2004年的《機械公敵》裡，機器人桑尼已經很像一個真正的“人”。它不只是聽從命令。它會觀察周圍的環境，會理解人的意圖，也會在面對複雜情況時判斷、思考，甚至做出自己的選擇。
電影並沒有花太多篇幅解釋桑尼是怎麼學會這一切的。一個足夠靈活的身體，一顆能夠理解世界的大腦，似乎天然就應該同時存在。但現實裡的機器人，會動和會幹活並不劃等號。
過去幾年，人形機器人先把“身體”練了出來。從蹣跚走路到跑步、跳躍、空翻，再到跳舞、打拳，運動控制能力以肉眼可見的速度進步。機器人能做出的動作越來越複雜，身體也越來越接近電影裡的想像，而“大腦”的進化卻遠比想像的複雜。
GPT-6 Astra發佈後，一個有意思的實驗很快發生在機器人身上。銀河通用團隊很快把GPT-6 Astra放進機器人測試中，並嘗試將它與π0.5這樣的機器人基礎模型結合。結果並不是一個簡單的“更強”：GPT-6 Astra在語義理解、空間推理等任務上表現突出，但進入需要複雜接觸、力度控制和雙手協同的物理任務後，依然存在不少無法解決的case。測試中，經過專項訓練的端到端模型在部分接觸類任務上仍然更有優勢。
這也揭示了具身智能真正困難的地方。機器人需要解決的，不只是如何理解世界，也包括如何在世界中自主行動，而且二者並不是簡單拼接，而是在感知、決策、執行和反饋中不斷耦合。一個足夠聰明的圖文大模型，再加上一個機器人動作模型，並不天然等於一個足夠聰明的機器人。
但GPT-6 Astra帶來的另一個訊號或許更加重要：當美國頭部通用AI公司開始把能力、資本和資料基礎設施進一步投向物理世界，具身智能的競爭正在加速。OpenAI目前已經在擴充機器人團隊，並明確建設規模化機器人資料採集體系。
對於中國具身智能公司而言，問題因此變得更加具體：除了模型和本體，如何盡快建立屬於物理世界的資料壁壘？銀河通用正在尋找自己的答案。
機器人獲得能力的方式正在改變
把過去幾年的人形機器人發展拆開來看，會發現行業很長一段時間都在解決一個問題：怎麼把身體練出來。站穩、走路、跑步、上下樓梯、空翻……這些能力背後，是電機、關節、機械結構和運動控制演算法的共同進步。今天再看一台機器人完成一套複雜動作，人們已經沒有幾年前那麼驚訝了。
但“做出一個動作”和“擁有一種能力”，並不是一回事。一台機器人可以把一段舞蹈跳得非常流暢，卻不意味著換一首歌也能馬上跟著跳；可以在訓練好的場地裡搬箱子，也不意味著換一個貨架、換一種包裝，就依然知道該怎麼抓。
原因在於，過去機器人學習一項技能，很像一個需要反覆備考的學生。動作捕捉、遙操作、模仿學習、專項訓練……工程師先把任務拆出來，再採集對應的資料，訓練模型，最後把能力部署到機器人上。一個任務學會了，再去學下一個。
這套方法當然有效。問題是，真實世界不會按照訓練集出題。桌子有高有低，商品形狀各不相同，人會突然從機器人面前經過，貨物可能被放錯位置，機器人伸手時物體也可能發生滑動。實驗室裡能夠窮舉的問題，到了開放環境裡幾乎沒有窮舉的可能。
銀河通用給出的技術路徑，並不是簡單地把“大模型”接到機器人身上，而是圍繞“大腦—腦橋—小腦”建構一套完整的具身智能系統——銀河星腦AstraBrain。
其中，AstraBrain WAM是機器人的通用“大腦”，負責感知和理解物理世界、推演環境變化，並據此進行任務決策與行動規劃。與主要負責理解和預測世界狀態的傳統世界模型不同，WAM（世界動作模型）進一步將“動作”納入模型本身。它不僅要回答“這個世界接下來會發生什麼”，還要進一步回答“機器人應該如何行動，以及採取什麼動作能夠讓世界朝目標狀態變化”。
