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

概览

本期围绕 2026 年第三季度具身智能与机器人行业的五项重要变化展开：GPT-6 Astra 进入物理世界、World Labs 与 AMD 达成收购协议、宇树机器人上市、具身模型展现上下文学习能力，以及美国 FCC 对境外生产先进机器人的授权限制。

讨论的主线是，通用基础模型已经不再只负责理解语言和拆解任务，而是开始输出机器人末端执行器的位置、监督专用动作模型，甚至调用仿真工具完成策略建模与优化。这使“物理 AI 是否只是通用智能的子问题”成为机器人行业必须重新回答的问题。

嘉宾认为，通用模型将压缩独立具身模型公司的价值空间，但也会加快物理 AI 的落地。未来系统可能采用分层架构：通用模型负责低频规划、推理和调度，本地专用模型负责实时执行；硬件本体、灵巧手、传感器、垂直场景知识和专有数据闭环则可能成为创业公司的关键壁垒。

节目同时讨论了资本市场与产业政策的影响：宇树上市强化了优质硬件平台的价值，也使排队上市的具身智能公司面临更严格审视；FCC 新规则可能迫使机器人厂商重新布局北美生产及供应链。

分段落总结

[01:36] 本季度五大事件与核心问题

[事实] 本期列出的五项重要进展分别是 GPT-6 Astra 发布、World Labs 与 AMD 达成收购协议、宇树机器人上市、Gen 1.5 与 S1 展现上下文学习能力，以及 FCC 对境外生产先进机器人的授权限制。

[事实] 节目将核心问题概括为：通用模型是否会接管原本由 VLA、世界动作模型等专用物理 AI 模型承担的工作。

[事实] 多家通用基础模型公司正在探索进入机器人领域，并将物理 AI 视为 AGI 的相关问题。

[04:52] Astra 将通用模型带入物理世界

[事实] 传统观点认为语言模型缺乏空间和物理理解能力，因此机器人需要单独训练的物理 AI 模型与策略。

[事实] Astra 展现了较强的空间推理和执行能力，使通用模型能够承担任务理解、任务拆解以及部分动作策略生成。

[事实] 嘉宾将前沿实验室的思路概括为：先解决 AGI，再把物理 AI 当作其中的子问题。

[推测] 如果这种范式持续成立，机器人行业的技术中心可能从独立动作模型转向通用模型驱动的分层系统。

[07:00] 从 Gemini Robotics 到工具调用式机器人控制

[事实] 嘉宾将这一趋势追溯到 2025 年初的 Gemini Robotics，其同时提供通用动作模型和负责空间推理的 ER 模型。

[事实] 2026 年 7 月，Anthropic 使用语言模型调用机器人接口，完成了部分过去需要专用具身模型才能实现的任务。

[事实] 语言模型进入物理世界的早期路径，是把机器人及仿真器视为可以调用的工具，类似 Computer Use。

[事实] 机器人任务可分为上层意图理解与规划、动作策略执行，以及更底层的电机和控制器操作。

[09:28] Astra 与 VLA 的控制层级差异

[事实] Astra 输出的是末端执行器目标位置，再由逆动力学模块转换为电机控制信号；VLA 则可以直接输出连续的电机控制信号。

[事实] Astra 相比过去的语言模型多承担了一层工作：不仅拆解任务，还给出机械臂或夹爪应到达的位置。

[事实] 这部分过去通常被认为属于具身策略模型的职责。

[事实] OpenAI 发布 GPT-6 时并未把机器人明确列为下游应用，后续实验主要由开源社区沿用既有机器人测试管线完成。

[11:21] 开源社区快速验证 Astra 的机器人能力

[事实] 社区此前已依据 Anthropic 的机器人研究建立可测试多种语言模型的管线。

[事实] Astra 发布后，研究者很快将其接入同一实验框架，并观察到相较此前模型更高的成功率与准确率。

[事实] 嘉宾指出，关注通用模型的研究者对这一进展更兴奋，而部分传统机器人研究者仍主要关注控制、触觉和受力分析等经典问题。

[13:40] 机器人研究者对通用模型的三种立场

[事实] 在 IROS 期间的一次调查中，研究者大致分为三类：认为通用模型将解决一切、认为通用模型与专用物理模型长期分层共存，以及认为通用模型无法解决许多物理问题。

