大模型越凶，机器人本体越值钱

10月29日，智元在上海世博中心办了第四届创新日。场内被反复追问的，是GPT-6 Astra——这款通用大模型最近被证明可以直接控制机器人完成操作任务。

市场的疑问很直接：如果基础模型足够强，具身公司自研的大脑还有没有价值？本体会不会沦为代工硬件？

彭志辉（稚晖君）的回答是，恰恰相反。他的核心判断只有一句话：不管大模型最后能不能通吃具身，智能都要落到一具可靠的身体上才能干活——而能低成本、高一致性、大规模造出这具身体的公司，并不多。

这篇文章，就来拆一拆这个反直觉判断背后的产业逻辑。需要说明的是，本文同时会呈现大模型公司一方的反驳视角——这场辩论目前没有胜负。

🧠 大模型越强，身体反而越稀缺

好逻辑是能把两种未来都算赢的逻辑。

彭志辉的推演分两条岔路，而且两条路的终点是同一个。

第一种情况：通用基模真的覆盖了具身能力。所有人都拿到同样强的智能，那比拼的是什么？是谁能以更低成本、更高一致性、更大规模，把这份智能装进真实世界。这时候，规模化本体厂商天然占优——智能同质化之后，身体就是壁垒。

第二种情况：基模做不到真正泛化，各个垂域还得训练自己的模型。那么问题来了，垂域训练的数据从哪来？答案是从部署中来。部署靠什么？靠本体。机器人干得越多、回传越多、模型越强、部署越广——飞轮的起点还是身体。

这个判断并非孤例。智元在创新日上展示的多组量产与实测数据（下文详述），本质上是把「身体的稀缺性」从口号变成了可测量的指标；而在公开报道中，头部本体厂商近两年不约而同将产能与部署量作为核心叙事，也能从侧面印证行业对「身体」的重新定价。

两条岔路通向同一个结论：可规模化的优质本体，会越来越重要，而不是越来越廉价。这是彭志辉整套论证的底层骨架。

📊 万台下线：制造业的胜利，不是物理AI的

数字会说话，但数字也需要降温。

先看智元交出的成绩单：

需要说明口径差异：前两行是第三方机构统计的当年/半年出货量，第三行是智元官方公布的2024年以来累计下线量（含2024年基数与2026年第三季度产量），三者统计口径不同，不能直接相加。此外，Omdia与Counterpoint对「出货」的定义（出厂 vs 渠道交付）也可能存在差异，跨机构对比需谨慎。

但无论用哪个口径，这都是当前人形与具身赛道里跑得最快的量产速度。有意思的是，彭志辉在群访里自己给这组数字降了温：「万台下线只是制造业的胜利，万台能够上岗才是物理AI的胜利。」

这句话值得反复咀嚼。下线是工厂语义，上岗是场景语义——前者考验的是供应链、良率和成本控制，后者考验的是可靠性、任务成功率和真实工况下的持续作业能力。两件事之间，隔着一整个具身智能的技术纵深。

把「下线」和「上岗」拆开说，是智元在创新日上的公开姿态：先把制造业这一仗打赢，再去打物理AI的那一仗。

⚡ 18秒推理 vs 1000Hz控制：智能的分层现实

神话最怕实测。

智元合伙人姚卯青在主论坛引用了英伟达发布的评测报告：GPT-6 Astra在120项仿真任务中平均成功率66.3%，能力集中在语义理解和动作规划。需要注明条件：这是仿真环境下的评测结果，尚未经过真实场景的系统性验证。听起来不错，但另一组数字更扎眼——

• 单次推理要18秒以上；
• 涉及力触反馈的高动态精细动作，智元实测成功率基本为零；
• 近万亿参数的Astra跑在云端，完成一个简单任务可能要十几分钟甚至半小时。

以上数据来自智元在创新日公开的实测演示，测试任务集与工况细节未完全公开，属于厂商单方陈述，暂无第三方复现——但量级判断（云上大模型的秒级到分钟级延迟，对比毫秒级控制需求）与公开的模型推理性能研究基本一致。

而机器人的操作是什么节奏？实时。是100到1000Hz的电机控制。一个十几分钟才反应一次的大脑，指挥不了一双需要毫秒级响应的手。

姚卯青给出的产业判断是一个分层架构：大模型承担System2的长程规划，VLA训练出的技能是被它调用的工具，再往下是100到1000Hz的实时电机控制——这几层都和本体深度耦合。

当然，这套论证有一个前提必须诚实面对：Astra的慢，来自参数规模和云端推理。彭志辉自己也列了工程解法——分层设计、模型蒸馏、缓存系统。这些手段能把响应延迟压下来一两个数量级。大模型公司如果先解决了这个问题，本体的议价权会不会被稀释？这是智元必须和时间赛跑的原因，也是下一节要说的第二个护城河存在的意义。