因此，語言、視覺、視訊、機器人動作等不同模態、不同來源的資料，都可以被納入同一個模型體系，讓模型同時學習對物理世界的理解、預測與行動能力。換句話說，機器人不再只是擁有一個“看懂世界”的模型，而是開始擁有一個能夠理解世界、預測世界，並在世界中採取行動的通用大腦。
但對於機器人而言，有了“大腦”仍然不夠。真正進入物理世界後，它還必須擁有足夠強的身體能力，才能把高層的認知和決策變成真實、連續、穩定的運動。銀河通用因此進一步在“小腦”側探索通用的全身運動能力，通過大規模人類動作資料訓練AstraBrain-WBC，使機器人學習的重點從“記住一個個動作”，轉向學習更底層、更通用的運動規律。這樣，當面對訓練資料中沒有直接出現過的新動作時，機器人也有機會根據新的運動要求生成相應的全身動作，而不是依賴工程師為每一個動作單獨程式設計。
這意味著，具身智能正在發生的變化，已經不只是“機器人會不會做更多事情”，而是機器人的能力生成方式正在改變：過去需要人類提前把任務、動作乃至執行路徑逐一教給機器人；而新的技術範式正在嘗試讓機器人自己理解世界、預測變化、形成行動方案，並利用已有的身體能力去完成此前沒有被逐項教授過的任務。
一顆“大腦”，開始進入不同的身體
然而，只讓一台機器人變得更聰明，價值仍然有限。現實世界需要的機器人，並不會只有一種形態。
藥房貨架之間的通道有限，機器人需要穩定、高頻地取放藥盒；零售門店需要長時間移動和操作；進入工廠後，負載、可靠性又變成更重要的指標；到了運動、科研或者特種場景，雙足機器人的全身運動能力才會被進一步放大。
如果每進入一個新場景，就重新設計一種機器人、重新訓練一套模型，具身智能很難真正形成規模化能力。基於此，銀河通用選擇了“一腦多能”的技術路徑。目前，銀河星仔、G1和S1分別對應雙足、輪式、多載等不同機器人形態，但背後連接的是同一套銀河星腦。
不同業務對運動方式、負載能力和作業空間有不同要求，因此需要不同的本體構型；但機器人的感知、理解、規劃和操作能力，則可以由同一套具身智能模型提供。目標不是讓不同機器人做完全相同的事情，而是讓一種本體上已經驗證的能力，有機會遷移到其他本體上，從而降低每換一個身體就重新開發一套智能的成本。
因此，銀河通用的多本體並不是簡單的產品分工，而是在探索同一套智能如何適配不同的“身體”。G1可以進入藥房、零售和家庭等場景，S1可以承擔工業和多載作業，銀河星仔則具備更強的動態運動能力；它們的身體各不相同，但背後的智能底座保持一致。更進一步，在一次跨本體演示中，銀河星仔通過自然語言發出任務指令，讓零售場景中的G1完成飲料取送。機器人可以因為業務需求擁有不同的身體，但不需要因此重新擁有一套完全不同的“大腦”。
這讓“一腦多能”不再只是一個架構概念。在製造業，它們進入寧德時代、博世西門子、豐田、上汽、北汽等企業，承擔上下料、分揀、物料搬運、線纜連接、打螺絲等任務；在文旅消費領域，則已經進入全國約50座城市，落地近200個銀河太空艙，並在近百個智慧藥房實現全自主服務，累計連續營運時間超過兩年。
這些數字的重要性，不只是證明機器人“賣出去了”。對具身智能而言，部署本身也是訓練的一部分。實驗室可以設計一百種抓取方式，真實藥房卻可能出現第一百零一種：藥盒被擠歪了、包裝反光了、位置發生變化了，甚至上一個顧客剛剛碰過貨架。機器人每進入一個真實場景，都會遇到訓練階段沒有覆蓋的問題。這些問題恰恰構成了新的資料。
8月底舉辦的世界機器人運動會，則把這種能力放到了一個更集中、更複雜的環境裡。在家庭、餐飲、商超三個賽項中，銀河通用選擇了全自主模式，由銀河星腦完成自主決策和執行，最終取得三個賽項冠軍，其中商超賽項包攬金銀銅牌。
比賽和商業場景當然不是一回事。但它們在考驗機器人時有一個共同點：任務不再只是“把提前練好的動作表演出來”。機器人需要看見環境、理解任務、決定下一步做什麼，再讓身體把這個決定執行出來。真正開始發生變化的，是機器人面對陌生問題的方式。
