的顶级物理 AI 研究团队或实验室，我觉得这笔收购对 AMD 来说就是很划算的交易。

你觉得这笔 82 亿美元的交易，对其他世界模型公司有多大参考意义？

我觉得 82 亿美元这个价格可能没有反映他们对业务的直接贡献，但体现了一个万亿市值的头部公司愿意为这件事在战略上付出的代价。

我补充一下，他们是用股票交易的，这是目前的方案。

那就更好，现金都不用花。

对，所以对 AMD 来说应该不算特别大的成本。

其实还是回到刚才讨论的通用模型和具身模型之间的此消彼长。行业里一直有传闻说，Anthropic 可能收购 Physical Intelligence。我觉得 World Labs 这笔交易对这类交易起到了锚定作用。

传得还挺具体，估值、收购对价都传出来了。

这种谈判肯定会谈很长时间，有这种讨论我不奇怪。但 World Labs 可能是在提醒所有 New Labs：中短期来看，最好的出路可能是尽快找到大厂收购，因为你的价值长期来看可能很难独立实现。而且对大厂来说，可能只有第一个被收购的公司有价值。

卖身肯定是有窗口期的。嗯，是的。这个倒是给国内公司一个启发：大语言模型公司和做机器人、做具身的公司，可能也会有这样的组合。

这可能就说到中国资本市场的环境了。我觉得中国基本没有像样的收购案例发生。所以这些公司怎么退出，我其实不知道。没有人愿意付这么高的价格。

哦，都觉得可以自己做。

还有，都可以挖人。

不过具身公司的估值本身也比较高。估值这么高，被收购的可能性就会降低。

那天我看到一位头部具身公司的创业者访谈，他提到一个很有意思的观点：他们公司现在已经融了 30 亿现金，但也不会怎么花。想法是等一两年，泡沫破碎后，可以在市场上用极低的价格收很多团队和公司。

你觉得世界模型公司接下来会越来越难长期独立存在吗？这笔交易是一个标志性信号，还是个例？

我觉得国内外可能要分开讨论。在美国，相对来说有比较深厚的资本市场，愿意投资和支持一些长期独立存在的模型公司。哪怕它们尝试不成功，往往也能谈到不错的收购报价。

这使得美国很多头部公司愿意在自己笃信的方向上进行大额投入。无论是 Physical Intelligence 还是 Generalist，我们看到它们做的很多工作，都很有技术独到性和领先性。

我觉得它的激励环境会鼓励他们做一个大的技术判断，再做一个差异化的技术实现。

对，资本市场会奖励这样的行为，头部大型企业也愿意收购这样的资产。我觉得这是一个比较良性的循环。

国内这些公司优先考虑的可能还是在复杂环境里独立生存，这两边确实有区别。

嗯。

可能这个对海外市场是一个信号。

所以中国的世界模型公司可能会更早追求落地和商业化闭环。

进一步讨论宇树之前，想补充一下你这次去美国、包括去欧洲参加 IROS，还有什么有意思的交流和新观察？可以和前面两个话题相关，也可以是其他内容。

见过 OpenAI 在做什么的人，和没有见过的人，思维完全不一样，存在断代差别。

你肯定这次也见了 Frontier Lab 的人。你觉得他们的想法和其他人有什么不一样？

他们认为公司解决的是通用智能问题，其他都是子问题。

他们公司里做机器人的团队也都这么想吗？这是共识吗？

这是整个公司的大共识。

嗯。

没有见到神迹的人，就是不会信的。

你觉得哪些人算是见到神迹的？

举个例子，2024 年初，特斯拉发布端到端的 V12 模型时，他们已经看到了自动驾驶里的 Scaling Law 和端到端实现。但国内很多公司当时还没办法复现这种结果。2024 年中，国内自动驾驶领域一度有人说，特斯拉放的是烟雾弹，是在误导市场，因为大家端到端训练了半天也没训出来，一定是骗人的。

可能当你真正解决过这个问题，对问题的视角就会完全不一样。

另一方面，你这次见到的 Frontier Labs 里的人，或者比较相信大语言模型在这方面能力的人，有什么盲区吗？

我有一位 Frontier Lab 的朋友，非常谦逊地一直跟我说，不要被他的观点和想法误导，因为他是站在他们有巨大数据量和算力的基础上做出推导。这个推导对绝大部分创业公司可能并不成立。

所以这个路径难以复制，可能是对大部分其他公司来说的一个问题。

对。

那和比如理想以及中国其他公司当时学习特斯拉，还不一样？

我觉得是。

数据量差得太多了。

对。自动驾驶模型还好，中国有些公司能拿出一年四五十亿元人民币来训练模型，也可以训练出不错的端到端模型。但具身领域如果是通用智能的一个子问题，那就是完全不同的规模了。

看来只能托梁老板他们去挑战一下了。

我觉得梁老板他们会做的。

6. Unitree Resets the Valuation Debate

好，下面进入第三个话题：宇树的 IPO 和连锁反应。我觉得这是很多人都很有实感的话题。宇树上市之后股价大幅下跌，但相比发行价依然涨了很多。

我记得我们上个季度预测宇树股价时，我提的数字是一千亿。我觉得它应该是一家市值一千亿的公司，这是我认为比较合理的目标。

现在还高了七百亿，现在还有一千七百多亿。它发行时的市值倒没那么高，是六百多亿。

无论是六百亿还是一千亿，我觉得从业务基本面和行业地位来说，都可以推导出一个比较合理的目标。至于股票大涨大跌，我们也知道，新股上市流通会有很多短期炒作诉求，不能反映公司的长期价值。

