Podcast Interview · 逐期深读

陈哲谈 Astra 与具身智能:通用模型进入机器人后,谁还掌握真实工作流

本期背景与内容导览

陈哲与程曼祺从 Astra 输出机器人末端执行器位姿谈起,讨论通用模型为何开始越过传统 VLA 的边界。这里的位姿是机械臂末端在三维空间中的目标位置与姿态,后续仍需逆运动学、控制与真实硬件执行,不等于模型单独完成机器人任务。对话把 Astra 的用法拆成三层:直接作为策略模型、监督或纠正专用模型、参与仿真和数据生成的研究流程。每层对延迟、空间理解、反馈与真实验证的要求不同,不能用第一层演示证明第三层“物理 RSI”已经实现。随后节目讨论物理 AI 公司还能靠什么留下:硬件与触觉、可调用接口、垂直工艺和真实工作流数据,而不是泛泛的“机器人大脑”。World Labs 收购、宇树 IPO、ICL 和监管事件作为不同产业信号出现,嘉宾据此讨论估值和分工。本文保留其对通用模型的警觉与乐观,同时把市场判断、公司自述与本文对可靠性要求的分析分开。

晚点聊 LateTalk · #184 · 2026-10-15 · 1:46:24

原对话:沿提问、回答和转折完整展开

下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。

00:00:04–00:28:56连续对话 1

00:00:04–00:04:51开篇:2026年Q3具身智能领域的五大关键事件

  • 本期节目将讨论2026年Q3具身智能领域的哪些重要进展和事件?
  • 为什么选择这五件事,它们的重要性体现在哪里?

主持人程曼祺以嘉宾陈哲在IROS 2026会议晚宴上听到的一个调查开场:在场的机器人研究者对GPT-6 Astra的影响分裂成不同派别,有的认为通用模型将解决一切(“降临派”),有的则认为物理世界的许多问题通用模型永远无法解决。陈哲认为,Astra最令人震撼的影响在于其作为“机器人研究员”的潜力,即AI可以利用工具(如Blender)自己搭建仿真环境、生成资产、调试并修改运动策略,最终实现“AI训练AI”。

随后,主持人程曼祺正式介绍本期节目是2026年Q3的“具身季报”,并引出核心议题:9月发布的GPT-6 Astra不仅能像传统大模型一样做任务理解与拆解,还能直接输出机器人末端执行器的位姿,侵入了原本属于VLA等专用物理AI模型的工作范畴,引发了“通用模型是否会吞噬机器人(Robotics)”的讨论。同时,OpenAI、Anthropic、Kimi等通用模型公司也正纷纷准备进入机器人领域。

在主持人邀请下,嘉宾陈哲列举并解释了他眼中本季度最重要的五大事件:

1. GPT-6 Astra发布:展示了通用智能进入物理世界的强大能力与潜力,是本季度最大的变化。

2. World Labs被AMD收购:李飞飞创办的世界模型公司以82亿美元被收购,为“Neo Lab”这一概念提供了首次高额定价,也为其他模型公司的未来发展路径提供了参考。

3. 宇树科技IPO:作为国内备受关注的机器人公司,其上市过程及结果重构了行业对硬件价值的评估。

4. 上下文学习(In-context learning)能力的进步:以Generalist的GEN-1.5和Scale AI的S1模型为代表,它们强大的上下文学习能力引发了行业新一轮的研究热潮。

5. 美国FCC新政策:7月底宣布对部分境外生产的先进机器人实施新的授权限制,可能影响中美硬件研发与供应链格局。

策略模型 (Policy Model)在机器人领域,指一个接收任务指令和环境感知信息(如摄像头图像)作为输入,并输出具体执行动作(如电机扭矩、关节角度或末端位姿)的AI模型。本段中提到的VLA、WAM、Astra(在第一种用法下)都属于策略模型。
位姿 (Pose)指物体在三维空间中的位置(Position)和姿态(Orientation)的统称。在本对话中,特指机器人末端执行器(如夹爪)在空间中需要达到的目标位置和朝向。Astra可以直接输出这个高层级的目标,而不是底层的电机控制信号。
VLA (Vision-Language-Action)一种多模态具身AI模型,能理解视觉和语言输入,并直接输出一系列机器人动作指令。在本对话中,它被视为一种专门为物理世界操作训练的、可以输出连续电机控制信号的策略模型,与Astra这类通用模型形成对比。
IROS (International Conference on Intelligent Robots and Systems)智能机器人与系统国际会议,是机器人研究领域的重要顶级学术会议。嘉宾在此会议期间观察到了学界对Astra的不同反应。

话题推进:在列举完五大事件后,主持人将话题聚焦于冲击最大的第一件事:GPT-6 Astra对机器人领域的影响。

00:04:51–00:12:29Astra冲击:通用模型如何跨越虚实边界,进入机器人策略层

  • 为什么GPT-6 Astra的发布会给物理世界带来如此大的变化?这个变化为什么发生在现在?
  • 将大语言模型用于物理世界,把Robotics当作AGI子问题的思路,大概是什么时候出现的?
  • 为什么说Astra做的比传统分层架构更多?它具体多做了哪一部分工作?

