數采爆單，具身大腦公司慌了。
一家成立一年半左右的具身智能資料服務公司，最近兩周接到的資料採購訂單超過了此前兩個月的量，這在整個具身行業融資環境收緊的背景下就像是一針強心劑。
“訂單不僅來自具身行業，一些曾經只詢價不下單的基模大廠也開始下單了。”這家公司的創始人告訴「定焦One」。
變化始於GPT-6 Astra的發佈，9月初，OpenAI發佈最新一代模型後，社交媒體上出現大量用Astra控制機械臂做各種任務的測試，不少具身從業者發現，通用的多模態基礎模型也具備了空間理解的能力，可以直接控制機器人執行任務，成功率甚至超過了一部分具身模型。
測試視訊越傳越廣，“通用大模型遲早會‘吃掉’具身模型”“大語言模型將吞噬具身模型、具身智能只是通用大模型的一個子集”等聲音開始在行業內流傳。宇樹科技創始人王興興甚至直言，明年GPT-7出來後，可能直接把具身智能問題打穿。但行業裡也有不同的聲音，有人認為當前的通用大模型還遠沒有到降維打擊具身智能的地步，在長程任務成功率、延遲、成本等許多環節還存在明顯的短板。
答案或許並不唯一，而Astra對行業帶來的衝擊卻是實在發生的。靈御智能CEO金戈告訴「定焦One」，Astra發佈本身對具身行業是一個振奮的消息，它首先驗證了一個新的可行性的方向，並且證明了物理世界與非物理世界的資料是相輔相成的，“在Scaling Law之下，物理資料訓練進大語言模型，同樣能提升它的非物理的能力。”
這賦予了具身物理資料新的價值，同時也對具身“大腦”公司提出了更高的要求。一位具身智能投資人告訴「定焦One」，Astra發佈後，一部分具身模型創業公司和中小公司的價值將被打上一個問號，“如果一家公司沒有1000張以上的算力卡，那麼它們很難在未來與基模大廠的競爭中生存下來。”
Astra的出現，行業不得不回答，具身智能究竟是一門獨立的生意，還是大語言模型能力樹上一個註定被覆蓋的分支？
01.大廠入局，具身被“降維”？
“門外的野蠻人來了”，一位具身從業者告訴「定焦One」，這是他身邊不少人對於GPT-6 Astra的第一反應。
在他看來，有錢、有卡、有人才儲備的AI大廠一旦把能力向具身智能領域延伸，就像門外站著一群隨時可能破門而入的野蠻人。更讓人不安的是，Astra讓不少從業者意識到，這個行業積累的Know-How，可能沒有大家以為的那麼深。
Astra帶來的核心變化，是一種跨領域的能力提升，通用大語言模型能夠處理以往主要由VLA、WAM等專用物理模型承擔的機器人操作與導航任務，並且還表現出了零樣本泛化、上下文學習的能力。
輝達研究團隊在10月中旬對Astra進行了測試，在物體的抓取與放置測試中，Astra在沒有用機器人資料做專門微調的情況下，可以直接根據視覺資訊和任務指令，控制機器人執行任務，依靠Astra模型直接輸出動作的成功率達到了66.3%，這一數值遠高於具身智能公司Physical Intelligence的專用模型π0.5。
國內的具身公司銀河通用也做了類似的測試，在選取的RoboDojo任務中，Astra直接控制機器人的成功率為26%，π0.5的成功率只有15.67%，而如果把二者結合，用Astra進行決策，用π0.5負責執行，成功率則進一步提升到48%。
機器人的“大腦”通常被分為三層，System 2負責理解場景、規劃任務和推理，System 1接受System 2的指令再結合環境反饋規劃和調整動作，最終由System 0負責底層的運控。從上述實驗結果可以看出，大語言模型的能力已經可以更好地勝任System 2和部分System 1，具身專有模型的優勢區間則被壓縮到一部分System 1和System 0。
具身智能能否落地，關鍵在於大腦，這是行業裡存在已久的共識，Astra的出現把大腦的發展處理程序加快了。王興興在不久前的宇樹合作夥伴生態大會上給出的判斷是，GPT-6的一些能力已經可以解決機器人的部分規劃問題，隨著通用大模型能力的提升，快的話一到兩年，慢的話兩到三年，物理AI可能迎來重大突破。