它上市当天开盘冲到四千四百多亿时，你当时有什么判断和感觉？

没什么感觉。

你也不觉得这是坏事吗？

可能有太多短期资本，无论个人还是机构，在里面起到了推波助澜的作用。作为长期风险投资人，我们还是关注真正公司解禁以后，长期机构投资者对公司价值的判断。

那就是明年 8 月，科创板解禁。

对，再等一年。

我们之前聊的时候，你一直认为宇树是这个领域非常好、非常稳健的一家公司。现在这个判断有变化吗？

我觉得判断肯定增强了。Astra 横空出世后，大家看到了通用智能的加速和能力，这进一步加强了稳健的本体公司或硬件公司的价值。宇树从业绩来看一直是很稳健、也有全球领导力的一家公司。

它上市前也发布了 2026 年上半年的财报，有什么值得注意的指标和信息吗？

整体上，我的印象是上半年收入同比增长在 50% 左右。

对。

所以——

48%。

48%。而且人形机器人的出货占比应该大幅增加，相比去年也体现了公司主营业务的变化，以及它在人形机器人市场的领先地位。我注意到它的销售费用明显上升，应该是受到 2026 年春晚营销投入的影响。

对，春晚那一笔应该挺大的。

可能。

销售费用 1.64 亿，春晚可能就大几千万。

但我觉得还好。从整个公司的经营质量来看，它应该也是国内具身领域首屈一指的公司。

在你之前的逻辑里，像 GPT-6 Astra 这样的进展加速领域发展，对做硬件本体的公司是利好。

对。而且它更有可能做成像英伟达这样的位置。OpenAI 再发达，英伟达也是受益的，不会因为 OpenAI 很强，英伟达就被削弱。相反，英伟达的需求得到了极大放大。

英伟达也会做很多开源工作，让学术界的成果可以在它的硬件上复现，进而赋能整个生态的开发者。我觉得这一点和宇树很像。

你觉得宇树发展大脑部分的动力还迫切吗？它上市时募资的主要金额里有 20 亿，表示要投在具身智能开发上。

我觉得它做自己的模型还是很有价值的。我看了它 9 月份发布的新模型，是一个 6B 参数的 VLA 模型，主要做桌面操作和全身移动操作。

它最大的价值是，作为原厂，可以把本体和开源具身模型的一些领先研究、工具链串起来，让用户以比较低的使用成本快速部署和应用。我觉得这是宇树长期会和用户投入的方向：降低用他们的硬件完成一个完整任务的难度和成本。

你之前有一个观点，觉得对宇树来说，模型这一层跟在第一梯队就行，不一定特别引领，也不一定非要最强。

我们可以看到，宇树在很多方向上还是非常克制的。王兴兴在公开场合也一直不是特别激进的判断者。我觉得它在大脑这件事上可能也是同样的态度。

宇树之前被视为整个具身智能行业估值的锚点。经历这一轮暴涨暴跌之后，它相比上市当天已经下跌了 60%。现在这个锚点在哪？它的估值倍数还是很高，上半年收入是 11.52 亿元，全年可能在 20 亿到 25 亿元左右。对比一千七百多亿市值，估值肯定还是很高，如果按传统估值方法来算。

传统估值方法很难给这种行业领先公司仔细定价。就像国内已经上市的大模型公司，几千亿的定价，用传统估值逻辑也很难解释。我觉得关键还是看它们在产业链里的稀缺性和领导力，以及未来持续增长的潜力。

宇树上市之后有一个比较明显的连锁反应，就是影响接下来排队上市的一批具身智能公司。中国和外国媒体都有不少报道，说监管会相对收紧这些公司的上市，重点考察它们是否有可持续收入、是否有技术突破、是否有上市必要性。

很多公司成立时间也没有特别久，比如才三年左右。这个季度还有不少争议性话题，比如数采。我们之前写过文章、也专门录过一期节目聊具身智能的金钱游戏，讨论这些收入怎么来的、哪里有水分。你觉得接下来会怎么发展？如果几十家排队上市的公司今年到明年都很难上市，会有什么影响？

我们上个季度的播客里也提到过具身热潮。我们关注机器人领域很久了，过去 12 个月可能是这个领域获得最多资本关注、最热、甚至乱象最多的阶段。很多公司的估值快速上涨，实际上是市场情绪或市场焦虑的体现，并不能代表这些公司的合理价值或本来价值。

回头看上一个资本热潮，也就是 2020、2021 年，那一波也有机器人热潮，一些头部机器人公司融了不少钱。我当时印象比较深的，当然不是通用机器人，而是专用机器人。比如送餐机器人擎朗和普渡，两家头部公司可能各自在一年内烧了 10 亿元人民币。为什么？因为它们融到了这么多钱，投资人又希望它们快速获得市场份额。对这类领域来说，补贴烧钱可能是最直接的方法。