[事实] 嘉宾称，人数最多的是把大模型视为机器人研究工具的务实派；在当时场合，认同“Robotics is over”的人可能约占三分之一。

[事实] 有人认为大模型体量大、速度慢，不适合实时控制；嘉宾认为仅以算力和速度否定这条路线，长期可能站不住脚。

[16:05] 物理 AI 公司的估值逻辑受到冲击

[事实] 许多具身模型公司在缺乏收入和商业闭环时获得高估值，一个重要前提是物理 AI 被认为可能不小于数字 AI。

[事实] Astra 带来的新判断是：物理 AI 可能只是通用模型的一个子集，这会动摇部分公司的估值体系与价值主张。

[事实] 通用模型的进展也可能加速物理 AI 到来并扩大市场，因此并非对所有创业公司都是坏消息。

[推测] 行业总规模可能扩大，但独立具身模型公司能够获取的价值比例可能下降。

[17:42] Astra 对机器人产业的三层影响

[事实] 第一层是让 Astra 直接充当策略模型，生成末端位置，再转换为关节动作。

[事实] 第二层是让 Astra 作为专用动作模型的监督者和纠偏器；节目提到一项实验中，Astra 直接控制的成功率约为 26%，监督另一动作模型后提升至约 48%。

[事实] 第三层是让 Astra 扮演机器人研究员，调用 Blender 等工具搭建仿真环境、生成资产、修改控制策略并进行优化。

[事实] 第三层被称为 Physical RSI，即在物理世界中由 AI 训练和改进 AI。

[推测] Physical RSI 可能改变机器人研发范式，但节目也明确指出，仿真到真机迁移目前仍缺少特别显著的公开成果。

[23:52] 通用模型擅长推理与泛化，专用模型擅长精细执行

[事实] Astra 在需要空间理解、复杂推理和泛化的任务上明显强于部分 VLA 模型。

[事实] 当物体颜色、位置或外观变化时，通用模型的泛化表现优于依赖特定训练分布的动作模型。

[事实] Astra 对精度、摩擦、形变和接触要求较高的操作仍不擅长，例如精细插拔和旋钮操作；专用 VLA 模型往往接受过大量相关后训练。

[推测] 更可行的长期架构可能是通用模型负责低频规划与监督，本地小模型负责实时、高速、精细的动作执行。

[27:03] Astra 能力的三个来源

[事实] 嘉宾总结了三项关键能力：空间理解、复杂任务推理，以及调用机器人抽象接口的能力。

[事实] 节目提到一种未经确认的说法：OpenAI 曾雇用大量 Blender 艺术家制作建模轨迹和标注数据。

[推测] Astra 的空间能力可能来自 3D 数据、视频等多模态数据与大规模强化学习，但转录稿明确表示没有信息可以确认其具体训练数据构成。

[事实] 通用模型公司在算力规模、推理基础设施和多任务分摊成本方面，明显优于多数具身模型公司。

[30:20] 具身数据公司的机会具有阶段性

[事实] 节目认为，具身数据公司的潜在大客户可能转向通用 AI 公司。

[事实] 第一视角视频和真人操作数据当前仍然稀缺，因此需要人工采集。

[事实] 数据服务必须随着模型能力提升而改变：当一种问题被模型学会后，供应商就需要提供更复杂、更高精度的数据。

[推测] 基础具身数据的需求窗口可能只有数年，但高质量、专有和难以自动生成的数据仍可能长期具有价值。

[32:31] 语言推理、仿真工具与机器人接口的结合

[事实] VLA 和世界动作模型更接近从图像或指令直接映射动作的“直觉模型”，并不擅长解释为什么这样执行。