主持人程曼祺首先提问,为何以往大模型更新主要影响编程、浏览器操作等虚拟世界任务,而这次Astra却能进入物理世界。嘉宾陈哲解释,传统观念认为语言模型缺乏空间和物理理解能力,因此需要专门的物理AI模型。但Astra的发布打破了这一认知,展示了通用模型也能拥有出色的空间推理和执行能力。他总结,以OpenAI为代表的前沿实验室,其研究范式正在转变为“先解决AGI,再将物理AI作为其子问题来解决”。

追溯这一思路的源头,陈哲认为起点是2025年初Google发布的Gemini Robotics。当时Google同时发布了通用的VLA模型和一个专攻空间推理的Robotics ER模型,后者就预示了通用模型在复杂空间理解上的潜力。更直接的先导是2026年7月Anthropic发表的研究《Claude Plays Robotics》,该研究展示了用其大模型Opus通过调用机器人接口的方式,实现了以往需要专用具身模型才能完成的任务。这表明,语言模型进入物理世界,最初是从“工具调用”(Tool Use)的角度切入的。

主持人进一步追问,传统机器人系统里也存在“大语言模型做上层规划、具身模型做底层执行”的分层架构,这次Astra带来的变化究竟在哪里。陈哲澄清,关键区别在于Astra“多做了一层”。过去,大语言模型只负责任务理解和拆解(例如,理解“拿杯子”的意图),而将意图转化为具体动作序列(如关节扭矩)则由VLA等运动模型完成。但Astra不仅做任务拆解,还能直接输出机器人末端执行器(如夹爪)要到达的目标“位姿”(位置和姿态)。这个“位姿”信息,再通过一个逆动力学模块转换成底层的电机控制信号。而“引导末端执行器到达特定位姿”这一步,此前被认为是VLA等具身模型的核心工作,也是最困难、最需要物理世界数据训练的部分。Astra相当于接管了这部分工作。

社区之所以能迅速验证Astra的能力,正是因为Anthropic七月的论文已经提供了一条开源的、将大模型输出转换为机器人动作的管线。当Astra发布后,研究者们只用了一两天时间就将其接入该管线进行复现,结果发现其任务成功率和准确率远超Claude。

话题推进:在解释了Astra的技术突破点后,话题转向了这一突破在机器人从业者社群中引发的真实反应和争论。

00:12:29–00:17:30从业者的认知断层:“降临派” vs “拯救派”

  • 你这次去欧美见的机器人研究者,他们是什么时候感受到这个趋势的?
  • 在IROS这样的机器人顶会上,Astra的冲击是一个热门话题吗?
  • 认为“Robotics is over”的专家大概占多大比例?
  • 像Generalist、Sunday这些知名的Robotics创业公司,他们属于哪一派?
  • 如果相信大语言模型能做更多,这对创业公司来说整体是坏消息吗?

主持人询问一线从业者对Astra冲击的真实感受。陈哲分享了他在欧美交流的观察:不同背景的人反应差异巨大。关注通用模型进展的人感到非常兴奋,而许多长期沉浸在传统机器人学领域的学者,则感受不明显。

他以2026年9月底在匹兹堡参加的机器人顶会IROS为例。尽管物理AI领域已天翻地覆,但会议上讨论的很多仍是传统机器人学问题,如控制、触觉、力学分析等。Astra的冲击在会上是一个充满争议的话题。在一个晚宴上,CMU助理教授石冠亚发起的现场调查显示,研究者们的观点主要分为三派:

1. 降临派:认为语言模型将解决一切,“Robotics is over”。这部分人约占三分之一。

2. 分层派/工具派:认为通用模型和物理模型是分层问题,各占生态位,应将大模型作为研究机器人的工具。这是最主流务实的观点。

3. 拯救派/怀疑派:认为通用模型永远无法解决物理世界特有的精细问题。

陈哲补充,至今仍有人因大模型速度慢、算力要求高而否定其在需要实时响应的机器人领域的应用,但他认为从历史看,算力和速度瓶颈终将被优化和摩尔定律所克服,以此为论据的观点长期来看可能会失望。