低速配送领域也有类似的补贴式竞争。只要在资本或投资过剩的领域出现资本竞争，我觉得就很难避免，尤其是在采购和使用链条还不是特别清晰的领域。

在当前的技术环境下，怎么判断一家具身智能公司是否获得了比较实在、相对持续的收入？

一个比较保守的角度是，今天具身智能本身还处在行业非常早期。在行业早期，追求持续、健康的营收甚至盈利，本来就是一个不合理的指标。

我们之前在《具身智能金钱游戏》那期也讨论过，这是一个悖论。但另一方面，国内这些公司已经进入上市流程了，肯定要看这些指标。这里有个错位：我觉得这个行业很早期，技术也很早期，它还是一级市场逻辑；但一旦进入上市流程，大家肯定会用二级市场的标准来看公司。

我觉得国家鼓励新兴战略行业、鼓励机器人行业，是希望行业长期具有竞争力，持续投入和发展。二级上市实际上是帮助头部企业获得更多社会资源和认可，持续发展的手段。

但如果大家把这个手段当成唯一目的，以比较投机、甚至炒作概念的方式把公司包装成可以快速上市、套现的公司，我觉得就有点本末倒置。

是。为了这个手段，动作反而变形了。你在实际上各种条件还不具备的早期阶段，就得拿出比较好的财务表现和增长报表。

这里面就出现了几种行为：要么通过各种财技虚设或虚造收入；但我觉得可能更危险的倾向，是为了满足收入需要，迫不得已去做很多违反行业发展规律的事。

什么意思呢？如果今天是 GPT-1、GPT-2，你告诉 OpenAI 需要创造很多收入，那它是不是会投入很多资源做各种奇怪的 harness、做各种微调，让 GPT-1、GPT-2 也能创造收入？

回到 2018、2019 年，中国有非常多公司在 BERT、Google T5 这些开源语言模型上做了很多商业落地，比如智能客服、智能医疗等。最后你会发现，所有这些投入和解决通用 AI、甚至解决 ChatGPT，都是背道而驰的努力。

是捡了芝麻，丢了西瓜。

对。所以如果今天一家具身公司真想实打实创造收入，是不是应该像一些工业机器人或仓储机器人一样，今天就跑在厂房里、跑到仓库里，一个个解决客户的问题？甚至我听说有些具身公司用非常传统的自动化方法满足客户需求，但对外说这是具身落地项目。

有些公司就是这么做的：落地时用更传统的方法，同时有一班人在研究新东西。但问题是精力分散了。

反正当年 OpenAI 不是这么做的。所以我觉得 GPT-6 Astra 给我的一个很强的信号是，如果我们真的是在解决智能这条大道上，真的相信 Scaling Law，那么今天很多相对短期、线性的部署或收入，真的是无关紧要的问题。

我觉得可能也和中国这个领域资源不够集中有关。总融资额很多，但公司也相对多；公司多了，每家公司同辈压力也大。这一波成立两三年的公司中间，可能有一家公司带头说要上市，其他公司的投资人也会 push 自己投的公司去上市。而且现在明显有一个上市窗口。

在我看来，像宇树、DeepSeek 这样的公司，都是非常专注、极致地想解决行业底层问题的公司。但这种公司的发展节奏，可能不是被资本市场或外部环境直接奖励的。更多人去追求外部激励时，可能会做出很多背道而驰，甚至劣币驱逐良币的行为。

这个季度一个确实的变化是监管对上市收紧了。我们也可以观察接下来 Q4 到明年，整个行业会怎么变化。

回到具身的真实收入。如果我认为通用智能是主赛道，具身智能的出路是通过通用智能更好地理解物理世界，那么这个市场里很多真实收入，其实是来自服务通用智能公司，无论是通过数据还是硬件的方式。

比如灵巧手这样的关键零件、具身数据服务商，还有本体公司。

或者这么说，哪些业务真正和通用智能、Scaling Law 正相关？

但又不是被它覆盖的，不是和它直接竞争的。

对。今天很多具身公司拿着大额融资跑到工厂里，去做一些过去用传统计算机视觉方法就能解决的专机问题，这和通用智能的发展是背道而驰的。

这倒没有和通用智能直接竞争，但它又不是正相关的，享受不到那个红利。

对。或者说，我做一个更好的通用人形机器人，把硬件和控制做得更稳定、可靠、低成本；我做一个更通用的灵巧手，让它不像夹爪一样受限于各种物理条件；我做一个更规模化、更自动化的数据采集和训练方式。我觉得这些工作都和智能发展的主旋律结合在一起。

因为 Astra 已经做出这种能力，我觉得国内开源模型肯定会追。那国内开源模型如果更接近 Astra 的能力，国内具身模型公司能不能直接用国内的——

也可以，也可以。

开源模型？它其实也能做到更多事情。当然，前提是国内这些大语言模型公司自己不做这件事。

我觉得国内大语言模型公司都会做，未来一个季度都会做这件事。

都会做。所以你说它们还是会直接竞争。

或者说，今天通用模型难的地方，实际上是怎么清洗、标注、匹配多模态数据，以及怎么让训练不崩。我觉得这方面的能力只有大模型公司有。还有今天怎么搭建好的、规模化的强化学习环境，让训练能够收敛，这也是大模型公司擅长的。