[事实] 大模型可以理解并调用 Isaac Gym、MuJoCo 等仿真器的接口，搭建场景、读取反馈并调整真机策略。

[事实] 节目称，2026 年 9 月底已经出现大模型编程仿真器、观察结果并修改机器人策略的早期尝试。

[推测] 机器人控制接口一旦充分标准化，大模型调用机器人与调用浏览器或表格软件在抽象层面可能越来越相似。

[33:51] VLA、世界动作模型与通用模型的能力边界

[事实] VLA 中的语言主要用于描述场景和提供提示，并非关键推理环节，因此常被视为更高级的行为克隆。

[事实] 世界动作模型以视频生成模型为主干，借助通用视频数据获得更好的物理理解和泛化能力，但本质上仍以动作生成为目标。

[事实] 嘉宾认为，视频生成模型更像生成器，而不是负责复杂逻辑推理的理解器。

[事实] 节目以模型规模作类比：主流具身模型多为数百亿参数，而通用语言模型已达到更大的数量级。

[推测] 单纯依靠专用物理模型做出比数字通用模型更强“大脑”的假设，正在受到 Scaling Law 的挑战。

[37:06] 通用模型公司与具身创业公司的重新分工

[事实] 嘉宾倾向于认为智能是通用问题，通用模型可能先解决智能，再延伸解决物理问题。

[事实] 节目提到 Kimi、智谱等进入机器人领域的传闻，并认为头部通用模型公司未来都会采取相关行动。

[事实] 对具身创业公司而言，重点不再只是比较 VLA 与世界动作模型的架构，而是区分哪些能力可由通用模型提供、哪些能力必须自行积累。

[事实] 可保留的差异化包括触觉和力觉、具体工艺约束、硬件可靠性、失败恢复能力，以及垂直任务的数据闭环。

[40:32] 硬件、垂直场景与中间层公司的生存空间

[事实] 未来通用模型可能充当调度器，调用各种物理世界接口，因此具身公司需要建立易于调用的工具和接口。

[事实] 关键零部件公司、传感器公司，以及在工业、物流等场景拥有行业知识和合规壁垒的公司，可能具有独立价值。

[事实] 节目以智能汽车产业链类比：只停留在中间的软件或算法供应商，可能同时受到上层整机厂和下层核心部件厂挤压。

[推测] 具身“大脑”公司若既不具备通用模型规模，又缺乏硬件或场景控制力，可能最容易遭遇价值压缩。

[44:15] 机器人硬件已接近可用，剩余瓶颈主要是智能

[事实] 嘉宾认为，通用机器人硬件基本准备就绪，尚未解决的问题主要集中在智能层。

[事实] 节目举例称，一些经过自动驾驶行业多年验证的复杂场景，在 Astra 面前可能已成为较简单的认知问题。

[推测] 通用模型若持续突破，可能显著缩短物理 AI 的商业化时间，同时提高硬件平台公司的价值。

[45:19] World Labs 与 AMD：世界模型公司的并购路径

[事实] World Labs 与 AMD 达成收购协议，但交易尚未完成。

[事实] World Labs 的 Atlas 模型主要用于空间重建和新视角生成，可把多模态输入融合为可交互的三维或四维空间。

[事实] 这类能力可服务于游戏、机器人训练环境和 real-to-sim-to-real 流程，与 VLA 或世界动作模型更接近上下游关系而非直接竞争。

[推测] 对 World Labs 而言，并入 AMD 可以获得持续研究所需的算力和资源；对 AMD 而言，则可能补足其在 Physical AI 研究与品牌影响力上的短板。

