GPT-6下场了，具身智能慌吗？

GPT-6 Astra一出，具身智能圈的气氛肉眼可见地变了。

今年外滩大会上，极佳视界联合创始人兼首席科学家朱政把话说得毫不留情：语言模型已经吃掉了多模态，正在蚕食具身智能，人才、算力、资金全面占优——"狼已经来了，放弃幻想"。

但同一场大会上，也有人当场反驳。蚂蚁灵波CEO朱兴反问：OpenAI或者Anthropic今天下场做自动驾驶，能在短时间内颠覆特斯拉吗？

一边是"放弃幻想"，一边是"你先试试"。这场争论背后，是整个具身智能行业对未来一两年窗口期的集体判断。本文想拆开的，是这团焦虑里哪些是真问题，哪些是被"降维打击"四个字搅浑的水。

🚨 狼真的来了吗？

先看焦虑的来源。

OpenAI发布GPT-6 Astra后，大量围绕它控制机器人的演示迅速出现，具身圈第一时间展开了密集测试与争论。更直接的信号是，Sam Altman已明确表达OpenAI将做人形机器人及其他形态机器人的意向。

这句话的杀伤力在于身份转换：上游模型供应者，随时可能变成直接竞争者。据多位接近创业公司的人士透露，对于那些还在打磨第一代人形产品的团队，这个可能性已经写进了董事会的风险清单——过去他们最担心的是友商，现在担心的是自己的供应商。

朱政的逻辑链条很清晰：语言模型厂商已经验证过"大力出奇迹"的路线，吃掉了多模态；如今具身智能还没建立起真正的护城河，而对手在人才、算力、资金三项上全面占优。未来一两年是关键窗口，窗口期内打不牢地基，后面的故事就不归你讲了。

但反方的反驳同样有力。朱兴的自动驾驶类比点破了一个事实：自动驾驶做了十几年，特斯拉们靠的不只是模型，而是车队数据、验证体系和整车制造的三重积累。自变量机器人创始人兼CEO王潜把答案说得更直白：数据、验证与硬件这些基础设施，大模型公司进入物理世界时，是否同样需要补齐？

两者的分歧，本质上是对"智能的含金量"判断不同。焦虑派认为通用认知能力是万能钥匙，乐观派认为物理世界的门槛不在认知层。

这张图是本文最想强调的判断：通用认知能力被吸收、专用模型被替代、一家机器人公司的业务被整体接管，是三件跨度极大的事。把它们揉成一句"降维打击"，很容易混淆视听。大模型进入具身，带来的变化比"谁取代谁"丰富得多。

🏓 打球刷屏背后的"假大脑"

今年最出圈的机器人视频，十有八九在打球。

球高速飞来，机器人自己移动、挥拍、回球，有的能和真人连续对打几十拍甚至上百拍。画面给人的直觉是：过去只会走路、翻跟头的机器人，终于有了处理动态世界的"大脑"。

但一位不愿得罪行业的从业者（化名林知远）用三个词概括了这类Demo的本质："瞎子"、"木偶"和"假大脑"。

拆开看：场地提前测量，相机提前标定，球涂上反光物质后被高频、高精度地追踪，再交给上层程序计算球什么时候到、球拍应该去哪。本该由机器人大脑自己完成的"看见世界、判断物体运动"，被场地外一整套上百万元级的外部设备提前做掉了。

换句话说，这是用一套巨型设备在做遥操——机器人自己其实没看见什么，外部系统已经把关键信息告诉它了："球到你跟前了，打吧。"这和人打球的逻辑不是一回事：人不会先把球场做毫米级标定，而是用自己的视觉在不完全准确的信息下不断预估下一步。

公平地说，机器人并非什么都没做到。拿到位置和击球目标后，它仍要在极短时间内控制身体跨步、调整姿态、保持平衡、连续回球。这说明今天机器人的"小脑"和全身运动控制已取得明显进展。

问题在于：小脑很强，不等于大脑已经自主。

林知远是典型的自动驾驶转型者，曾任百度自动驾驶资深工程师、萝卜快跑创始成员，完整经历过约十年的工程化周期。如今他关注的是模型如何通过端侧推理、监督、校验和恢复，真正进入物理世界长期工作。他看机器人打球，不问"能连打多少拍"，而是问另一个问题：