所以掌握训练能力的通用模型公司如果来做这件事，相比一个只在开源模型上做开发的具身智能公司，肯定更有竞争力。而且你觉得前者大概率都会做。

我是这么认为的。

7. Robots Learn From Demonstrations

我们进入第四个话题。前面提到的 GEN-1.5 和 Skild AI 的 S1，展现了 ICL，也就是上下文学习能力。我先简单解释一下，它一开始也是用在大语言模型领域的，指的是上下文学习能力。

上下文学习有一个非常通俗的表达，就是过去几年大家提到的提示词工程。GPT-3 的时候，我们发现，在已经训练好的模型基础上，通过少量文字样本，就可以教会 GPT 实现更多能力，或者完成一个完全不同的任务。

它的本质是，我们没有改变模型的常规参数，只是把它作为 prompt 或 context 提供给大模型，然后它就在这个上下文基础上知道自己可以做什么。

具身模型里的典型应用是，模型训练好之后，我给它一个人工示范，可以是第一视角视频，也可以是第三视角视频，然后模型就能快速学习、理解任务要求。这个能力在上个季度的 Generalist GEN-1.5 和 Skild AI S1 两个模型里得到了系统性的展示。

它和以前大家聊的 few-shot 有什么区别？

它就是一种 few-shot。

就是一种 few-shot 的方式。

或者叫 one-shot。如果只展示一次，就是 one-shot；展示多次，就是 few-shot。

比较重要的是，我们今天说的上下文学习，很多情况下并不需要改变模型本身的参数。它不是微调或后续训练的过程。今天把训练好的具身大模型部署到一个场景里，很多时候还要用真机遥操作捕捉几条轨迹，再通过后续训练把轨迹加到模型里，改变它的参数。这个过程可能要几个小时、几天，甚至一周。

但如果有 ICL，我们可能通过一分钟的视频视角，就能让模型学会怎么执行某个具体任务。

所以 ICL 的价值是，它能以更低成本提升模型表现。

或者说，以更低成本提供任务示范。任务示范在具身领域并不是新鲜事。

嗯。

工业机器人里其实有各种示范方法，无论是通过编程，还是拖动手臂轨迹，本质上都是想告诉机器人具体任务和轨迹是什么样的。

今天的 ICL 有一定泛化性，所以我们通过视频输入，或视频加语言 prompt 的输入，就能把非常具体的任务提供给模型。

ICL 为什么现在很重要？因为 Generalist 和 Skild AI 的研究发现，它有两个出人意料的表现。第一，很多任务其实是分布外任务，也就是说训练集里可能没做过；给模型示范一次，它也可以上手学习。第二，两家公司的模型都发现，ICL 适合做长序列技能组合。比如单个技能可能都在预训练里出现过，像拿起一个东西、拧一个旋钮，但一个长达几分钟的任务示范，里面可能涉及很多原子技能的重组。目前看起来，这种能力也可以比较好地教给模型。

他们具体测试的是什么任务？

比如打包，或者搬运一些东西。这会涉及不同环节、不同工序。传统上用文字 prompt，不一定能很精准地描述你的意图。

他们的研究里，ICL 能举一反三吗？比如给它看一个打包杯子的视频之后，它能包别的东西吗？或者说提高它完成其他打包任务的能力？

我看到的是——

其实——

这个动作以前根本没做过。比如现在让你系鞋带，以前你没训练过这个动作；或者你穿的是魔术贴鞋带，之前没见过，但我给你演示一遍，大概率你就会了。你会系魔术贴鞋带，下次做这件事的成功率就会增加。

你没学过某一种做法，但我把做法示范给你之后，你可能就学到了这个动作大概的逻辑含义。以后做类似任务时，成功率就会提高；没有这个能力，成功率可能会很低。

ICL 在机器人领域的应用，大概是怎样的发展脉络？他们做出成果之后，可能会觉得尝试这种方式很自然。之前有人试过吗？如果之前效果不好，现在效果变好了，可能是为什么？

我觉得就像看语言模型一样，语言模型到 GPT-3 才出现了这种 in-context prompting 能力。

嗯。

大家对 prompting 能力提升的解释是，这个能力本身已经存在于大模型里，只是我们用 prompt、用提示词把能力激发出来。也就是说，它已经学过类似技能。

Generalist 的研究认为，主要原因还是大规模预训练后涌现出的能力。Skild AI 则说，他们训练时专门做了示范条件相关的训练。在 Skild AI 的模型里，他们针对这种 one-shot 或 few-shot 示范做了一定优化。按照指定方法示范，模型学习的效率就会很高。

这两家公司做的 ICL 有什么具体区别？GEN-1.5 和 S1 表现出来的区别是什么？

简单来说，Generalist 的示范轨迹更短，报告里写的是 3 到 10 秒的动作，而且接受包含关节信息的原始轨迹，也就是第一视角或机器人视角的信息。

Skild AI 更强调第三视角和长时序视频输入。当然可能也和它更关注全身运动控制、公司的基因有关。报告里举的例子是一个 10 分钟的视频，其中包含了非常多技巧的组合。