他代表的是行業內比較激進一方的觀點，同樣也有偏保守的一派，自變數機器人創始人兼CEO王潛認為，基礎模型通過其他領域的通用智能泛化到具身智能，這種可能性不大。通用大模型沒有辦法在機器人上以合理速度做推理、部署，還是需要一個單純的具身模型來做這件事。
站在具身智能公司的視角來看，Astra壓縮了一部分公司的發展窗口和生存空間，同時又為另一部分公司提供了新的發展路徑和思路。而站在大模型公司的角度，Astra所帶來的機遇則遠大於威脅。
野村證券近期的一項具身行業調研報告中顯示，從2025年9月到2026年8、9月期間，OpenAI採購了約1000萬小時的具身資料，約佔美國市場供應量的70%。
這些資料是Astra具身“大腦”的能力來源。除了大規模採購資料，OpenAI還計畫親自入局具身智能，今年6月，OpenAI CEO Sam Altman在社交平台發佈的一則招聘資訊，正式宣告進軍實體機器人賽道。他表示，公司正在組建名為“OpenAI Robotics”的新團隊，並公開招募全端硬體、營運、系統及機器學習工程師。
DeepSeek也在籌備具身智能相關的業務和投資，此前據媒體報導，梁文鋒密集關注具身智能領域，並與多位該領域創業者交流，探討機器人、大模型與現實世界互動等方向。DeepSeek進入具身智能的方案可能包括親自組建團隊下場研發，也可能通過投資相關企業切入。
DeepSeek此前曾參與宇樹的IPO配售，上個月，又被曝出同意領投騰訊前科學家胡瀚創立的具身模型初創公司Winverse AI的種子輪融資，金額達數千萬美元。
此外，Anthropic、Kimi等前沿通用模型公司都在醞釀入局具身智能和物理AI，並開啟相關的人員招募。具身智能已從機器人公司的專有賽道，變成所有AI公司路線圖的終點站。
02.數采“爆單”，本體大漲、模型公司受傷
面對實力雄厚的AI基模大廠的高調入局，具身智能產業鏈上各個環節的公司所面臨的處境不盡相同。
最先受益於“Astra效應”的，是產業鏈最上游的具身資料採集商。
上述具身資料服務公司創始人告訴「定焦One」，就在Astra發佈並且引發具身模型相關討論前的一段時間，很多資料公司的日子並不太好過，由於融資環境的縮小，資料採購訂單也在減少，一些模型公司拿不到投資人的錢，相應的也減少了資料採購。
“原本對外定價300元/小時的Ego Centric資料，甚至會被壓價到幾十元。”他說。
這其實並非整個行業對於資料的需求在減少，具身行業普遍的共識是，具身智能模型要達到像大語言模型中GPT-3.5那樣的能力，大概需要一億小時量級的資料，而目前行業內清洗過的有效資料量還在百萬小時等級。
資料有效率低、同質化嚴重加上數采公司之間的競爭內卷導致資料價格越來越低。但Astra的出現一定程度上改變了資料需求的結構，通用大語言模型公司看到了具身資料的價值，無論是不打算入局具身智能行業，僅僅通過物理資料的訓練來提升模型整體的智能水平，還是為日後入局具身智能行業打下資料基礎，都催生出了新的需求。
相比於數采公司，處在產業鏈中游的模型公司則需要面臨競爭環境的變化。
一位具身智能投資人告訴「定焦One」，OpenAI推出Astra對於一級市場做具身“大腦”或場景落地的公司衝擊最明顯，隨著大語言模型的物理理解能力逐漸成熟，做純通用具身大腦研發的公司價值會縮水。
此前，具身“大腦”公司能夠拿到高估值的一個核心邏輯在於，投資人認為通用和物理AI是兩個獨立平行的發展路徑，在具身模型領域也有可能出現一個新的OpenAI，但如果OpenAI本身就能具備一定的具身模型能力，那麼這種敘事將會被打破。
不過，在今天的具身智能行業中，幾乎沒有只做單一環節的公司，機器人本體公司會佈局資料採集和模型訓練相關業務，資料公司也會做模型訓練，所以Astra對於公司估值和競爭格局帶來的變化在短時間內還沒有浮現，它更多是在技術層面推進行業整體的發展。
