通用大脑来了，机器人的脊髓在哪？

GPT-6 Astra 让机械臂抓物体的视频刷屏的那几天，具身智能创业圈里弥漫着一种说不出口的焦虑：大脑这一层，是不是要被通用模型通吃了？

几乎同一时间，清华教授丁文伯带着触觉创业公司Xspark AI（无界智航）走到台前，抛出一个反直觉的判断：造出更好的传感器，并不会自动得到一个更聪明的机器人——机器人触觉，可能需要一套自己的模型，一套类似于生物体“脊髓”的独立架构。

两件事撞在一起，其实指向同一个问题：当通用大模型负责“想”，具身智能公司还能靠什么活？答案可能不在眼睛里，而在手上。

🧠 Astra下场，“大脑”层还有独立公司的位置吗

“Astra惊艳之后，具身公司还有护城河吗？”

2025年9月，这句话被反复提起。9月9日的JDD京东全球科技探索者大会，9月10日的Inclusion·外滩大会，主持了这两场圆桌的Koji发现，嘉宾们绕不开同一个话题：OpenAI的GPT-6 Astra对具身模型到底是什么级别的冲击。

社交媒体上，大家兴冲冲地让Astra控制机械臂、抓取物体，效果确实惊艳。但圈内的讨论要冷峻得多——通用模型一旦在具身任务上跑通Scaling，独立做具身基座模型的公司，还有存在的必要吗？

Koji在圆桌后做了一个有意思的事：请Astra根据七位嘉宾的现场发言，给每个人标注一个“通用主导指数”，0到10。10分意味着“通用模型才是未来，独立具身模型会被大幅压缩甚至不再需要”；0分意味着“物理智能需要自己的基座模型，独立空间不会被通用模型吞掉”。

指数最低的一端是逆矩阵科技创始人陈博远，Astra给他的发言打出了1/10——坚定的“物理智能需要独立基座”派。这个刻度上，没有人的立场是孤立的，它背后是整个行业对Scaling逻辑能否覆盖物理世界的根本分歧。

一位长期跟踪具身赛道的投资人私下说，不少具身公司创始人嘴上讲独立基座的故事，手上已经在悄悄把通用模型API接进自己的技术栈做对比测试。“嘴硬，身体很诚实。”

产业逻辑其实很清楚：如果语言和视觉的Scaling规律最终在物理任务上复现，那通用模型对具身模型就是降维打击，垂直公司只能退守数据和场景；如果物理交互的数据结构与互联网文本、视频存在本质差异——而这个差异大概率存在——那具身模型就有一块通用模型啃不动的自留地。

争论的核心，不是谁更强，而是物理世界的数据，到底能不能被现有的大模型范式“吃干净”。

✋ 纯视觉的天花板：看得见，抓不住

答案的第一块拼图，来自丁文伯。

这个人很难用一个词定位：通信博士、材料学博士后、机器触觉学者、清华教授。2025年，他又多了一个身份——Xspark AI联合创始人、首席科学家。一个做了多年传感器研究的学者出来创业，最顺的叙事是“我是做传感器的，我做的传感器最好”。但他偏偏拒绝把公司定义成传感器公司。

他的原始判断是：触觉替代不了视觉，但纯视觉有天花板。

过去两年，具身智能最主流的技术路径，延续的仍然是大模型的Scaling逻辑——更多视频、更多机器人轨迹、更大的VLA（视觉-语言-动作模型），让机器人沿着数据量的增长变得更聪明。这条路线的隐含假设是：看够了，就会做了。

问题在于，看和做之间隔着一条物理世界的鸿沟。视觉告诉机器人“那是个杯子，在桌上”，但不告诉它“捏多大力杯壁会形变、手指滑没滑、物体重心在哪”。这些信息只存在于接触的瞬间，互联网上没有海量视频可以预训练，因为力觉数据根本不在互联网里。

这就是Scaling逻辑在触觉上的燃料困境：文本和视频有互联网这个取之不尽的矿，物理接触数据没有——每一份都得靠机器人自己上手去采。

而丁文伯更进一步的判断是，即便解决了传感器问题，故事也没完。更灵敏的传感器，并不会自动得到一个更聪明的机器人。传感器是眼睛之外的触觉末梢，但末梢信号传进来之后，谁来处理、怎么处理、以什么延迟处理——这需要一个模型层，而不是一个器件层。