所以在 Skild AI 的模型里，更强调通过示范让模型学会组合不同原子技能，也就是 long-horizon 能力。两家公司的做法有一些区别。

我认为 ICL 得到很多关注，也和中国市场对商业化落地有更高诉求有关。以前把一个预训练模型拿到场景里落地，工作量还是很大，因为你很难精准描述到底要做什么，以及怎么示范动作。今天可能有了一个更简单的方法，无论用第一视角还是第三视角视频，都可以快速展示任务。这样动作复制和项目落地的速度就会大大提升。

你说以前 few-shot 可能还是要几个小时——

对，可能还要后训练，几天的时间。

如果这个东西能大规模推广，可能就是给它看一个几秒或几分钟的视频。

我觉得这是理想情况，就是怎么把人的意图更好地和模型沟通。

你觉得这个季度，具身领域还有什么模型发布或进展值得分享？

我觉得 9 月底 Dyna 发布的 2.1 这个工作也值得讨论。

他们的 Dyna 2 也是三季度发的，先发了 Dyna 2，然后发了 Dyna 2.1。

对。我的理解是 2.1 在 2 的基础上进一步提升，而且更多展示了一个完整的工作流。他们发布了半人形机器人，包括全身控制策略，以及一套在洗衣房工作的完整流程。

从模型角度看，它不一定是最突破性的，而是把整个系统架构怎么实现讲清楚了：从前期规划、执行到反馈的链条怎么完成，有比较细的工程阐述和实践。

Dyna 2 的时候，他们比较强调数据量，当时应该说使用了超过 100 万小时的第一视角数据。

对，我记得这件事当时也有一些争议，因为他们的数据量上得比较快，但行业里一些朋友的反馈是，数据量这么大，Scaling 的体现并不是特别明显。

数据量大了很多，但表现没有好特别多，是这个意思吗？

或者说，这个方法是不是遇到了性能提升瓶颈，大家还不是很确定。

对，他们当时 Dyna 2 应该是一个 WAM，也就是世界动作模型，而且他们当时也称这是 Scaling Law。

今天来看，网络架构可能不是最关键的要素，更关键的还是用了什么样的数据配比，以及怎么仔细清洗和处理数据。无论是 VLA 还是 World Action Model，如果给它们同样质量、同样规模的数据，都有可能训出一样好的策略模型。这是目前行业逐渐形成的共识。

我听到自动驾驶公司创始人王倩的一个分享，挺有意思。她说，为了理解物理空间，我们需要做的数据处理管线，可能 OpenAI 和一家具身模型公司需要做的工作是一样的，也意味着它们可能没有额外优势。这是她的结论。

我可能认同她的描述，但不一定认同她的结论。因为在头部大模型公司，他们的数据处理经验、算力，甚至调用的工具，可能都比具身模型公司先进。换句话说，今天很多具身模型公司处理数据管线时，调用的最聪明的大脑还是 GPT 和 Llama 3 模型。

对，所以这个结论也可以反过来说：具身公司在处理数据管线的能力上，相比 OpenAI 也没有优势，甚至可能处于劣势。OpenAI 和 Anthropic 的人内部使用的模型，应该比公开发布的版本更强，他们会提前几个月用到内部最强版本。

所以这又回到另一个问题：如果能力就等于数据质量，那么谁拥有质量更高、规模更大的数据，谁就会有能力优势。今天可能更关键的问题是，谁能够真正获得专有的高质量数据，所以架构可能没那么重要。

还有一个是 Google 的 Gemini Robotics 2，是 7 月底发布的。

刚才提到过，Google 在 VLA 和通用模型进入物理世界方面的研究，我觉得是领先行业的。7 月底发布的 Robotics 2，也分别有 ER 2 和 Robotics 2，同时还有一个在机器人本地运行的 on-device 模型，用了更小的 VLA，更强调效率和适配。

我觉得 Google 代表了一种头部模型公司的做法：用比较系统的方法和相对统一的架构解决这 3 个问题。

如果 Google 很早就看到了领域里的大趋势，为什么首先给行业带来震撼的是 OpenAI 的模型？

这可能还是和 Google 的组织惯性、内部资源分布等一系列问题相关。我们也知道，Google 内部管理和政治比较复杂，很多时候资源不够集中。他们在通用模型方面现在也是追赶状态，所以这方面的投入和决心应该不如 OpenAI。

所以一个重要因素可能是，Gemini 的基础模型在这个时间点不如 OpenAI 强。

嗯，我觉得是。还有一个原因，可能有点暴论。

没事，你讲。你以前在 Google 工作过。

我的暴论可能是，团队越了解机器人、越有机器人相关经验，反而越会妨碍他们尝试让通用模型达到相应能力。

绝大部分真正做过机器人、真正碰过硬件的人，都对硬件复杂度和物理世界的不确定性有非常深的敬畏。这种敬畏也会让他们对新方法和新思路天然产生抵触。最懂 NLP 的那群人，一开始也是最反对 LLM、最不相信 LLM 能 work 的那群人。

Google 是硅谷大厂里最早、也是最深入研究机器人的公司。从 Google X 的时候就开始了。我当时在 Google 工作，隔壁就是 Everyday Robots 的实验室。

对，Everyday Robots。

那个时候他们就在办公室里捡垃圾。Google 有一群研究机器人问题十几年的顶级人才。有时候，过往经验会束缚你对新范式的接纳度。

同时我们也别忘了，Google 是第一个发明 VLA 模型的公司。所以他们在这条路径上的投入和尝试也非常深入。很自然的一个逻辑是，当你有很多历史包袱时，要进行新的、需要大量投入和专注的尝试，就容易形成很大的创新阻力。

