大语言模型强势入局具身：争的是物理数据，还是下一代智能入口？

2026-11-04
过去，大语言模型公司和机器人公司之间有一条相对清晰的分界线。大语言模型负责理解语言、识别图像、回答问题；机器人公司则负责把这些能力变成真实动作，让机械臂抓东西，让人形机器人行走和操作。

但最近，这条分界线开始松动。

9月3日，OpenAI发布GPT-6 Astra。官方介绍重点放在复杂推理、计算机操作、编程和科研能力上，并没有把机器人单独列为产品方向。然而模型发布后不久，研究人员就开始尝试把Astra接入真实机器人。9月底，斯坦福大学与加州理工学院研究团队公布HomeBody项目，让GPT-6 Astra指挥宇树G1在陌生厨房里整理物品、扔垃圾，甚至根据模糊指令找到抽屉里的药品。另一边，谷歌在9月30日发布Gemini 4 Argon，10月13日进一步展示它在机器人控制、真实场景仿真重建、数据标注和策略改进中的应用。

国内企业也在行动。阿里6月推出Qwen-Robot Suite，从导航、操作到世界模型建立专门的具身模型体系；DeepSeek则通过参与宇树投资、接触具身AI创业公司，开始建立与机器人产业的合作关系。

这些动作表面上各不相同。但背后指向同一个问题：当通用大模型越来越擅长理解物理世界，机器人原本由专用模型负责的智能能力，还有多少必须独立存在？更进一步，如果机器人未来真的成为下一代智能终端，大模型公司究竟想得到什么？是现实世界中稀缺的动作数据，还是不愿让新的智能入口落入别人手中？

01

GPT开始指挥机器人，但没有真正取代机器人的“小脑”


HomeBody让GPT-6 Astra指挥宇树机器人干活是观察这轮变化最好的案例。在研究团队展示的视频中，宇树G1面对的是一间此前没有专门训练过的厨房。用户要求它整理台面上的咖啡袋，并把过期牛奶和果汁盒扔掉。机器人需要自己判断物品位置、安排操作顺序，在厨房里来回移动，完成抓取、放置和丢弃。

另一个任务更复杂。用户只说：“帮我拿一下药，顺便把坏掉的纸盒扔了。”药品并不在机器人当前视野内，系统需要先从过去探索环境时留下的空间记忆中找到相关抽屉，再导航过去、打开抽屉、取出药品，最后完成交付和垃圾处理。

这已经不再是简单的“看到杯子就抓”，机器人需要理解任务、记住空间、调用不同技能，并根据执行结果不断调整后续计划。HomeBody的关键变化，是让GPT-6 Astra直接承担这些高层决策，而不是继续使用一套专门学习的中间层VLA策略。

图片

不过，这里有一个非常重要的区别。HomeBody取消的是特定架构中“高层推理与技能执行之间的学习型VLA模块”，并没有取消机器人所有专用控制能力。GPT-6 Astra负责决定：先去哪里；寻找什么物体；应该调用哪一种技能；上一步失败以后是否需要重新规划。

但真正负责抓取、开抽屉、导航和全身运动的，仍然是独立的技能模块、运动规划器与底层控制策略。例如，HomeBody的手臂和手部控制以250Hz运行，下肢运动策略以50Hz更新，而Astra运行在云端，主要通过工具调用下达技能目标。也就是说，GPT不是每秒计算250次关节运动，它更像一个负责安排工作的指挥者，具体动作交给已经训练好的机器人技能完成。

为什么不能直接让GPT控制全部动作？第三方机器人评测平台Robocurve给出了一个很直观的答案。

在2026年9月的机械臂测试中，GPT Astra执行“把红色积木放进碗里”20次，成功19次；但换成“把圆形拼图块精确插入凹槽”，20次只成功2次。前者成功率95%，后者只有10%。

图片

这组结果来自第三方的小规模测试，并不是OpenAI官方Benchmark；不同任务的硬件条件与人工评分方式也有限制，不能据此推算Astra在所有机器人任务中的成功率。

但它揭示的问题很清楚：通用模型已经可以理解并指挥一部分物理操作，但涉及精确接触、力控制和高速反馈时，专用机器人系统仍然不可替代。而且，Robocurve中Astra完成一次积木任务平均需要约2.5分钟，距离工业机器人要求的快速连续作业仍有明显距离。这也是为什么，现阶段最现实的变化并不是“大模型全面替代VLA”，而是机器人控制栈开始重新分工。

