GPT-6踢馆具身智能，能踢动吗？

GPT-6 Astra发布不到一周，社交平台上多段它控制机械臂的视频仍在刷屏。一个绕不开的问题摆上桌面：具身智能公司投入重金训练的专用模型，会不会被通用大模型直接取代？

9月10日的外滩大会上，自变量机器人创始人王潜给出判断：通用大模型对具身智能形成“降维打击”的可能性较小。而另一边，准备上市的Agility Robotics把一台机器人的完整账本写进了上市文件。

这篇文章拆三件事：技术叙事之争、数据路线之争、商业账本之谜。

🤖 GPT-6踢馆，具身智能慌不慌

9月3日，OpenAI发布新一代模型GPT-6 Astra，官方首先强调的是电脑操作、浏览、编程和科学推理等能力——注意，没有提机器人。但随后，社交平台出现多段Astra控制机械臂的视频。通用模型能够根据视觉信息完成部分机器人控制任务，很快引出那个更敏感的问题：专用具身模型，还有存在价值吗？

这不是凭空出现的跨界。事实上，这场“踢馆”早有伏笔。据王潜在2026 Inclusion·外滩大会主论坛上的公开发言，当前版本的通用大模型已经训练了大量机器人数据。从2025年初开始，OpenAI和Anthropic便在采购机器人数据、招募相关人才，并通过小规模数据工厂开展采集。

也就是说，Astra能控机械臂，并不是什么灵光乍现的涌现，而是机器人数据进入训练后的自然结果。

产业逻辑上，这触及具身智能行业过去两年最重要的一项技术叙事：大量创业公司相信，物理世界需要独立的基础模型。倘若通用大模型只需接入硬件、补充少量数据，就能跨过这道门槛，专用具身模型的价值将被重新估量——重估的不只是估值，还有过去两年烧掉的真金白银。

这种焦虑并非空穴来风。Astra视频刷屏后，几家头部创业公司均公开表示，内部第一时间做了动作复现评估。在部分公开采访中，从业者的态度可以概括为一句话：“焦虑是真实的，但结论没那么悲观。”

💬 王潜的判断：会动不等于会干活

会动，不等于会干活——这七个字可能是今年具身智能行业最重要的一句话。

9月10日，2026 Inclusion·外滩大会主论坛上，王潜没有回避GPT-6 Astra展现出的能力。但他把讨论拉回到一个更基础的问题：模型里的能力究竟从哪里来？通用智能又能否在不同领域之间自然迁移？

他的逻辑链条其实不复杂。基础模型原本就具备较强的视觉和语言能力，加入机器人数据后能够控制机械臂，并不意外。但“控制机械臂完成一个展示视频”与“在真实产线上稳定干活”之间，隔着数据分布、任务泛化、失败恢复等一整道门槛。演示视频是单次采样，工业交付是概率承诺。

这正是具身智能专用模型的护城河所在：它们赌的不是“让机器人动起来”，而是“让机器人在物理世界的长尾场景里持续可靠地干活”。这个能力，不是靠接一段视觉信息就能凭空迁移过来的。

当然，王潜的判断也需要被放进利益格局里看——他自己是专用具身模型路线的坚定押注者。但反过来说，OpenAI们的动作至少证明了一件事：物理世界的操作数据，已经被头部大模型公司认定为下一阶段竞赛的战略资源。具身智能公司手里的数据工厂，既是资产，也是被巨头盯上的粮仓。

🌍 世界模型元年，数据吵翻了

今年被业内定义为“世界模型”元年，但元年往往也是吵得最凶的一年。

在2026 Inclusion·外滩大会上，无论是主论坛、圆桌论坛《物理智能——分歧与抉择》，还是《世界模型是AI走向物理世界的新大陆吗》见解论坛，都围绕世界模型展开了探讨。香港大学计算与数据科学学院副院长罗平的表态颇具代表性：世界模型或许不是通往物理智能唯一的门票，但它绝对是目前人类赋予机器空间想象力、常识推演与行动预测最具希望的核心基建。

但争议无处不在。瞬适科技创始人石野在圆桌论坛上提醒，2018年讲世界模型时更多是从强化学习角度描述，之后3D重建、3D生成也叫世界模型，近期又从视频生成开始新范式——每隔几年推陈出新，当前的定义和技术范式还未收敛。