Frontier Labs 做机器人研究的人一般是什么背景？

有些确实有机器人相关背景，也有一些是从自动驾驶行业过去的。但整体上还是非常年轻。以 OpenAI 为例，真正做这个领域的研究人员，年龄上普遍比 Gemini Robotics 的同事年轻 5 到 10 岁。有 1999 年的、1980 年的，也有 2000 年的。

对，接近 2000 年的就是——

是啊，博士刚毕业。

嗯。

我觉得有太多经验，有时候也会阻挠你达到创新目标。

除了 Google，另一家引领浪潮、但最近声音比较少的公司就是特斯拉 Optimus。三季度有什么进展吗？

我觉得 Optimus 现在有点不被大家关注，也没有被放在优先级上。

它之前宣称的量产时间和数字都在往后延。Gen 3 之前有一些部分披露，但没有完整量产。

我觉得 Q3 特斯拉最大的精力是花在 Robotaxi 落地上，因为他们很多人才是共用的。

这件事很有意思。以前大家认为 Robotaxi 和机器人这两件事交叉很多，有不少东西可以复用。但现在感觉至少在智能这一层，通用基础模型和机器人智能有很多可以——

我整体的感觉是 yes and no。VLA 和 World Action Model 这条路线，确实在加强自动驾驶和机器人操作之间的关系。主推这条路线的很多创业者和行业意见领袖，都是自动驾驶背景。

但你要知道，特斯拉最早公开的世界模型就是一个 VA 模型。

嗯。

它是一个 video-to-action 模型。驾驶就是一种本能反应，驾驶时不太需要语言文字的指导和反馈，更多是本能地转弯或刹车。同一种思想也被很多具身公司用在具身模型训练里，所以语言在那个模型中是一个权重比较低的要素。

因此，特斯拉认为自动驾驶可以帮助人形机器人的大脑，在相当程度上是成立的。但今天通用模型的快速发展，让大家看到了另一个尺度。自动驾驶模型和今天的头部具身模型都受限于算力和数据量，参数量很小。自动驾驶模型可能只有几十亿参数，而通用模型是在完全不同的数据尺度上做更复杂的推理和理解。

那大家最关注的第一梯队公司有变化吗？比如之前可能关注 Physical Intelligence、Generalist 等，现在大家最关注什么公司？

我觉得第一梯队没有变化。或者说有变化的话，我觉得我知道有更多公司开始做灵巧手的工作了。

那还是利好灵巧手。

当然。我觉得今天它可能变成一种训练基础设施。就像你有更多 GPU，可以比别人更快训练模型一样，灵巧手今天变成了 AI 训练的必要设备。你有更多硬件，就可以测试更多场景、做更多真机验证。假设我有 1000 只手，你有 100 只手，即便 GPU 算力不受限，我也可能训练模型比你快 10 倍。

8. Washington Restricts Robot Imports

好，我们回到最后一个话题：FCC 禁令。2026 年 Q1 的《具身季报》里，我们简短讨论过一种可能，就是美国会禁止中国的人形机器人进口到美国。这对当地做具身智能、尤其是偏智能和大脑的机构、实验室和初创团队，至少短期内会有一些负面影响。

现在这件事真的发生了。可以先讲讲 FCC 禁令的大致情况吗？它是什么机构，为什么有管辖权限，目前具体禁止哪些类型的产品？

FCC 负责在美国市场销售的商品和电子产品的各种合规认证，尤其涉及无线通信、联网传感、远程控制等能力。只要涉及传感或通信能力的设备，都需要获得 FCC 相应授权，才能进入美国市场。

这次是把境外生产的先进机器人纳入了设备认证的管辖范围，包括我们说的人形机器人、四足机器人等先进机器人。

扫地机、割草机器人、泳池机器人算吗？

按照今天公开的说明，确实涉及。它定义的范围是超过 2 公斤、具备移动感知、联网和控制能力的机器人。所以不仅是人形和四足机器人，一部分割草机器人和扫地机器人也在范围内。

有些消费机器人也算。

也算。这也是为什么禁令一出来，包括一些支持禁令的美国公司，也提出了各种申诉，认为政策范围太广，以至于一些美国公司都很难达到要求。

哦，你是说美国公司如果在中国生产，进口也会有问题？

嗯。

它不是按品牌商来卡，而是按生产地来卡。

对，是按照产地限制。产地的判断还包括核心零部件原产国的占比。我记得现在应该是有 65% 这个比例。也就是说，如果是美国品牌，比如 iRobot，但它的核心零部件有超过 65% 在中国或第三国生产制造，也会落入限制范围。

本来有哪些公司支持这个限制？

FCC 征求公众意见的时候，我看到波士顿动力，还有美国本土一家扫地机器人创业公司 Matic 等公司，以及像 Figure 这样的美国本土人形机器人公司和一些四足机器人公司，表达了对这个限制的支持。

