谷歌、Open AI、DeepSeek“联合入局”，具身大脑CEO：睡不着了

9月初，OpenAI推出了GPT-6 Astra。

10月7日，GPT-6 Sol/Luna版本连同Intelligent UI功能向所有ChatGPT用户开放。

同一周，谷歌单独发布了Gemini 4 Argon的机器人能力——观看一段投掷沙包的视频后，自行构建MuJoCo数字孪生，将人类手部动作映射到双臂人形机器人上，导出动作指令让机器人复现。

紧接着几天后，Physical Intelligence推出了Pi API Beta版。开发者上传数据，Pi负责托管微调，模型通过云端网关下发至实体机器人。

这三件事单独来看都是常规发布。但放在一起审视，意义就变了——基础模型公司不再满足于“我的模型很强大”，它们开始涉足机器人产业链中“构建仿真、制定规划、管理微调”这些中间层。

国内反应同样迅速。10月12日工博会开幕式上，王兴兴的原话是：“过去十几年犯的最大错误，是对AI相信得还不够。”他将具身智能拐点的最新时间表定为“快则一两年”，并补充道——明年GPT-7问世，可能直接攻克具身智能的难题。

这不是随口一说。宇树团队已将GPT-6接入自家机器人执行任务，“效果非常不错”；但王兴兴也承认，复杂的物理交互仍是基础模型未能跨越的障碍。

因此，这篇文章要探讨的不是“GPT-6有多厉害”，而是一件更隐蔽却令人不安的事：世界模型曾经占据的位置，正在被一层层抽离。

世界模型曾是“总指挥”

要理解这次职责重新分配，必须先回顾过去两年世界模型被推崇到的地位。

根据学界的粗略划分，世界模型承担三项任务：渲染画面、仿真物理、进行决策规划。定义很清晰——在模型内部对物理世界建立一份压缩表示，输入状态S和动作A，预测下一个状态S'。

2024至2025年间，行业存在一个默认共识：谁拥有世界模型，谁就掌握了机器人的大脑。

逻辑自洽：机器人要理解物理，必须先“心中有数”——杯子会不会倒、手臂会不会碰撞、抓取需要多大力度。通用大模型只会处理语言，不懂摩擦力，因此具身智能的最终架构应该是世界模型作为总指挥，感知、规划、控制都挂靠在其下。

那时，世界模型被同时寄予三重期望：语义理解、物理预测、动作规划。一个人承担三个人的工作。

问题也恰恰在此。它“想得不少”，但三项任务一直未能解决：无法理解自然语言指令、无法构建仿真环境、长程规划在场景变化时就会崩溃。行业投入大量精力训练专用世界模型，落地时总需要人为补充一层。

基础模型出现后，这三件事不是通过辩论赢得的，而是被顺手夺走的。

GPT-6 Astra 打响第一枪

OpenAI没有发布所谓的“机器人模型”。GPT-6 Astra是通用多模态旗舰产品，官方公告中并未提及具身智能。

但第三方已经用它控制实体机器人，结果令人瞩目。

9月RoboDojo测试中，研究者未针对具体任务微调Astra，直接让它在四十多项双臂操作任务中充当动作策略，平均成功率超过二十个百分点，超越了评测池中数十个专用机器人策略。

真正有趣的不是这个数字，而是它改变了问题——过去问“通用大模型能否控制机器人”，现在问“它适合接手哪一部分”。

破壳机器人创始人许华哲在Astra可用当天就进行了测试，他的分析很精准：将具身任务分为语义泛化、空间泛化、物理泛化三层，Astra前两层表现强劲，第三层较弱。

它能抓起桌面上的筷子、竖立插入杯子；但用筷子拨动物体、叠衣服、叠盒子这类涉及接触力的操作，无法完成。

原力灵机在RoboChallenge上的测试也证实了这一边界：Astra连接UR5进行碎纸操作，未进行相机标定，它依靠先小幅试探、再观察前后帧差异来自行补充空间关系；绿色方块被遮挡时先移开遮挡物，一次未抓起就重新调整夹爪。

这是“理解状态→决定下一步”，而非传统VLA的“见过示范→复现动作”。

但精密插入操作直接失败。拼图件嵌入凹槽，二十次仅成功两次。银河通用混合架构评测中，Astra单独处理精细接触任务得分极低，接入π0.5后才得以弥补。

因此，准确的说法是——Astra没有颠覆世界模型，它只是将“理解+规划”从世界模型手中夺走了；物理预测和力控闭环它仍无法触及。

更棘手的是安全问题。RoboHarm将Astra接入实体机器人测试危险指令（如将充电宝放入水中、将螺丝刀插入面包机），百次测试中九十多次确实执行了指令，明确拒绝的只有两次。过去机器人无法执行危险动作是因为“能力不足”；模型变强后，“失败”不会自动变为“安全”，反而可能演变成更“可靠”的危险动作。