感知、判断、执行和结果反馈，到底有多少真正发生在机器人自己的闭环里？

虚线那条，就是目前大量Demo的水分所在。沿这个问题往下追，"机器人大脑自主"至少还要跨过三道门槛。而这也是对焦虑派的一个回应：具身智能与通用大模型之间确实存在边界，只是边界会移动——今天隔开双方的难题，不会自动变成任何一家的永久资产。

🌍 世界模型开始能被测量了

焦虑之外，2026年真正值得注意的主线是世界模型从学术概念走向产业落地。

先把牌摊开：World Labs收购了机器人仿真公司SceniX，英伟达的Cosmos绑定算力主攻仿真，谷歌的Genie系列持续迭代；国内Manifold AI发布自研世界模型WorldScape登顶多个榜单，摩尔线程开源全栈仿真平台MT Lambda并完成Sim2Real真机验证。

各家都在加速，但路线分歧越来越明显：这些号称"理解世界"的模型，到底是在生成好看的画面，还是在搭建可用的空间？

World Labs九月发布的全球首个多模态世界模型Atlas，恰好提供了一个可供剖析的样本。

很多人把Atlas联想到Sora——都建立在生成式架构上，输出都以视觉画面呈现。但两者除了"生成"几乎没有共同点：Sora做的是视频生成，关心像素连贯性、运动平滑度和视觉逼真感，交付的是一个视频文件；Atlas做的事情是，给它几张照片，直接按画面重建出一个相同的3D场景，照片被锚定在三维空间的具体坐标上，模型据此还原几何结构。

它关心的是空间坐标对不对、几何结构准不准、程序能不能直接读取。最终交付的不是画面，而是点云、3D高斯泼溅这类机器可直接读取和计算的几何数据——机器人仿真器可以直接导入。

这条路线的产业意义在于：它让训练场的建设成本从专业级走向消费级——几张照片就能重建可用场景，意味着具身智能公司获取训练环境的方式被重构。世界模型由此进入一个可测量的新阶段：不再是比谁的视频更惊艳，而是比谁的几何更准、谁的仿真器跑得起来。

🧱 护城河到底在数据还是算力？

把两边的论点放在一起，分歧其实可以收敛成一个表格：

有意思的是，焦虑之外的行动已经开始了。据多位接近具身团队的人士透露，一些团队已经开始把Astra用进研发：有人用它生成仿真场景，有人尝试让它与具身模型共同控制机器人。也就是说，大模型不是（至少现在还不是）敌人，反而是生产资料。

这才是更接近真相的产业图景。大模型进入具身，未必是接管，更可能是吸收与分工：通用认知能力（语言理解、任务规划、常识推理）被大模型吸收，具身公司守住的是物理侧的闭环——真实数据采集、真机验证体系、硬件本体与运维。

但乐观派也别高兴太早。王潜的答案里藏着一个前提：数据、验证与硬件这些基础设施，你自己得先建起来。如果一家具身公司连自己的真机数据闭环都没有，那大模型进来时确实没什么可守的。

坦白讲，具身智能与通用大模型之间确实存在边界。只是这个边界是动态的——它在数据闭环强的人手里往后退，在只会做Demo的人手里往前逼。决定边界位置的，不是叙事，而是谁先把感知、判断、执行、反馈的完整闭环搬到机器人自己身上。

📌 写在最后

回到开头的问题：GPT-6下场了，具身智能慌吗？

慌是有道理的——窗口期确实存在，今天的具身智能确实还没有真正意义上的护城河。但慌的方式不该是焦虑，而应是行动：把打球Demo里的那套百万级外部设备，一步步塞进机器人自己的闭环里；用世界模型把训练场从专业级做到消费级；用真机数据而非演示视频积累资产。

狼来没来不重要，重要的是别把家里的门自己敞开。未来一两年，我们会看到的可能不是"大模型取代具身公司"，而是新一轮洗牌：有闭环的公司吸收通用智能，没有闭环的公司被通用智能吸收。