就是在本土有硬件业务的公司。

对。

结果禁令出来之后，它们觉得太严了？

波士顿动力的情况很有意思。虽然它是一家美国公司，但被现代收购后，大量机器人生产制造放在韩国，所以也算外国生产组装。它们也在试图沟通豁免或例外情况。

为什么这次 FCC 禁令不只针对中国，而把外国都算进来？核心目的是什么？

核心目的肯定是增强美国制造、让制造业回流，这是底层目的。

这是第一目的。所以外国不只有中国，对吧？

对。

嗯。

但现在有很多所谓盟友国家、友好国家在申请豁免。

豁免。

对。这也是波士顿动力试图申诉的原因之一。他们试图把友好国家生产的产能，按一定比例折算成本土生产的比例。

比如韩国的产能按一定比例折算，就算美国的。

对。当然这是一个议案，并不是最终决定。

现在出现这个禁令后，你这次也见了很多海外从业者。他们接下来如果想用中国的人形机器人、四足机器人硬件做研发，该怎么办？

短期来看影响还好。FCC 禁令限制的是新的认证设备。如果在 7 月底之前已经获得产品认证，现有产品可以继续销售。

现有产品是指这一型号都可以销售？

如果没有主要的软件或硬件修改，应该可以。

哦。

就是不能换里面的关键零部件。以宇树为例，目前它所有主流型号基本都拿到了 FCC 认证。

只是新的型号会出问题。

对。这也是他们 8 月份招股书里专门披露的风险。现有型号包括 G1、R1、H2，还有机器狗的几个型号，都可以继续销售。

正好这些型号现在也还是非常主力的型号。

对。或者说，如果完全排斥中国品牌供应商，我觉得短期美国本土市场也很难出现替代方案。

如果把一些零部件拆开，单独运到美国，在美国组装，算不算本土制造？

不算，因为它是按每个零部件或关键零部件的原产地来计算的。如果所有零件都在中国生产，拆开后到美国组装，硬件还是 100% 中国生产的，因为它看的是成分表。

可是我感觉美国短期内也很难发展出这么高比例的本土生产供应链。

所以这是政策和产业现实之间的矛盾。

你觉得对宇树和中国一些关键零部件公司的长期影响是什么？

如果借鉴宇树在招股书里披露的官方观点，他们认为也会逐渐考虑美国本地产能的问题。

所以中国公司去美国建厂，可以符合规定？

如果你在美国建厂，而且用的是美国本土生产的核心零部件。

那你可能还得带着供应商去建厂。

是的，这也是这个政策的长期目的。

这和当时汽车产能出海有点类似。当时中国一些汽车厂商也要去海外建厂，包括零部件供应商也在考虑去北美建厂。

对。我觉得从战略上讲，这是一个需要长期布局、需要较长时间才能实现的目标。

从更长的视角看，这个禁令或它背后代表的趋势，也就是美国希望高端制造业回流，或者针对性限制一些国家相关领域的发展，可能会让中美两边的具身智能发展节奏有什么变化？

我觉得这些政策可能和关税博弈一样，是短期或动态的。很难把它真正看成特别长期、稳定的产业政策。

中国在制造业和供应商方面的质量、密度，是十几二十年间整个电子产业和汽车产业反复迭代形成的优势和差异，很难靠短期限制性政策改变。即使这件事真的要产生变化，也需要比较长的时间。

整个行业今天发展得非常快，我们其实很难想象 5 年以后具身智能会是什么样子。

9. The Next Wave of Physical AI

最后这一部分想聊聊下季度的展望。前面已经说到一些了，比如聊 GPT-6 Astra 的时候，你说 Q4 物理 AI 肯定会是一个重点方向，我们也会陆续看到更多公开成果。你可以完整说一下，下个季度大概率会发生什么？

我觉得 physical RSI 是围绕通用模型在具身领域进行尝试的一种方向。

我相信会出现非常多尝试，不只是策略监督、自我迭代、仿真环境搭建或仿真素材生成，也包括现在很多人想做的机器人智能体系统，用各种 agentic 方法编排原子能力。我觉得下个季度肯定会有很多这类工作。

另外，我认为 Q4 中国通用模型公司会越来越多地进入具身研究或机器人市场。

具体来说，就是智谱、DeepSeek、Kimi 这些模型公司，还有一些大厂。大厂有些之前也在做，比如字节比较早就有机器人团队，现在并到了 Seed 里面。腾讯之前在 AI Lab 里也有 RoboticsX。

我觉得这些小组都会重新调整。

重新组建。

以生成式 AI 为指引来做机器人。之前包括 Seed Robotics，我从外部观察到的情况是，很多团队，包括腾讯 RoboticsX，还是用很机器人的方法来做机器人问题。今天是方法论的重塑。

嗯。

我认为这么大的冲击之下，会出现巨大的组织调整。

这是第二件事，还有吗？

刚才提到 ICL 为什么有意义。中国市场对部署和落地有更高诉求，而且 ICL 也是一个比较容易展示、比较容易出结果的方向。所以我预期会有更多公司围绕这个方向，做更多 ICL 相关工作。