接着,主持人问及知名机器人创业公司的立场。陈哲从另一个角度分析:Astra的出现动摇了这些公司的估值逻辑。此前,像Generalist这类公司能在没有营收的情况下获得百亿美金级别的高估值,其核心叙事是“物理AI(Physical AI)是比数字AI(Digital AI)更大或同等重要的事”。但Astra的表现在某种程度上暗示,“通用模型”可能是更根本的存在,而“物理AI”只是其一个子集。如果这个假设成立,那么独立物理AI公司的价值体系和估值逻辑将面临重构。

不过,陈哲也指出,这不完全是坏消息。通用模型的进步也可能大大加速物理AI时代的到来,从而将整个市场的蛋糕做大,对某些创业公司而言或许是新的机遇。

话题推进:在讨论了Astra对行业叙事和估值逻辑的宏观影响后,对话深入到Astra在具体实验中的三种不同用法和表现。

00:17:30–00:28:56Astra的三种用法:从策略模型到“物理RSI”

  • Astra发布后,社区做了哪些具体的实验?有什么好玩的研究和发现吗?
  • RoboDojo是什么?大家是怎么用它来测试的?
  • 第二种用法(作为监督者)肯定更慢,对吗?
  • 第三种用法(Physical RSI)有具体的机构在做研究和测试吗?
  • Astra在哪些任务上擅长,哪些不擅长?
  • GPT-6在空间智能上的能力来自哪里?是特殊数据还是训练方法?

主持人希望了解Astra在具体实验中的表现。陈哲将Astra在机器人领域的应用分为三层,其对产业的意义也各不相同:

1. 直接充当策略模型:这是最直接的用法,即让Astra直接输出末端执行器的位姿,再通过逆动力学模块生成关节动作。社区在RoboDojo等开源测试集上验证了这种方法,发现Astra在某些任务上的成功率甚至超过了一些专门的具身模型。

2. 充当监督者或纠偏者:在这种混合控制方法中,底层的运动执行仍由VLA等专用模型负责,但Astra作为一个更智能的“大脑”,负责监督和校正VLA的输出。陈哲引用一个案例:在10个RoboDojo任务中,Astra直接控制的成功率是26%,而用Astra去监督一个名为π 0.5的具身模型,成功率能显著提升到48%。这表明Astra可以修正专用模型生成的不合理或不易成功的动作。

3. 充当“物理研究员”(Physical RSI):这是陈哲认为最“mind-blowing”且最具颠覆性的用法。利用其强大的工具调用能力,Astra可以自主完成机器人策略的建模、训练和优化全流程。例如,它可以调用Blender搭建仿真环境,生成3D资产,与MuJoCo等物理引擎交互调试,将在仿真中学到的策略部署回真实硬件。这个概念被称为“Physical RSI”(物理世界的递归自我改进),即AI自己训练AI。陈哲认为这已成为最新的融资概念,并预测Q4会有更多相关进展。

随后,主持人追问Astra能力的来源和边界。陈哲指出,Astra擅长需要空间推理和泛化能力的任务(如识别颜色或位姿变化了的物体),这得益于其巨大的模型体量和训练方法。而它不擅长需要高物理精度和力反馈的精细操作(如插拔一个很紧的接口),因为VLA等专用模型通常针对这类任务有大量遥操作数据进行专门训练,而这些数据在通用模型的训练集中相对稀缺。

关于Astra空间能力的来源,陈哲透露,他听闻OpenAI在5月份就雇佣了大量Blender艺术家,制作了海量的3D建模轨迹和标注数据。这不仅增强了Astra在Blender中的生成能力,也极大地提升了其空间理解能力。他总结,Astra强大的空间理解、复杂任务推理和代码(接口调用)能力,都是通用大模型长期发展的自然结果。对于志在AGI的OpenAI来说,学习包括3D、视频、机器人控制在内的所有模态数据,是其必然路径。

话题推进:在深入探讨了Astra的技术细节和能力边界后,话题将转向另一个Q3的重要事件:AMD对World Labs的收购。

00:28:56–00:57:54连续对话 2

00:28:56–00:39:28Astra能力来源:数据、推理与接口调用

  • 除了(Blender生成的)数据之外,还有什么别的数据吗?比如是否用了具身的一些数据,像egocentric(第一视角)的数据?
  • 如果通用模型用泛视频数据就能获得好的空间理解能力,这对专门做具身数据的公司是利空;如果还是需要专门的具身数据,就是利好。你怎么看?
  • 你的意思是,数据供给公司只在这几年有生意,等通用模型学得差不多了就不需要了?
  • GPT-6 Astra对各种机器人抽象接口的调用能力更好了,这是怎么实现的?
  • 接下来可能会带来什么变化?比如国内的一些公司会怎么变?