[50:46] 高额收购为独立研究实验室提供估值锚点

[事实] 节目认为，82 亿美元的交易价格更多体现战略价值，而不是 World Labs 当前业务的直接贡献。

[事实] 节目提到 Anthropic 可能收购 Physical Intelligence 的市场传闻，但没有确认交易会发生。

[推测] 对部分缺乏明确商业模式的独立研究实验室而言，被大型科技公司收购可能是中短期更现实的退出路径。

[事实] 嘉宾指出，中美资本市场环境不同：中国较少出现高价收购技术创业公司的案例，国内公司因而更早追求商业化闭环。

[54:19] “见过神迹”与资源不可复制性

[事实] 嘉宾观察到，亲眼见过前沿实验室能力的人，和未接触过内部成果的人，对 Scaling Law 的判断存在明显差异。

[事实] 节目以特斯拉 V12 为例：早期无法复现结果的公司曾怀疑端到端路线，但真正实现后，对问题的理解会发生变化。

[事实] 前沿实验室的判断建立在巨大数据量和算力基础上，这条路径对多数创业公司并不具备可复制性。

[推测] 即使通用模型路线正确，资源差距仍可能决定哪些公司能够亲自训练模型，哪些公司只能围绕其能力构建产品。

[56:25] 宇树上市、估值波动与硬件平台价值

[事实] 宇树上市后股价经历大幅波动；嘉宾认为短期波动受新股炒作影响，不能代表公司长期价值。

[事实] 节目提到宇树上半年收入同比增长约 48%，人形机器人出货占比上升，销售费用也因营销投入明显增加。

[事实] 嘉宾认为 Astra 的出现反而增强了优质机器人本体公司的价值，因为智能能力进步会扩大对硬件的需求。

[事实] 宇树发布了 6B 参数的 VLA 模型，用于桌面操作与全身移动操作，其主要价值是串联本体、模型和部署工具链。

[推测] 宇树无需在基础模型上始终领先，只要保持第一梯队并持续降低硬件使用门槛，就可能形成类似基础设施的平台位置。

[61:56] 上市监管与具身智能公司的收入悖论

[事实] 宇树上市后的市场表现影响了其他排队上市的具身智能公司，监管可能更关注收入可持续性、技术突破和上市必要性。

[事实] 具身智能仍处行业早期，要求企业立即获得健康、持续的收入甚至盈利，与技术发展阶段存在错位。

[事实] 为满足上市指标，一些公司可能通过补贴竞争、传统自动化项目或与核心技术路线关系不大的项目获取收入。

[推测] 过早追求财务表现可能分散研发资源，使公司偏离解决通用智能与机器人核心问题的长期路线。

[69:14] 哪些业务能真正受益于 Scaling Law

[事实] 节目认为，服务通用智能公司的硬件与数据业务可能产生更真实的收入，包括机器人本体、灵巧手、关键部件和数据采集服务。

[事实] 更稳定、可靠、低成本的机器人，更通用的灵巧手，以及规模化、自动化的数据采集方式，都与通用智能的发展方向正相关。

[事实] 使用传统计算机视觉方法完成专机项目虽然可以产生收入，却未必能享受通用智能进步带来的红利。

[推测] 与通用模型互补且不会被其直接覆盖的环节，可能比独立训练中等规模“机器人通用大脑”更具长期商业价值。

[71:35] 上下文学习降低机器人任务部署成本

[事实] Gen 1.5 与 S1 展现了机器人领域的 In-Context Learning：模型在参数不变的情况下，通过少量视频示范理解新任务。

[事实] 传统方法通常需要采集真机遥操作轨迹并进行数小时至数天的后训练；ICL 理想情况下只需几秒到几分钟的视频示范。

[事实] 研究显示，ICL 可用于训练分布之外的新任务，也可组合多个原子技能完成长序列任务。

[事实] Generalist 更侧重 3 至 10 秒、包含机器人关节信息的短轨迹；Skill AI 更强调第三视角和最长约 10 分钟的长序列示范。

[推测] 如果可靠性能够提高，ICL 可能显著缩短机器人进入新工厂或新业务场景的部署周期。

[79:46] Dyna 2.1、数据规模与系统工程

[事实] Dyna 2.1 展示了半人形机器人、全身控制策略及洗衣房工作流程，更强调完整系统和工程链条，而非单一模型突破。

[事实] Dyna 2 曾声称使用超过 100 万小时的第一视角数据，但行业对数据规模增长是否带来相应性能提升存在争议。

[事实] 节目认为，模型架构的重要性可能下降，数据配比、清洗方式和数据质量正在成为更关键的因素。

[推测] 当 VLA 与世界动作模型使用同等质量和规模的数据时，两者的性能差异可能没有路线之争所暗示的那么大。

[83:02] Gemini Robotics 2 与 Google 的先发优势困境

[事实] Gemini Robotics 2 同时提供 ER2、Robotics 2 和可在机器人本地运行的小模型，分别覆盖上层推理、动作策略与端侧执行。