图片

这意味着，机器人领域过去常见的“通用模型负责理解、VLA负责动作、控制器负责执行”结构，正在出现新的可能性。最先被通用大模型影响的，不是最后那层电机控制，而是中间负责规划、选择和组织技能的智能模块。


02

阿里开始补“动作”，DeepSeek则先建立产业连接


国内大模型企业进入具身智能，也并不是一条统一路线。阿里的选择更偏向自己补齐机器人专用能力。

今年6月，阿里推出Qwen-Robot Suite，包含三个模型：Qwen-RobotNav负责机器人导航；Qwen-RobotManip负责操作和动作生成；Qwen-RobotWorld负责预测动作可能引起的环境变化。这已经不是简单给机器人接一个Qwen聊天接口，而是在原有多模态模型基础上，分别解决移动、操作和世界建模问题。

其中最有代表性的是Qwen-RobotManip。它通过统一的80维状态—动作表示，将单臂、双臂、灵巧手和移动操作机器人放进同一个训练框架，尝试让不同身体共享操作经验。官方公开的训练语料约3.81万小时，但这里不能简单理解为3.81万小时真实机器人操作数据。其中相当一部分来自第一视角人类视频转换生成的合成机器人示范，真实机器人数据、原始人类视频和合成数据共同构成训练集。这恰好说明，通用大模型公司进入机器人以后，也必须面对物理交互数据稀缺、不同本体动作难以统一的问题。

与阿里不同，DeepSeek目前公开可核实的布局，更偏向通过资本和合作关系进入机器人产业。

8月6日，路透社报道，DeepSeek以约1.408亿元人民币参与宇树科技IPO战略配售，双方计划围绕人形机器人AI模型展开合作。10月12日，彭博社又报道DeepSeek拟领投具身智能创业公司Winverse AI的种子轮融资，相关交易当时尚未最终完成。

因此，不能把DeepSeek简单写成“已经推出通用机器人模型”，也不能把尚未完成的投资计划写成既定事实。但这种投资合作具有明确的产业逻辑。DeepSeek拥有语言推理和通用模型研发能力，机器人公司拥有真实本体、运动控制经验及物理交互场景。双方如果能够形成技术合作，大模型公司就不必一开始承担完整的机器人研发和制造成本，也有机会接触真实动作系统及其反馈。

不过，投资机器人公司不等于自动拥有机器人的训练数据。数据是否可以共享、用于什么模型、是否涉及客户隐私，都取决于具体合作安排。这也是为什么目前判断DeepSeek的具身实力，更应该关注未来是否出现公开技术报告、合作模型和真实机器人评测，而不是只看投资金额。

图片

03

为什么大模型公司不愿意错过机器人？


要回答大模型公司为什么不愿错过机器人，不妨先看一个更基本的处境：它们自身的增长引擎正在减速。

过去几年，大模型的能力跃迁主要靠互联网文本和图像数据的规模扩张驱动。但高质量公开文本的存量是有限的，多家研究机构（如 Epoch AI）预测其将在近几年内被充分消耗；与此同时，单纯扩大模型规模带来的能力提升正在变得昂贵而缓慢。对头部大模型公司来说，它们需要的早已不只是“更多数据”，而是新的数据模态和新的增长曲线——而物理世界恰好同时提供了这两样东西的想象空间。

另一个更现实的压力来自资本市场。头部大模型公司的融资规模已经达到数百亿美元量级，这样的估值需要足够大的市场来支撑。聊天机器人和 API 订阅的收入体量，显然撑不起这个预期；而机器人指向的是物理劳动本身——这是能被讲出来的最大市场。

换句话说，无论技术准备是否成熟，具身智能都是大模型公司必须拥有的故事。这也解释了为什么它们的进入方式普遍很轻：OpenAI 开放模型接口、组建机器人团队，DeepSeek 参股宇树、接触创业公司，阿里在既有模型体系上做增量扩展——都是低成本、高期权价值的卡位，而不是重资产的全面押注。对这种量级的公司，错过的代价远高于试错的代价。

看清这层背景，再回头审视“数据”这个最流行的解释，就需要打一个折扣。

物理交互数据的确稀缺且珍贵：夹爪接触物体后发生了什么、用多大力不打滑、失败后如何调整，这些无法从互联网图文中学到。但问题在于，数据飞轮的主动权目前不在大模型公司手里。通用模型告诉机器人“先抓住杯子，再放进盒子”，执行轨迹记录在本体厂商的系统里，失败原因由本体厂商的工程师分析，经验回流改进的也是本体厂商自己的动作策略。HomeBody 的架构最能说明问题：高层 VLM 可以整体替换，底层技能和数据链路纹丝不动。