🔄 100台真机组网：后训练也有Scaling

大脑可以买，飞轮买不来。

本体的价值，不只体现在「把智能装进身体」，更体现在一个纯模型公司几乎无法复制的环节：后训练。

智元在实验室里把100台真机组网，和背后的训练集群实时同步——机器人边干活边回传数据，模型权重再统一下发到每一台。这是一个典型的数据飞轮：部署规模直接决定训练数据的采集速度。

效果如何？看一组对比：在智元内部实验中，同一任务集、相同训练时长下，4台真机组网与100台真机组网的训练结果对比，任务成功率从50%左右提升到98%。需要注明条件：这是智元自报的内部实验数据，任务集未公开，尚未经第三方复现，且对比的是「训练规模」而非「部署后真实工况表现」。

姚卯青对此有一句相当有分量的话：「后训练也有Scaling，规模指的就是真机台数。」

这基本改写了大模型时代的Scaling叙事——在具身智能里，Scaling Law的变量不只是算力和参数，还有在真实世界里干活的身体数量。谁的身体多，谁的数据飞轮转得快。这就是为什么「基模做不到泛化」那条岔路上，本体厂商依然占优。

「部署量」在这里不再是一句口号，而是被100台组网这个动作，变成了可测量、可复现的工程指标。

🧭 另一面：大模型公司不会坐等

只听一方陈词，得不出产业结论。

上面的论证几乎全部来自智元的场内表述。为了对等，必须补上大模型公司一方的反驳——他们的逻辑同样成立，而且每一条都直接打在智元论证的要害上：

第一，延迟问题正在快速收敛。推理优化（蒸馏、量化、缓存、端侧小模型）过去两年已把大模型的单次响应成本和延迟降低了超过一个数量级。如果这个斜率延续，「18秒 vs 1000Hz」的鸿沟会在几年内被分层架构弥合——届时本体厂商引以为傲的耦合优势，可能变成普通的工程集成问题。

第二，真机数据未必是唯一的数据来源。以NVIDIA Isaac为代表的仿真平台和世界模型，正在用合成数据替代部分真机采集。如果仿真到现实的迁移（Sim2Real）继续改善，「真机台数=数据规模」这个等式本身会被稀释——基模公司可以用算力换身体。

第三，价值链的分配未必偏向硬件。消费电子行业的历史经验是：操作系统和芯片（智能层）拿走大部分利润，组装环节（身体层）利润稀薄。大模型公司完全可以选择「苹果模式」——自己做大脑，把身体交给成熟的消费电子供应链代工，未必需要自己造本体，也未必需要给本体厂商留出高议价空间。

对这三条，智元的回应分别是：真实工况数据难以仿真（力触、柔性物体、非结构化环境仍是Sim2Real的硬骨头）；代工产能爬坡需要多年积累，不是有钱就能立即复制；以及——他们正在用自研模型对冲被「卡大脑」的风险。

哪一方对？答案可能要到2026年的上岗率数据里去找。

⚔️ 模型是必选题：不做大脑的下场

只做身体不做脑，早晚被踢下牌桌。

需要强调的是，彭志辉的「本体重要论」并不是「躺平代工论」。在创新日上，智元展示了两个方向同时下注的姿态：

• 自研的GO-3 Preview，是目前行业发布的参数量最大的具身模型，在RoboDojo等三个评测榜单登顶；
• 同时拿Astra当底座，做出了运动智能的自进化智能体。

彭志辉的原话很直接：模型是必选题。不做模型，最后就会像传统自动驾驶方案公司一样，被自研模型的主机厂取代——这个类比在行业里引发过广泛共鸣，Tier 1方案商在主机厂自研浪潮下的处境，所有人都有目共睹。

把整个竞争格局摆到一张四象限图上，位置关系会更清晰：

图上能看出智元的卡位逻辑：它既不像纯模型公司那样悬在云端，也不像代工厂那样困在象限底部，而是用「量产本体+自研大模型+真机数据飞轮」三件套，把自己钉在领跑者象限。但也要承认，这个象限图是作者基于公开信息的定性判断，云端基模厂商若率先解决延迟与Sim2Real问题，位置随时可能移动。

结语：身体是智能的最后一公里——但最后一公里有多长？

回到开头的问题：GPT-6 Astra来了，自研大脑还有没有价值？

彭志辉给出的不是情绪化的反驳，而是一套能同时覆盖两种未来的推演：基模通吃，拼的是身体的成本与可靠性；基模不泛化，拼的是身体带回来的部署数据。两条路，殊途同归。

但这场辩论远没有终结，而且双方都握有实牌。蒸馏、缓存、分层设计这些工程解法正在快速成熟，仿真合成数据在蚕食真机数据的不可替代性；另一边，智元们用产能和组网实验证明，身体的规模化本身就是一门需要时间沉淀的手艺。窗口期的长短，取决于哪一方的曲线更陡。

「万台能够上岗才是物理AI的胜利」——这句话既是智元的清醒，也是整个行业的考题。而大模型公司的反问同样锋利：如果智能可以无限复制，最后一公里究竟值多少钱？

2026年，看三件事就够了：上岗率、真机飞轮的转速，以及大模型公司的延迟曲线下降得有多快。