[事实] Google 很早就在机器人和通用模型结合方面进行系统研究，也是最早发展 VLA 路线的公司之一。

[推测] 节目认为，Google 的组织惯性、资源分散和既有机器人研究路径，可能削弱其集中投入新范式的速度。

[推测] 丰富的机器人经验既能带来专业能力，也可能使团队更强调硬件复杂性，从而对通用模型的新能力保持过度谨慎。

[86:32] 特斯拉 Optimus、自动驾驶与机器人模型的分岔

[事实] 节目认为 Optimus 在第三季度获得的关注减少，量产时间和目标有所后移，特斯拉更多精力投入 Robotaxi 落地。

[事实] 自动驾驶与机器人动作模型共享端到端、Video-to-Action 等思路，语言在其中的权重较低。

[事实] 自动驾驶和主流具身模型受算力及数据限制，参数规模远小于头部通用模型。

[推测] 自动驾驶经验仍能帮助机器人动作控制，但复杂任务推理可能越来越依赖更大规模的通用基础模型。

[88:47] 灵巧手成为机器人训练基础设施

[事实] 节目认为行业第一梯队公司没有明显变化，但越来越多公司开始投入灵巧操作。

[事实] 灵巧手被视为类似 GPU 的训练基础设施：硬件数量越多，可采集的数据、测试的场景和完成的真机验证就越多。

[推测] 灵巧手的供给能力可能直接影响机器人模型迭代速度，并形成独立于基础模型的产业价值。

[89:24] FCC 对境外生产先进机器人的授权限制

[事实] FCC 负责涉及无线通信、联网、传感和远程控制设备的市场准入认证。

[事实] 新规将部分境外生产的先进机器人纳入限制范围，包括人形机器人、四足机器人，以及部分超过两公斤、具备移动感知和联网能力的消费机器人。

[事实] 限制依据不只涉及品牌，也涉及生产地及关键零部件原产地占比；节目提到 65% 这一比例。

[事实] 一些原本支持限制的美国机器人公司也认为适用范围过广，因为其自身生产或供应链同样位于海外。

[93:35] 新规的短期影响与供应链应对

[事实] 新规主要影响新的设备认证；在 7 月底前已经获得认证且没有重大软硬件修改的现有型号仍可继续销售。

[事实] 节目提到宇树部分主流型号已经取得 FCC 认证，因此短期销售仍可继续，新型号面临的风险更大。

[事实] 将中国零部件运往美国组装并不能自动被视为美国制造，因为规则还会追溯关键零部件原产地。

[推测] 长期合规可能要求中国厂商与供应商共同在美国建设产能，但完整供应链迁移需要较长时间。

[事实] 嘉宾认为，中国制造业的供应商密度与质量来自十几年乃至二十年的积累，短期限令难以彻底改变这一优势。

[96:53] 下一季度的三条观察线索

[事实] 嘉宾预计 Physical RSI、策略监督、自我迭代、仿真环境生成和机器人 Agentic 系统会成为下一季度重点。

[事实] 中国头部通用模型公司可能更积极进入机器人研究，既有大厂机器人团队也可能围绕生成式 AI 进行重组。

[事实] ICL 因符合中国市场对快速部署和商业落地的需求，预计会吸引更多公司跟进。

[推测] Astra 目前只是通用模型进入物理世界的初步尝试，后续实验可能继续提高机器人能力上限，也可能暴露新的工程瓶颈。

[100:39] 尚未解决的问题：机器人产业的利润流向何处

[事实] 节目将最终悬念概括为：如果通用智能持续增强，机器人产业的稀缺性与利润究竟会流向通用模型公司，还是流向硬件、关键部件和垂直产业链公司。

[事实] 主持人在总结中指出，Astra 当前仍存在速度慢、绝对成功率低、无法直接实用等明显缺陷。

[推测] 未来真实系统更可能采用分层结构，而非由单一旗舰通用模型解决所有物理任务。

[推测] 另一个长期变量是通用模型公司是否会进一步走向软硬件垂直整合，亲自进入机器人本体制造。

播客点评/总结

本期最大的价值，是把单个模型的性能进展放进完整产业链中讨论：从任务规划、动作模型和仿真工具，到硬件本体、数据服务、资本市场和供应链政策，较清晰地解释了通用模型为何可能重塑机器人行业的分工。

讨论的亮点在于没有简单得出“通用模型取代一切”的结论，而是同时指出了 Astra 在泛化和推理上的优势，以及在速度、精细接触、实时控制和可靠性上的不足。由通用模型负责规划与监督、本地专用模型负责执行的分层框架，是节目中较具解释力的判断。

局限在于，部分公司动向、训练数据、并购可能性和产业判断来自传闻或嘉宾观察，尚无公开证据确认；多个模型与公司的名称也可能受到转录准确度影响。[推测] 因此，这期内容更适合作为理解行业趋势和竞争格局的分析框架，而不宜直接作为投资或技术选型依据。

本期适合关注机器人、具身智能、基础模型、AI 创业与产业投资的人群，尤其适合希望理解“通用模型进步后，具身智能创业公司还剩下哪些不可替代价值”的听众。