有什么你期待看到的变化吗？

我期待大家仔细研究通用模型到底怎么系统性地提高今天具身能力的上限。Astra 只是一个非常初步的尝试，给我们指引了一个思路，但这个思路还没有充分探索。

嗯。

所以还有更多 surprise 等着我们去发现。

我感觉你想说的是它的反面：有些领域的人一听到跨领域的新进展，会本能地抵触吗？

那就用现实证明这件事。我有一个类似的比喻。四五年前，我还能从一些非常资深的机器人学者和创业者那里听到，他们否定、不理解把深度强化学习作为一种控制算法。

但随着 2022、2023 年技术成熟，今天所有人形机器人和机器狗能够有这么好的运动控制表现，其实都是因为深度强化学习算法完全改变了传统手写规则或 MPC 等经典控制方法的效果。这个范式冲击就发生在四五年前。回到那个时候，所有人都会告诉你，他们十年前就开始尝试过，但没有取得很好的结果，所以他们不太认可这件事。

今天面对通用模型改变物理世界的速度，大家也很容易本能地怀疑、嘀咕。

此刻还有什么悬而未决、没有答案，但你觉得比较重要的问题吗？

如果通用智能持续加强，机器人产业里的稀缺性和利润到底会流向哪里？如果这个产业最终能赚很多钱，是通用智能公司攫取绝大部分利润，还是产业链上的其他公司赚到这些利润？我觉得这个问题今天还没有答案。

好，这是一个可以持续关注的问题。今天非常感谢 Peter 再次做客《晚点聊》，分享三季度对具身领域各种变化的观察。

这个季度有一个明显主线，就是以 GPT-6 Astra 为代表的通用基础模型，在物理 AI 和机器人领域表现出了非常大的潜力，也做到了以前人们认为大语言模型做不到的一些事。这会引发一系列问题，包括接下来这个行业怎么分工，这么大的蛋糕会重新怎么分配。

我们也聊到领域里的具体模型进展，包括 GEN-1.5 和 S1 使用的 ICL 方法，可能会对中国公司很关心的如何降低部署成本带来比较明显的提升。我们还讨论了宇树上市之后股价的大幅波动和一系列连锁反应，比如接下来一批排队上市的中国具身智能创业公司，上市进度可能会慢于预期，这会带来哪些持续影响。

谢谢，拜拜。

近期最大的一个感受是，虚拟世界的 AI 和物理世界的 AI 正在越来越明显地融合。回过头看我们今年已经发布的 6 期季报，分别是 3 期 AI 季报和 3 期具身季报，一个明显变化就是两条线的内容交叉点越来越多。

对应的具体事件是，5 月 OpenAI 正式对外招聘机器人团队，宣告他们重启了机器人方向。也是在那个季度的两期季报里，我们都讨论到了当时还没有公开相关动作、但 Anthropic 内部已经在做的机器人探索。

接着到了三季度，7 月中旬我们看到了 Anthropic 的长文《Claude Plays Robotics》。和很多年前 OpenAI 做单手转魔方的时期不同，再次进入机器人领域时，这个问题已经从技术方法、数据管线和资源分配上，都变成了与 OpenAI 主线——通用基础模型——有机结合的一部分。

正如 Peter 所说，Frontier Labs 的共识是，物理 AGI 是 AGI 的一个子问题。现在 Astra 用来做机器人的策略模型还有非常明显的缺陷，包括速度很慢、成功率依然非常低。虽然看起来它比一些开源的 SOTA 具身模型要好，但绝对值依然低，依然无法真实部署使用。

从长远看，考虑到成本、速度、可靠性、容错率等诸多因素，我个人也倾向于认为，真实使用环境中的系统未来可能会是一种分层结构。目前看到的旗舰通用模型不太可能解决所有物理世界的问题，但它能解决的部分已经相当可观，足以让我们重新思考独立具身智能公司的发展趋势。

与之相关的另一个总结，是每一期季报都会反复讨论的重点公司宇树。Peter 一直非常看好宇树。我理解他的逻辑是，宇树至少有一个很高的下限：即使不考虑智能，被大家嘲笑的“铁疙瘩”也有价值，何况宇树也正在发展智能，或者说做好让机器人能被更好使用的软件层。

这是我们第一期《具身季报》就聊到的观点。宇树事实上正在成为研究物理智能的基础设施。不论研究者是 Physical Intelligence、Generalist 这样的具身智能创业公司，是斯坦福、SMU 这样的高校，还是 OpenAI、Anthropic 这样的大模型公司，都不改变一个事实：大家需要一个好的机器人本体。好的标准包括制造一致性、可靠性、耐用性、成本控制等；从服务上看，可能还包括返修和适配等配套工作做得怎么样。

本期没有特别展开，但我了解到的一个类似市场变化是，最近一段时期灵巧手需求正在爆发。这也回应了我们《具身季报》第一期聊到的一个话题：灵巧手领域存在一个类似人形本体研发基础的生态位。到了第三季度，这个观点得到了更多事实回应。

把这些现象放在一起看，大脑、本体和关键部件的分工似乎正在形成。不过还有两个需要观察的问题。第一，大脑由谁提供？在 Astra 之前，大部分人看到和投资的答案，是由具身智能领域的创业公司提供；现在出现了一种新可能，就是 OpenAI 这类公司。

第二，最终 OpenAI 会不会走到类似 Optimus 那样的全栈垂直整合，也就是说，它自己也把硬件、把本体那部分做了？这两个问题应该会是我们接下来很长一段时间关注具身智能领域的主要线索之一。