由此可见，行业问题被Astra向前推进了一步：不再是“通用模型能否控制机器人”，而是“它接手哪一部分、如何与专用模型配合、谁负责确保它在该停止时停止”。

Gemini 4 Argon 连仿真工程师的活也干了

谷歌更为激进。

Astra只是“用通用模型控制机器人”，而Argon直接“用通用模型编写机器人工作流程”。

先明确身份：Argon不是VLA，而是通用推理模型。谷歌机器人侧的实际分工分为三层——Argon负责编写仿真代码、根据视频构建孪生、进行任务标注；Gemini Robotics 2负责VLA控制机器人；ER系列负责具身推理。

Argon在ERQA具身推理基准测试中纯推理得分达到87%，超过了同期前沿模型。

真正值得关注的是整条Real2Sim流水线：

一段远程操作录像，Argon构建出接触校准的MuJoCo孪生；一段第一视角人类视频，重定向到七十六自由度人形机器人；一张手绘草图，直接生成全身投掷轨迹，并在物理引擎中验证六个箱子全部倒下。

还有一组更贴近实际应用的：从一张桌面照片出发，Argon构建出若干道具、定义数十个任务、生成数千个仿真回合，将下游VLA在实体机器人上的成功率从50%多提升到70%多，完成时间从30多秒压缩到20多秒。

意义不在于“模型多能生成”，而在于过去仿真工程师花费数周搭建的MuJoCo场景，Argon看一眼视频就完成了。机器人学习的首要瓶颈一直是真实数据——昂贵、难以复现、危险动作不敢尝试。Argon将仿真环境构建成本从“周”压缩到“小时”，仿真数据的边际成本趋近于零。

不过，Argon冲击的不是机器人本身，而是“仿真工程师”这个岗位。世界模型从独立系统，退化为Argon生成的MuJoCo场景。

当然，这些都是谷歌自行选择的演示，没有大规模部署数据，没有长期可靠性数据，失败率也未披露。Text Arena登顶不假，但编码、WebDev类榜单并非全面压制Astra。

因此，Argon的价值在于“将物理场景转化为可执行代码”，并非全能。

基模从产品变平台的Pi API

前面还只是模型侧，但Pi这一步直接是产业分工的转折点。

10月13日Pi官方发布Pi API Beta版：上传数据→Pi托管微调→云端推理网关→实体机器人执行→评估→补充数据

开发者无需搭建训练集群、无需配置策略服务器。Chef Robotics使用数十条双臂示教数据，隔夜获得模型，第二天上机制作汉堡；Almond用四天API迭代让双臂Axol进行零件去毛刺；Ultra进行仓库打包，Weave进行洗衣折叠。

这件事比“又发布一个API”重要得多。

过去的默认分工是：模型公司训练基础模型，应用公司自行微调、搭建基础设施、管理部署。Pi现在将“微调+托管推理”也收归己有，只留给下游两件事——硬件集成、现场数据采集。

Lightspeed合伙人Amber Yang不久前发布了一张坐标系，将这类新玩家称为DeployCo（部署公司）：不训练模型，只做场景交付。

但是：模型被调用≠数据自动回流。

Pi官方未公布定价、未公布数据权属条款。工业客户是否愿意将失败片段、产线布局、客户信息提交上去，是商业条款问题，而非技术问题。Weave那次“抓取失败率降低40%”的飞轮案例是定向合作获得的数据，并非API默认机制。

Generalist GEN-1.5还补了一刀：几秒操作演示、不更新权重就能学习新任务。专用微调的门槛正在被physical prompting消除。

因此，基础模型这一波向外扩展，吃到了四层：语义层（Astra）、仿真层（Argon）、微调层（Pi API）、适配层（Generalist）。再往下是物理闭环，而API无法触及，这也是业内人士认为“复杂物理交互仍是具身智能公司的最后阵地”这一观点的有力支撑。