在讨论完Astra的三种用法后,主持人程曼祺追问其强大能力从何而来,特别是数据来源。嘉宾陈哲表示,虽然没有明确信息,但所有迹象都指向OpenAI在预训练中使用了专门的具身数据(如第一视角数据)。他从“scaling law”(规模法则)的角度分析,认为OpenAI没有理由不使用这类数据。程曼祺也从供应链消息侧面证实,OpenAI确实采购了大量此类数据。

陈哲进一步指出,这正体现了通用AI公司相较于具身智能公司的巨大优势:算力规模。他估计,顶尖具身模型公司使用的GPU数量在千卡级别,而头部通用模型公司则在十万乃至百万卡级别,存在两到三个数量级的差距。因此,专门做具身数据的公司,其最大的潜在客户其实是通用AI公司。

程曼祺由此引申出对数据公司的影响。陈哲认为,所有数据生意都是阶段性的。数据服务公司的业务会随着模型能力的提升而演进,总是需要提供AI当前还无法解决的问题所对应的数据。一旦模型学会了,就需要更复杂或更高精度的新数据。他以Scale AI为例,其业务从自动驾驶数据标注演进到语言模型数据,印证了这一规律。

接着,对话深入拆解Astra在机器人任务上表现出色的三个核心能力来源:

1. 空间理解能力:源于在预训练中加入了特定数据,如合成数据和第一视角(egocentric)的物理世界交互数据。

2. 逻辑推理能力:这是大语言模型的固有优势。陈哲对比指出,专门的机器人策略模型如VLA(视觉-语言-动作模型)或WAM(世界动作模型),为了优化动作生成,更像一个“直觉模型”,能直接将图像映射为动作序列,但缺乏深层推理和逻辑拆解能力。

3. 对机器人抽象接口的调用能力:这本质上是模型强大的代码能力的一种体现。陈哲解释,大模型能理解并执行各种仿真器(如MuJoCo、Isaac Gym)的软件接口,就像调用浏览器或Excel一样。它将物理世界的机器人也视为一个有明确输入输出和逻辑关系的程序来控制。更有趣的是,近期实验表明,大模型已能通过编程(program)仿真器、观察结果、再调整真实机器人策略的方式进行学习。

程曼祺观察到一个有趣的“技术路线摇摆”:从VLA(包含语言)到WAM(一度被认为“去语言化”,以视频生成为核心),再到如今Astra(作为大语言模型)的惊艳表现,似乎又回到了语言的重要性上。陈哲(在转录中被错标为程曼祺)澄清,VLA中的语言角色其实很弱,主要用于场景描述和提示(prompting),并非关键的推理环节,因此VLA更像一种高级的行为克隆(behavior cloning)。而WAM虽然基于包含丰富物理规律的通用视频数据训练,泛化性更强,但其核心的扩散模型(diffusion model)本质上是生成器而非理解器,缺乏逻辑推理能力。

陈哲将这种现象类比为生物进化:低级动物神经元少,只能完成本能动作;而高级动物随着脑容量增加,才涌现出复杂推理能力。他认为,主流VLA/WAM的参数量在几十亿(billion)级别,而主流语言模型已达数万亿(trillion)级别,这种“初级动物”与“高级动物”的体量差异,使得Astra的强大表现符合scaling law的预期,并不奇怪。这一进展打破了“物理AI模型公司能做出比数字AI更大模型”的假设,证明了通用智能是解决物理世界问题的一条可能路径。

最后,谈及Astra冲击带来的行业变化,程曼祺提到国内的Kimi、智谱等通用模型公司都传闻将进入机器人领域。陈哲判断,这是一个非常明显的趋势。因为物理智能是通用智能的子集,所有致力于AGI的公司都有意愿和能力去解决物理AI问题。即使对资源相对有限的中国公司,投入物理空间理解所需的数据和算力,也能在其他应用方向上受益,这是通用智能问题的整体性决定的。Astra最大的启发,就是要真正理解和尊重scaling law。

