机器人缺的不是大脑，是脊髓
GPT-6 Astra 演示控制机械臂后，具身智能行业首次集体感受到通用大模型的贴脸压力。清华教授丁文伯创办 Xspark AI，提出机器人触觉需要一套自己的模型——'脊髓'架构。本文拆解通用大脑与专属触觉闭环的路线之争，以及具身公司护城河的真正位置。
2026年9月，GPT-6 Astra 演示控制机械臂、抓取物体的视频刷屏，具身智能行业第一次集体感受到通用大模型的贴脸压力。几乎同一时间，清华教授丁文伯创办的Xspark AI（无界智航）给出另一个答案：造出更好的传感器，并不会自动得到一个更聪明的机器人——机器人触觉需要一套自己的模型，一套属于机器人的"脊髓"。通用大脑的战争已经开打，但胜负手，可能根本不在大脑。
🚨 Astra之后，圆桌上没人敢先动筷子
fear 不是坏事，它是行业成熟的信号。
先看一个时间线。9月9日和9月10日，接连两场大会——京东JDD全球科技探索者大会、Inclusion·外滩大会——都撞上了同一个热点：GPT-6 Astra。社交媒体上，大家纷纷尝试让它控制机械臂、抓取物体，讨论随之炸开。
“timeline 具身智能的九月
丁文伯联合创立Xspark AI
GPT-6 Astra引爆具身圈
JDD大会具身圆桌
外滩大会具身圆桌
两场圆桌的主持人、公众号"十字路口Crossing"作者 Koji 面对的是同一个问题：GPT-6 Astra 带给具身模型什么样的冲击？具身模型会保留多大的独立空间？通用模型才是未来吗？
有意思的是他的处理方式：请 Astra 根据七位嘉宾的现场发言，给每人标出一个"通用主导指数"——一条 0 到 10 的立场刻度。
| 指数 | 立场含义 |
|---|---|
| 10 | 通用模型才是未来，独立具身模型空间被大幅压缩，甚至不再需要单独存在 |
| 0 | 具身模型完全独立，物理智能需要自己的基座，不会被通用模型吞掉 |
被标出的样本里，逆矩阵科技创始人陈博远拿到 1/10——明显偏向"物理智能需要独立基座"这一端。
这个指数本身只代表立场倾向，是 Astra 对发言的解读，并非嘉宾自评。但真正值得琢磨的，是这把尺子为什么此刻会出现：行业第一次需要用统一的刻度，来丈量"被通用模型吃掉"的风险。这说明一个共识正在形成——视觉、语言这条链路，正在被通用大模型快速商品化，没人再怀疑这一点，分歧只在于会被吃掉多少。
茶歇区的气氛，用八个字概括：表面镇定，暗流汹涌。
🖐️ 一位清华教授的判断：触觉需要自己的模型
传感器是入口，不是答案。
丁文伯是个很难被一个词准确定位的人：通信博士、材料学博士后、机器触觉学者——每个标签都只解释他的一部分。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清华大学教授出来创业，最顺理成章的剧本是开一家"传感器公司"。但丁文伯偏偏没有这么定义。
他的核心判断只有一句话：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。
这个判断首先来自纯视觉的局限。过去两年，具身智能最主流的技术路径，仍然在延续大模型的 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），让机器人沿着这条路往前滚。
但这里有个容易被忽略的不对称：视觉数据可以从互联网上白捡，触觉数据只能来自接触本身。 Scaling 的燃料，在视觉那里是现成的，在触觉这里要一块一块重新攒。这意味着触觉领域的 Scaling 曲线，和语言、视觉根本不在同一个起点上。
据多位接近具身公司的人士观察，这正是 Astra 冲击之后行业分化的一条裂缝：把触觉当作 VLA 的一个输入模态，触觉就永远是被动的、附属的；而如果触觉有自己的模型和闭环，它就从"传感器"升级成了"系统"——这两条路的商业价值，差着一个量级。
Xspark AI 选的是后者。
⚡ 快与慢：机器人为什么需要脊髓
人的手碰到烫的东西，先缩手，再觉得疼——这个顺序不能反。
生物神经系统天然分两层：大脑负责慢思考，脊髓负责快反射。你不会等大脑想明白"这是个烫的杯子"才把手挪开，脊髓的反射弧在毫秒级就完成了闭环。
机器人面对的是同样的物理约束。VLA 是机器人的"大脑"，擅长任务理解与规划，但它的推理是秒级节奏；而抓取中的力控、滑移检测、柔顺操作，是毫秒级的事——等"大脑"推理完，鸡蛋早就碎了。
这就是丁文伯所说的"脊髓"要补的位置：
两条回路各司其职：
| 维度 | 大脑系统（VLA） | 脊髓系统（触觉闭环） |
|---|---|---|
| 决策节奏 | 秒级，任务级 | 毫秒级，反射级 |
| 数据来源 | 互联网视频与机器人轨迹 | 物理接触本身 |
| 通用化程度 | 高，正被通用大模型快速接管 | 低，与本体硬件强绑定 |
有同行私下聊过这个架构的一个隐忧：会不会因为分层而丢掉端到端的优雅？反例其实早就有了——自动驾驶炒作端到端炒得再热，底盘的毫秒级控制闭环从来没被"大模型化"，也没人觉得它拖累了智能化。分层不是退步，是工程成熟的标志。
对具身智能来说，"脊髓"架构补的正是物理交互的短板：大脑可以继续 Scaling，脊髓必须在真机上一点点磨。
💰 通用大脑越强，专属脊髓越值钱
护城河不在参数量，在接触的那一瞬间。
回到 Koji 那个问题：OpenAI 的 Astra 是对具身模型的降维打击吗？答案是半对半错。
对的部分：在认知层、任务理解层，通用模型的能力会被快速拉平，独立公司的空间确实在被压缩——"通用主导指数"高分的嘉宾看到了这一点。
错的部分：把具身智能等同于"给机器人装个大脑"，忽略了从传感器到执行器之间那段最难被远程接管的物理闭环。触觉数据、硬件本体、控制模型的耦合，需要真实的机器人、真实的接触、真实的时间——这三样，通用大模型都拿不到捷径。
据多位接近具身公司的人士观察，Astra 之后行业情绪不是恐慌，而是分化：一部分团队选择拥抱通用基座，在上层做应用；另一部分像Xspark AI这样，选择往下沉，在物理交互层扎根。茶歇时流传最广的一句行业情绪，大意是：大脑可以买，脊髓买不到。
由此看，"通用主导指数"的 0 端和 10 端，可能并不真的对立。指数 1/10 的陈博远和高位站位的嘉宾，或许都对——只是他们站在系统的不同层：通用模型吞掉的是慢系统，快系统因为与物理世界的强绑定，反而随着大脑越强而越稀缺。
对产业而言，这意味着具身智能的终局未必是"通用 vs 独立"的零和，而更可能是"通用大脑 × 专属脊髓"的分工协作。谁能把触觉模型和硬件闭环做成标准化的"脊髓"产品，谁就站在了分工中最不可替代的那一环。
小结
Astra 把"大脑战争"提前打响了，但机器人真正难以被大模型吞掉的部分，恰恰在那些看不见的地方——毫秒级的力控、真实的接触、与本体强绑定的反射弧。丁文伯的"脊髓"判断，本质上是在通用大模型碾压之下，为具身公司划出的一块不可商品化的阵地。接下来两年值得盯的，不是谁的基座参数更大，而是谁先把触觉闭环做成能上量的产品。大脑可以 Scaling，脊髓只能落地——这大概就是这场路线之争最好的注脚。