世界模型没死，只是被请下王座

看到这里，容易误解为“世界模型完了”，但事实并非如此。

基础模型有三道墙无法逾越：

实时性。token推理按百毫秒计算，关节力控需要毫秒级。Astra控制机械臂每轮需要思考一段时间，这是“想”的时间，而非“动”的时间。

接触物理。插入拼图件时Astra成功率极低。最后几毫米的插入、线缆对接、拉链力度，语言共现无法预测。

物理因果。LLM学习的是词共现，而非摩擦系数和力矩传递。

因此，世界模型存活的基础仍在：状态转移S'预测、力控/MPC闭环、Sim2Real域随机化、触觉与接触表征。

Dyna那篇《Not Just a Model,But a Product》说得很透彻。鼎泰丰餐巾折叠，第一代每天几百条、合格率70%多，第二代提升到一千多条、90%多——数字增长了，但客户的问题早已不是“能不能折叠”，而是“十八小时班次是否稳定”。

中间踩过的坑包括夹爪磨损导致吞吐量下降。这类问题模型公司坐办公室永远无法发现，必须在客户现场运行数月才能察觉。Dyna有一条内部规矩：现场问题绝不能用一次性补丁敷衍，每次都必须留下可复用的东西。

这样看来，ModelCo和DeployCo的分工，很可能只是具身智能现阶段的产物。基础模型越强，专用适配越被压缩；但只要机器人还得在产线运行十几个小时不罢工，部署闭环就无人能替代。

这很像早期Stable Diffusion：基础模型弱时下游靠LoRA补充风格，基础模型强了LoRA价值被压缩但不会归零。机器人行业同理——被压缩的是“中间适配层”，而非“交付本身”。

四类国内具身公司最先“死”

炮口转向国内。

先给底数：公开报道中，国内人形机器人相关企业已有一百五十家左右，半数初创或跨界；广义具身智能注册企业两千多家。今年上半年融资事件数百起，但一个残酷的现实是，资金正不断向头部集中，越来越多的中腰部企业融资变得异常困难。

信通院口径下，国内具身智能核心企业数百家，累计投融资数百起、总额数百亿；2026上半年融资额继续冲高，单笔十亿以上成为常态。

资金涌入越快，中间层越先被挤压。

基础模型这一波不是把国内机器人公司全部消灭，而是将“薄壳层”剔除。四类最危险。

套壳型“机器人大脑”方案商

本体采购宇树或公模，调GPT/Claude/通义/DeepSeek的API，套一层Prompt编排，包装成“行业机器人解决方案”。核心资产其实就是几份prompt文档和技能树配置。

Pi API的逻辑证明“中间集成商”会被跳过——模型公司自己提供微调+推理托管，下游直接接入。国内DeepSeek、Qwen-Robot也在向机器人适配收口，套壳商变成“帮基模公司做销售代理还不分成”。

再叠加三把刀：数据出境合规、工厂高频调用Token账单、客户切换成本为零。明天就能换Astra/Argon/通义，套壳商无锁定。

存活条件只有一个：要么下沉做真机运维变成DeployCo，要么握住无替代的场景数据。

传统机器人集成商（规则/示教派）

以ROS/PLC/示教器编程起家，做工站集成、AGV、上下料，客户是工厂和仓储。

不是被替代，而是利润被压缩。确定性高、动作固定的场景基础模型短期内无法进入——时延和认证都过不了。但凡任务带有“自然语言变更/异常恢复/长程多步/跨工位调度”，Astra类Tool Call编排就把“工程师现场写状态机”那部分工作吃掉了。

原来收取几十万一个工站集成费，以后“理解层”被基础模型免费化，集成商退化为“接线+调参+售后”，毛利从60%下降到20%。

活法也不是没有：紧抱MES/WMS/ERP对接（基础模型公司不碰这脏活）、拿下医药、食品、汽车的安全认证、转型成DeployCo——不管大脑，管“基础模型跑不起来时谁背锅”。

单任务专用小模型初创（“垂直VLA”故事）

自研一个小VLA，场景锁定插线束、叠衣服、分拣快递。融资故事是“我有专属行业数据”。

通用基础模型零样本/少样本上来后，性能差距被追平；Generalist式physical prompting把微调门槛消除。这是垂直AI的老命门——基础模型每升级一代，你的差异化就薄一层。

前地瓜机器人具身负责人何泳澔（现虚时科技CTO）在Astra出来后直接判断：VLA、世界模型这类方案“可能已经没有太大投入价值了，具身突破大概率来自基模大厂”。这话偏激，但代表了一类真实情绪——垂直小模型初创的融资叙事正在被Astra击穿。