大模型公司除非深度绑定本体厂商、参与到执行反馈和模型更新的完整链路中，否则得到的只是调用量，不是数据资产。而这条链路涉及数据授权、硬件兼容、训练成本和安全责任，没有一环会因为接入了大模型就自动打通。所以“为数据而来”，现阶段更多是对未来的期权定价，而非当期收益。

“入口”叙事同样需要降温。机器人常被比作继手机、电脑之后的下一代智能终端，但从出货量看，两者还差着好几个数量级；更关键的是，近期真正跑通的场景在工业 B 端，而不是消费市场。工业客户为可靠性和投资回报买单，不关心背后是哪家大模型——这反而削弱了模型公司在入口上的议价能力。

真正有入口意义的，不是“机器人用了谁的模型”，而是谁定义了任务接口和技能调度层：如果机器人厂商都通过某家通用模型调用抓取、导航、巡检能力，这家模型公司就握住了上层入口；反过来，如果本体厂商自建了足够强的专用基础模型和技能库，通用模型就会退化成一颗可替换的推理芯片。这场拉锯才刚刚开始，胜负远未分晓。

所以更准确的结论是：大模型公司下场，第一驱动力是自身的增长与叙事需求，第二是防御性卡位，数据和入口是排在后面的、尚未兑现的长期目标。看清这个排序，才能理解接下来真正值得跟踪的信号——不是谁又发布了能指挥机器人的演示视频，而是谁率先拿到了真实执行数据的闭环授权，以及谁的任务接口被足够多的本体厂商采用。这两件事中的任何一件发生，才意味着大模型公司从“讲机器人故事的人”变成了“机器人产业的玩家”。


04

谁能成为机器人真正的智能入口？


通用大模型开始进入机器人，并不意味着专用VLA和底层控制系统很快就会消失。目前至少还有三道门槛：实时性、动作可靠性和物理交互成本。

大模型可以花几秒钟规划任务，但机器人不能在每次迈步、抓取和接触物体时都等待云端推理；模型能够准确理解“把杯子放进盒子”，也不代表它能稳定控制夹爪力度，更不意味着面对陌生环境时能够安全执行。软件操作失败，可以重新点击；机器人动作失败，却可能造成物体损坏、设备碰撞，甚至人员受伤。因此，现阶段更现实的方向，并不是让一个通用模型包办所有工作，而是逐渐形成分工：通用模型负责理解任务、推理规划和技能调度，专用动作模型负责具体操作，底层控制器保证运动稳定与安全。

但这种分工并不是固定不变的。随着通用模型的空间理解和物理推理能力提升，它可能继续向机器人动作决策层渗透。原本需要专门训练的部分规划与技能选择能力，未来可能逐渐成为通用模型的基础能力。这也解释了为什么OpenAI、Google、阿里和DeepSeek虽然选择了不同路径，却都不愿意错过具身智能。

机器人可能成为继手机、电脑之后，通用大模型进入现实世界的重要终端。谁能够在这个过程中定义任务接口、组织机器人技能，就有机会参与下一代智能应用生态的建设。而入口背后，还有另一个更长期的价值：物理世界的数据。

过去大模型主要从互联网学习世界是什么样的；未来要真正理解物理世界，还需要知道一个动作执行以后发生了什么，为什么成功、为什么失败，以及怎样调整才能做得更好。这些经验无法仅靠互联网图文完全获得，必须依赖真实机器人交互或可信的物理仿真。

因此，入口和数据并不是非此即彼的选择。入口决定谁有机会参与任务执行，执行过程则可能持续产生新的物理经验。 但这些数据最终属于谁、能否用于训练，还取决于具体的合作和授权机制。

当然，这并不意味着大模型公司一定会成为最终赢家。机器人本体厂商掌握真实硬件、控制系统和应用场景，同样拥有不可替代的优势。未来究竟是通用模型成为机器人默认的智能入口，还是机器人厂商将大模型作为可替换的推理工具，目前仍没有定论。但可以确定的是，机器人产业的竞争正在超越单纯的硬件性能和模型参数。

未来真正值得关注的，不只是GPT能否抓起一个杯子，也不是DeepSeek又投资了哪家公司，而是当机器人开始大规模进入现实世界时：

这些环节最终如何分工，可能比任何一次模型升级，更能决定下一代机器人产业的格局。


分享
下一篇：这是最后一篇
上一篇：这是第一篇