“工作經驗”如何變成下一台機器人的能力？
當機器人真正開始規模化工作，另一個更現實的問題就會浮出水面：一台機器人今天在真實世界裡踩過的坑，明天能不能讓另一台機器人不再踩一遍？這背後指向的，是具身智能的資料閉環。
語言模型可以從網際網路獲得海量文字和圖像，但物理世界並不存在一個現成的“機器人網際網路”。機器人真正需要的資料，往往產生於行動本身：看到了什麼、手臂如何運動、什麼時候發生接觸、用了多大的力、任務在那一步失敗，以及如何調整才能繼續完成。
這些資料記錄的不是世界“長什麼樣”，而是機器人如何與世界發生互動。銀河通用正在通過AstraData積累這樣的“工作經驗”。目前，其已經沉澱超過50萬小時真機回流資料和超過100萬小時人類動作資料。前者來自機器人在真實環境中的運行與互動，後者則提供更廣泛的人類動作先驗。兩類資料共同進入模型訓練，推動AstraBrain持續迭代，並進一步應用到新的機器人和場景中。
於是，一條閉環開始形成：真實場景 → 資料回流 → 篩選與標註 → 模型訓練 → 驗證更新 → 再部署。其中真正有價值的，往往不是重複一千次的成功，而是模型此前沒有見過的問題。一個被擠歪的藥盒、一次抓取失敗、一場突然發生的人機互動，都可能暴露模型能力的邊界。經過篩選和訓練，這些長尾問題又可能成為下一版模型的新能力。
但機器人的“經驗共享”，也沒有想像中簡單。視覺特徵、任務語義、空間關係、操作策略等高層資訊，相對容易在不同機器人之間復用；越接近執行層，資料越與具體本體繫結。不同機器人的關節結構、自由度、負載和末端執行器不同，同樣是“拿起箱子”，最終對應的動作軌跡和力控方式可能完全不同。
因此，“一腦多能”的難點並不是簡單把同一個模型裝進不同身體，而是讓可以共享的經驗跨越本體，同時讓不同身體找到自己的執行方式。資料飛輪的另一面，則是成本。真機資料首先意味著機器人要真正進入場景，之後還有記憶體、篩選、清洗、標註和訓練成本。規模越大，另一些問題也越突出：工廠資料可能涉及商業機密，家庭資料涉及隱私，客戶是否願意讓資料離開現場，不同場景的資料如何脫敏、合規使用，模型更新之後又如何保證安全。
具身智能的資料競爭並不只是“誰的資料多”，而是誰能以可承受的成本，持續獲得高品質資料，並安全地轉化成模型能力。這也是GPT-6 Astra值得中國具身智能行業關注的另一層原因。
當擁有算力、資本和基礎模型優勢的玩家開始補機器人資料，具身智能的競爭也就從單純的模型競爭，進一步變成了資料基礎設施的競爭。這也是AstraData的意義所在。超過50萬小時真機資料和超過100萬小時人類動作資料，如果能夠持續進入“部署—資料—模型—再部署”的循環，它們就不再是一份靜態資料資產，而是在不斷轉化為新的機器人能力。
結語
22年前，《機械公敵》直接給了桑尼一個近乎完整的答案：它能夠理解世界，也能夠在世界中行動。現實中的機器人沒有這樣的捷徑。
從人類動作資料，到機器人真正進入藥房、商店和工廠；從一次失敗的抓取，到資料回流、模型更新，再到下一台機器人不再犯同樣的錯誤，具身智能真正需要建立的，是一條連接物理世界與模型的通路。
GPT-6 Astra的出現，讓這場競爭突然有了更強的緊迫感。通用AI公司正在向物理世界延伸，中國具身智能公司也已經進入規模部署和資料回流階段。接下來的差距，可能不只來自某一次模型升級，而取決於誰能更快建立起“部署—資料—模型—再部署”的循環。
機器人真正稀缺的，或許從來不是一次漂亮的演示。而是它在真實世界裡幹過的每一份“工作”，最終都能成為下一次行動的經驗。 (虎嗅APP)