在技術進步上受益最明顯的是下游的本體公司，尤其是那些已經具備量產和成本優勢的機器人本體公司，它們可以通過接入通用大語言模型迅速補齊“大腦”能力。
根據王興興透露，在Astra發佈後，宇樹內部嘗試用這一模型做了幾項機器人實驗。例如僅通過提示詞，讓機器人畫畫，又或者是讓機器人在零訓練的條件下下圍棋，Astra都順利地完成了任務。
在10月的最後兩周裡，宇樹的股價累計上漲超過70%，市值一度接近3000億元，這背後一個重要的原因是Astra的出現拔高了市場對於具身大模型進展的預期，當大語言模型開始嘗試解決具身大模型所需要解決的問題，主機廠的價值重新錨定在了運動控制、本體可靠性、成本控制等方面，“大腦”反而變成可隨時插拔的商品。
儘管Astra帶來的衝擊影響了產業鏈上的各個環節，但現階段說Astra將完全顛覆具身智能行業還為時尚早。
03.大模型之下，什麼樣的具身公司活得好？
零樣本泛化、空間理解、深度推理，這些顯而易見的優勢還不足以支撐Astra吞噬並取代具身模型，它的短板同樣明顯。
首先是延遲問題，在社交平台上比較火的Astra操作機械臂作業的視訊通常都是倍速播放，如果在正常速率下，通用大模型“慢”的問題就會被暴露出來。
大語言模型在控制機器人的時候經常需要停下來思考下一步應該怎麼做。在輝達的測試報告裡，Astra在RoboLab-120上直接輸出末端目標時，平均每次推理的時間達到18.56秒，Agent模式下依然需要13-18秒的思考時間。作為對比，具身專有模型π0.5大約只需要幾十毫秒。
如果機器人進入生產場景或者家庭服務場景，這種延遲和停頓的影響就會被成倍放大。
此外，大語言模型運行在雲端，這需要考慮網路的延遲和穩定性問題，不過對於這一點，行業裡存在不同的聲音。
一方觀點認為，機器人作業對於即時響應的要求很高，如果“大腦”運行在雲端，執行層在本地，就會導致機器人的運行不穩定，尤其是在做長程任務的時候，如果由於訊號波動導致一個子任務執行失敗，整個流程就可能被卡住。
但也有一方觀點認為機器人的大腦就應該運行在雲端。靈御智能金戈告訴「定焦One」，端側算力的天花板不高，以目前行業裡最領先的端側晶片Thor為例，它計算一幀畫面大概需要100多毫秒，而輝達幾年前的A100晶片計算一幀就只需要40多毫秒。
此外，如果大語言模型只負責System 2和部分System 1的決策環節，實際上並不需要特別高的即時性。
除了延遲方面的短板外，成本也是不得不納入考量的重要因素。同樣是在輝達的實驗中，一次成功的直接輸出動作平均消耗16萬個token，大約折合1.96美元；如果用Astra負責規劃、由具身模型執行動作，平均一次要消耗1100萬個token，約合17.72美元；而更進一步讓Astra根據互動歷史調整動作的策略生成一次成功動作，則需要消耗3090萬個token，約合36.40美元。
這只是一個動作的成本，如果從商用角度來看，性價比很低。
目前大語言模型在具身智能領域的應用最理想的情況是和具身模型分層“幹活”。在規劃層與語義層，任務拆解、場景理解、指令遵循，這些能力通用模型做得更好、更便宜。毫秒級運動控制、力覺觸覺反饋、本體適配，以及最關鍵的真機資料閉環的執行層則交給具身模型。
在這種新的分工體系之下，具身智能行業的價值鏈也將重新分配，自變數王潛提出過一個觀點，他認為今天智能的本體存在於資料裡，模型更多是一個蒸餾器和一個容器，在訓練時，它是一個蒸餾器，在部署時，它是一個容器。
這就意味著，高品質的具身資料，是決定未來具身大模型獨特競爭優勢的勝負手之一。除此之外，觸覺、力控、力反饋等等這些大語言模型無法通過計算和推理得來的資料將更具價值。
Astra發佈一個多月後，行業已經用行動投出了一票，資料訂單回來了，本體公司的價值重新錨定，做“大腦”的公司則不得不直面與基模大廠的同場競爭。
一些窗口正在被關上，同時又有一部分新的窗口在被打開，整個行業發展的腳步更快了。(定焦One)