大模型杀疯了，具身智能却在换引擎

过去一周，AI圈的两条消息看似毫不相关：阿里巴巴CEO吴泳铭在2026云栖大会上把「思考力」说成大宗商品，OpenAI则把GPT-6 Sol和GPT-6 Luna的API价格直接砍掉一半。而机器人圈这边，乐享以太抛出了一个更锋利的说法——「从预测到求解」，要给中国具身智能争一个定义席。

三条线拧在一起，指向同一个判断：当「想」这件事的成本崩塌式下降，具身智能的竞争焦点，正在从「模仿人类动作」转向「替人类解题」。这个拐点，中国机器人产业等了很久。

🧠 思考力成了大宗商品，机器人是它的用电器

先把镜头拉到9月22日的杭州。2026云栖大会开幕，吴泳铭的开场主旨演讲没有堆参数，而是干了一件更「宏大叙事」的事：给AI时代重新定价。他的类比很直白——工业革命把「动力」变成了可规模化供给的商品，而当下的AI，正在把「思考」变成同一种商品。

数据层面的推演更激进：未来机器产生的思考总量，可能达到人类思考总量的1000倍以上。供给端，AI智能体可以不眠不休地完成复杂科研任务，稀缺的顶级思考不再是奢侈品；需求端，智力消耗不再受人口限制，个体可以借AI获得巨大的智力杠杆。

支撑这套逻辑的，是吴泳铭提出的机器智能时代三大基石——AI芯片、AI模型与AI云，构成完整的思考力生产、流通、消费链条，平头哥的芯片负责算力底座。

这张图对机器人产业的含义，比很多人意识到的大得多。工业革命把动力变成商品之后，真正的产业爆发不在发电厂，而在那些「消耗海量动力」的终端——工厂、铁路、流水线。同样地，思考力商品化之后，最典型的「思考力用电器」，就是机器人：一台在产线上连续作业的具身智能，每天消耗的推理量可能是普通对话用户的成百上千倍。

产业判断很清晰：当智力不再稀缺，稀缺的东西会换一批——变成场景、数据、本体制造和交付能力。这恰好是中国的主场。思考力的「发电环节」或许竞争激烈，但「用电环节」的战争，才刚刚开始。

💸 价格腰斩背后，对话正在失去壁垒

金句先行：当聪明开始论斤卖，光会聊天就不值钱了。

9月23日，OpenAI发布GPT-6 Sol和GPT-6 Luna，采用与旗舰GPT-6 Astra类似的训练方法，API价格相比GPT-5.6促销价直降50%。性能与成本的数字相当凶悍：

最扎眼的一条：AutomationBench跨应用业务流程测试里，GPT-6 Sol的表现优于Claude Opus 5，而每任务成本只有后者的9%。

pie

title Sol相对Opus5每任务成本

Sol实际成本 9

Opus5基准成本 91

几乎是同一时间，Anthropic的Claude Opus 5.5上线Hacker News，173个赞、250条评论，社区讨论火热。而在国内，据多位接近人士透露，字节跳动的豆包团队正在收缩对话方向的人力，重心明显转向智能体——对话作为独立产品的单点护城河，肉眼可见地在变薄。

📉 这场价格战对具身智能的意义，不是「便宜了点」，而是「财务模型成立了」。一台机器人每天要调用成千上万次模型推理，按原来的单价算，光「脑力费」就够雇半个真人；每任务成本降60%这种数字，换算到机器人身上，就是从「概念验证」到「排班上岗」之间的那道财务门槛。大脑的单位成本下降，是具身智能商业化的前提条件，而这个前提，正在被模型厂商以季度为单位地砸实。

🤖 从预测到求解：具身智能换了套解题姿势

再看机器人圈这边的新变量。乐享以太给出的核心叙事只有一句话，但分量不轻：「从预测到求解，重塑Physical AI解题范式」。

拆开看。当前具身智能的主流技术栈，是VLA（视觉-语言-动作）一类的「预测范式」：用大量人类演示数据训练模型，让机器人「预测」下一步该输出什么动作序列。这套范式的天花板非常明确——它吃数据，而机器人行业恰恰是全球最缺数据的行业。你上哪找十万个小时的擦玻璃专家演示？

「求解」范式则是另一个思路：把任务当作一个待解的问题，由模型进行推理、规划和搜索，生成一条满足约束的执行方案，再去行动。用官方的说法，是让机器人从「背答案」变成「解方程」。虽然细节披露有限，但这个方向值得行业认真对待——因为它恰好踩在上一节那条成本曲线上：求解范式把瓶颈从「演示数据量」转移到了「模型推理能力」，而推理成本正在暴跌。

两条路线会长期并存，不必急着判死刑。预测范式在数据充足的场景依然高效，求解范式则在长尾任务、多步骤任务上更有想象力。真正的「定义席」之争，不在于谁的发布会声量大，而在于谁能率先给出任务级的成功率和成本曲线——谁的数据漂亮，行业就用谁的范式命名这个时代。乐享以太想抢的，就是这套评价标准的制定权。

🏗️ 全栈时代：从AI手机到机器人，方案商的剧本重演

同一届云栖大会前后，千问发布了AI手机全栈解决方案——把模型、端侧能力、系统层打包交付。再叠加吴泳铭的「AI芯片+AI模型+AI云」三大基石，一个明显的信号浮出水面：头部玩家都在做全栈。

这个剧本，智能手机行业演过一遍：当芯片、模组、系统方案被打包成「交钥匙方案」，整机的集成门槛骤降，催生了一大批硬件品牌，竞争焦点从「能不能做出来」转向「卖给谁、怎么卖」。

映射到机器人产业，stack正在清晰地分层：

全栈方案的成熟，意味着中间两层（基础模型+具身模型）会逐渐变成可采购的标准件，机器人本体厂商的核心抉择变成：自研到底，还是买方案拼交付？历史经验是，大多数厂商会选后者，然后把资源砸在场景理解和交付服务上——而场景，正是中国供应链和产业密度的传统强项。

⚠️ 但也要泼一瓢冷水：demo成功率高，不等于产线上连续八小时不翻车。对机器人行业来说，可靠性工程、数据回流闭环、安全合规，这些没有发布会、只有脏活的环节，才是从「能演示」到「敢签SLA」之间的真正鸿沟。全栈方案降低了起跑门槛，但跑完全程靠的还是这些。

回到开头那三条线：思考力商品化定调了宏观逻辑，模型价格腰斩提供了财务前提，「从预测到求解」给出了技术路线的岔口。三者叠加，具身智能的竞争规则正在改写——比拼的不再是「谁的动作更像人」，而是「谁能把越来越便宜的思考力，稳定地转化为可靠动作」。

定义席从来不是发布会开的，是任务成功率和每单成本挣出来的。这个席位第一次离中国机器人产业这么近，接下来比的就是谁先把脏活干完。