吵得最凶的是数据。破壳机器人创始人、清华交叉信息研究院助理教授许华哲在同一场圆桌上给行业泼了盆冷水：当前对数据量本身存在高估，“一百万小时、几百万小时并不天然意味着更好的模型”，数据规模之外，质量、分布和训练方式可能更加重要。

而苏度科技联合创始人韩铮的态度代表另一派：光靠真实数据收集效率慢、质量受限，仿真是绕不过去的；但真实世界的数据也非常有用，不是纯粹靠仿真就能解决。

目前尚无权威机构对行业数据路线分布做过系统统计，各家公司的押注比例也无从验证，因此这里不做比例化的呈现。但可以确认的是：产业逻辑上，这组争论的底层是同一个问题——物理世界没有现成的互联网级语料，具身智能必须自己“制造”训练数据。怎么造、造多少、仿真占多大比例，直接决定了每家公司的成本结构和技术天花板。

💰 Agility拆开账本：一台机器人40万美元

技术叙事吵到天上，最后都要落回一张成本表。

近日，美国人形机器人公司Agility Robotics在一份上市文件中，拆开了下一代人形机器人产品Digit的成本：机器人本体约20万美元，一次性部署约2万美元，此后软件和维护每年约3.6万美元。按照五年使用期计算，一台机器人的总成本约为40万美元。

Agility还给出了一个更吸引人的答案：按照公司的规划模型，客户大约1.1年可以收回前期资本投入。支撑这个答案的，是一张写进模型的未来考勤表——Digit每周工作约120小时，连续使用五年，最终提供约31000个小时的工作时间。

这笔账能被看见，背景是Agility走到了上市门口。今年6月，Agility宣布与特殊目的收购公司合并，交易给予公司25亿美元的交易前股权估值，合并后计划以"AGLT"为代码上市。按照当时披露的数据，Digit已在9个客户设施相关的部署中累计运行超过65000小时，Digit v5还获得了超过3亿美元的多年订单。

对一家准备接受公开市场审视的机器人公司来说，机器能否移动料箱已经不是唯一的问题。投资者还需要知道：它如何定价，又能为客户创造多少经济价值。从这个角度看，上市这个动作本身，正在倒逼人形机器人行业第一次认真做算术题。

⚠️ 考勤表有了，工资表还没有

人形机器人正在留下越来越详细的考勤记录，但工资表还差最后几栏。

过去几个月，考勤数据密集出炉：Figure在宝马工厂公布了1250多个运行小时；星动纪元的机器人把物流处理效率从约100件提高到1200件每小时；智元和优必选也开始公布机器人连续作业和累计工时。

但问题在于：价格、有效工时、人工介入和实际节省，这四项仍然没有在同一个真实项目里同时出现。换言之，机器人有了考勤表，还没有工资表。

而且争议不止于终端账本。最近业内关于“数采工厂与机器人公司营收可持续性”、“数据采集关联交易”的讨论也在升温——上游数据采集团队与下游本体公司之间的收入结构是否健康，同样是被审视的对象。外滩大会的圆桌上，极佳视界联合创始人朱政说得很直白：展望5年，对世界模型最大的担心就是商业化闭环能不能走通，创业公司和大厂在商业化和技术前沿模型投入之间，能不能形成正向循环，能不能找到像AI视频和AI Coding这样的场景。

这才是行业真正的分水岭：演示视频决定融资叙事，真实项目里的经济账决定商业终局。Agility的1.1年回本是基于“规划模型”——考勤表是历史，工资表是承诺，两者之间隔着一个完整的、可审计的真实交付项目。

🔚 结语：第一张工资表，比任何视频都重要

回到开头的问题：GPT-6 Astra能踢动具身智能的门槛吗？王潜的答案是不会降维打击——因为“会动”与“会干活”之间的数据与工程鸿沟，不是接入硬件就能填平的。世界模型定义未收敛、数据路线吵翻天的背后，其实是同一个行业现实：技术路线可以争论，但商业账本无法粉饰。

但Astra们进场，至少把两件事变成了共识：操作数据是战略资源，商业账本是生死命题。前者决定了巨头与创业公司之间是分工还是吞并，后者决定了这场竞赛里谁能活到发工资的那一天。

2026年，是世界模型元年、大模型踢馆之年，也是人形机器人上市之年。接下来最值得盯的，不是又一段机械臂视频，而是第一张能在同一个真实项目里同时写全价格、工时、人工介入和实际节省的工资表。谁先拿出来，谁就先上桌。