判断标准只需要一句话：离开那几个客户工厂，你公司还能不能活？不能，你就是集成商；能，才有被模型公司收购的价值。

而活下来的途径也不难：别再讲“自研基座”，讲“我积累了多少小时真实工况数据”；把自研模型降级成domain adapter，接入基础模型做上层。数据主权大于模型主权。

低质数据标注/通用仿真建模商

人工拉框标轨迹、按条收费；或者手工搭MuJoCo场景、按场景交付。

Real2Sim自动建仿真+视频轨迹提取起来后，通用场景的人工建模直接贬值。“卖标注小时”变成“卖有效数据率”，线性采集链条被仿真闭环替代。

这种企业的活路在高精工业资产：反光金属、透明液体、核电检修、航空内窥——这些拍不出来，还得人做。或者做Sim2Real最后百分之一的误差补偿、做数据血缘追溯。别再做人力外包。

而过去不被重视的环节，反而是更值钱的环节。

真机部署和现场运维（夹爪磨损模型公司看不见）、工况数据回流、MES/WMS对接、安全认证与力控合规、高精仿真资产、军工电力核电的场景资质。

朱啸虎那套判断放在这里很应景。

他原话：“中国近两百家机器人公司，差异非常小，凭什么撑起这么高估值？”他退掉一批早期具身项目的原因也很直白——问CEO客户在哪，答案像是自己想象出来的。

泡沫说的是估值，不是需求。但中间薄壳层先死一批，是一定的。

时间窗大致如下：

未来一年：套壳方案商先出清；

一到两年：规则集成商毛利塌方，垂直小模型融资断档；

两到三年：低质标注被自动化吞掉，活下来的是数据闭环型+场景准入型。

死的不是“做机器人的”，死的是“只在中间做一层薄壳、不碰真机数据”的。

护城河从“我接了哪个大模型”，变成“我机器人在产线跑了多少小时、出了多少故障数据”。

DeepSeek怎么打？不造脑，拼装出场

国内这边，也不是完全“被轰”。

DeepSeek没走Pi式纯大脑，也没走Dyna全栈，是第三条路——拼装。

8月，DeepSeek以约1.4亿元参与宇树科技科创板IPO战略配售，锁定三十六个月，双方签署了双向优先采购备忘录。

10月12日前后，传出DeepSeek拟领投WinverseAI种子轮，数千万美元，交易尚未最终敲定。WinverseAI创始人胡瀚是Swin Transformer共同作者，业务偏底层infra和模型加速，不是整机厂。

三层拼装就出来了：

• 宇树=本体/运控
• WinverseAI=世界模型/物理底座infra
• DeepSeek基模=语义层/任务规划

对比美系几条线——

谷歌是平台派：Argon写仿真、Robotics 2控机，自有工作流闭环。

OpenAI是垂直派：Astra当认知脑，机器人团队重组，后续自研或投资本体也不是不可能。

Pi是ModelCo平台：API分发，不管交付。

Dyna是全栈DeployCo：模型+硬件+现场一起背。

DeepSeek当前站位还是ModelCo，不是Pi式API平台。真要做“基模撞飞”的落地版，下一步不是发机器人模型，是发机器人API+数据回流条款——把宇树真机数据、WinverseAI物理底座、自己语义层缝成一条飞轮。

梁文锋早前把具身排在AGI六阶最后一位，说法是“最轻松、可以不用加班”。但GPT-6发布、OpenAI明确发力人形之后，这张时间表显然被改了。

据接近DeepSeek人士，梁文锋近期也承认DeepSeek与GPT-6在部分能力维度仍有差距。

王兴兴的GPT-7判断：抽完椅子，可能抽桌腿

回到开头那句话。

王兴兴在工博会是这么说的：GPT-6出来后宇树第一时间接到机器人上测，“效果非常不错”；但复杂物理交互——用筷子拨东西、叠衣服、堆叠盒子——Astra仍然做不了。

可他还是把拐点从“两三年”往前拨到了“一两年”，理由是：通用大模型已经证明语义理解和空间泛化，下一步要攻的就是物理交互这一关，而GPT-7有可能不是渐进改善，是跳跃突破。

这个判断要分两层看。

第一层，对基模厂是利好。如果GPT-7真能把精细接触、长程执行、双臂协同补上，世界模型退守的那块“物理预测”也会被啃掉一角——不是全吃掉，是足够覆盖大部分工业场景的八成任务。

第二层，对国内中间层是逼宫。王兴兴自己都承认，宇树2024年就在汽车厂试点，两年过去还停在“试点”——瓶颈不是AI不够聪明，是新任务要重新训练、整体效率低于人。基