这个延迟差距有量级可以佐证：主流VLA模型的推理频率普遍在3到10赫兹之间，即一次“看—想—动”的循环要100毫秒到300毫秒以上（参考Google DeepMind RT-2论文公开的1至3赫兹控制频率、Physical Intelligence π0论文公开的约50赫兹动作块输出）；而工业分拣、精密装配等场景的力控闭环，通常要求100赫兹以上的控制频率，接触打滑的纠正窗口往往只有几十毫秒。这中间的量级鸿沟，不是靠更快的大模型推理就能填平的。

一句话：触觉的问题，不是一个硬件问题，是一个架构问题。

🔄 “脊髓”：触觉需要自己的反射弧

生物体给了这个行业一个现成的答案。

人手碰到滚烫的杯子，手会在大脑意识到“烫”之前就缩回来——这个反射走的是脊髓，不经过大脑。神经科学的经典测量是：脊髓反射弧的响应延迟约30毫秒，而大脑皮层的有意识感知需要200毫秒以上。有意识感知走大脑皮层，慢，但擅长规划；脊髓反射毫秒级，快，但只管底层闭环。两套系统分工了几亿年，谁也没吞掉谁。

丁文伯的“脊髓”架构，本质上就是把这个分工搬到机器人身上：通用大模型是大脑，负责任务理解、规划和慢决策；触觉模型是脊髓，负责接触瞬间的毫秒级反射控制；传感器是末梢，执行器是肌肉。

这套架构的妙处在于闭环：传感器的信号实时喂给脊髓模型，脊髓模型直接驱动反射控制，不用绕道云端大模型。接触瞬间的力控延迟，等不起大模型几百毫秒的推理时间——这在工程上是硬约束，不是能不能忍的问题。一个直观的例子是物流分拣：传送带上的包裹以米每秒级的速度经过，机械臂从接触到抓稳的窗口不足半秒，任何一次“等大脑想完再发力”都会直接导致掉件。

回到Astra的冲击，“脊髓”架构其实给出了一个体面的回答：大脑可以外包给通用模型，脊髓必须自己造。通用模型再强，它的输入输出频率和物理接触的频率不在一个量级上；这层毫秒级的闭环控制，天然是垂直栈的地盘。

灵巧手和工业机械臂的力控场景，被普遍视为触觉方向的第一落点——灵巧手要解决易碎品抓取、柔性物体（织物、线缆）操作这类纯视觉难以闭环的任务，工业场景则场景明确、容错可控、客户愿意为良率买单。这也是为什么触觉公司不爱讲人形机器人讲故事，先在工厂里把一只手练明白更实在。

📊 通用与垂直：谁吞掉谁，还是分工？

把两条路线放在一起看，行业的分歧其实没那么非黑即白。

“通用主导指数”从0到10的光谱说明，连一线创业者之间的判断都相距甚远。陈博远们押注物理智能需要独立基座，另一端的人认为通用能力扩展会压缩独立模型的空间。但拆开看，两边的分歧主要集中在“大脑层”——语言理解、任务规划、跨场景泛化；而在“脊髓层”和“末梢层”，共识反而清晰得多：通用视频数据训不出毫秒级力控。

这个结构对具身创业公司意味着一件事：护城河的定义变了。过去大家比的是谁的VLA参数大、谁的演示视频炫；接下来要比的是谁在真实物理场景里跑通了数据闭环——传感器采回来的接触数据，喂给脊髓模型，模型反过来提升操作成功率，客户为此付费，数据继续回流。

闭环转起来的公司，通用模型拿不走；闭环转不起来的公司，通用模型一来就直接塌。Astra惊艳之后，具身公司的分化不会是“活下来还是死掉”，而是“有闭环的成为卖铲人和操作系统，没闭环的沦为集成商”。

据公开报道，Xspark AI团队刻意避免被贴上“传感器公司”的标签，就是怕资本市场用器件逻辑给它估值——器件逻辑是毛利和出货量，模型架构逻辑是数据闭环和卡位。

通用大脑的入场，不是具身智能的终局，而是一次行业分工的重排。未来12到24个月，判断这个赛道真伪的标准很简单：通用模型能不能补上物理接触数据的短板，触觉闭环能不能在真实产线上跑出客户愿意付钱的良率提升。