Egocentric Data指第一人称视角的数据。在具身智能领域,通常指由佩戴在人身上的摄像头(如头戴设备)记录下的视频,捕捉了人与环境和物体进行交互的全过程。这类数据对于训练模型理解物理世界、学习人类操作行为至关重要。
Scaling Law (规模法则)指在深度学习领域,随着模型参数量、训练数据量和计算资源投入的增加,模型性能会以可预测的方式持续提升的规律。这是支撑大型基础模型(如GPT系列)不断变强的核心理论之一。
VLA (Vision-Language-Action Model)视觉-语言-动作模型。一种机器人策略模型,输入是来自摄像头的视觉图像和人类下达的语言指令,输出是机器人执行任务所需的一系列动作指令。在本段对话中,嘉宾认为其语言模块作用较弱,更像一个“视觉-动作”的直觉反应模型。
WAM (World Action Model)世界动作模型。一种机器人策略模型,与VLA的主要区别在于其骨干网络(backbone)通常是视频生成模型而非语言模型。它通过学习大量通用视频数据来理解物理规律,从而生成动作。本段对话中,嘉宾认为其本质是生成器,缺乏逻辑推理能力。

话题推进:在确认通用模型公司将全面进入机器人领域后,主持人自然地转向问题的另一面:那些原本就专注于物理AI的创业公司,它们的“自留地”在哪里?

00:39:28–00:45:17物理AI公司的自留地:接口、闭环与垂直场景

  • 本身在做物理AI的公司要找到自己不能替代的点,这如果展开来说可能是什么?
  • 这不就是现在AI创业公司苦恼的问题吗?
  • 你说的(物理AI公司的自留地)有可能是什么公司?是做关键零部件的,还是在具体行业场景有积累的?
  • 你觉得(垂直场景的物理AI公司)能到(百亿美金)这么大吗?通用物理AI的公司确实没什么空间了。
  • 你其实还是比较倾向于大语言模型会吃掉更多(空间),本身做物理AI的公司空间会受挤压?

主持人程曼祺提问,在通用大模型冲击下,原有的物理AI公司应如何找到自己不可替代的价值。嘉宾陈哲认为,它们的生存空间被挤压是注定的,这与数字世界中AI应用创业公司面临的困境类似。

陈哲给出的第一个建议是,具身创业公司应停止在VLA与WAM等技术路线上的争论,因为在“超级智能”面前,这些模型架构的优化差异已变得微不足道(insignificant)。更重要的是重新思考边界:哪些能力可以由通用模型提供,哪些必须自己构建。基于此,他提出了物理AI公司的“自留地”所在:

1. 做好接口:未来,通用模型将作为调度器,调用物理世界的各种能力。物理AI公司应将自身能力封装成易于调用的工具,做好接口是第一步。

2. 守住数据闭环:找到通用模型无法触及的独特价值。这可能包括:

* 硬件相关的独特数据:如触觉、力学信息。

* 垂直场景的工艺know-how:特定应用中的工艺约束、对硬件可靠性的要求、失败任务的恢复策略等。

* 持续积累的场景数据:与特定任务相关的统计数据和失败案例数据。

程曼祺将这些可能性归纳为两类公司:一是做关键零部件(如灵巧手、触觉传感器)的硬件公司;二是在特定行业场景(如工业、物流)有深厚积累和数据壁垒的公司。陈哲表示赞同,尤其是在To B领域,行业know-how、沉淀甚至合规壁垒(如法律、医疗)都能构成护城河。他类比数字AI领域的Harvey(法律)、OpenEvidence(医疗)等百亿美金估值的垂直AI公司,认为物理世界也存在类似的机会。

为了进一步阐释物理AI公司的定位,陈哲用智能汽车产业作类比。该产业可分为三层:上游主机厂、中间的Tier 1(一级供应商)和智驾方案公司、下游核心零部件(芯片、雷达等)公司。他观察到,中间的算法供应商正面临两端挤压,要么向下游做芯片,要么向上游深度绑定主机厂(如华为智驾),纯粹停留在中间层很难生存。他预言,具身智能领域的“大脑”公司也会面临类似局面:向上,其模型规模远不及通用大脑;向下,其商业化受限于硬件的定价权和规模效应。因此,如何在中间找到价值闭环,是这些公司必须思考的核心问题。

程曼祺总结陈哲的立场为:倾向于认为通用模型会挤压纯物理AI公司的发展空间。陈哲对此做了补充和修正:他承认从“比例”上看空间会被挤压,但从“体量”上看,通用模型的进展实际上加速了物理AI的落地。因为当前通用机器人的硬件已基本就绪,真正的瓶颈在于智能(“真的问题”)。通用模型的介入,正是在帮助解决这“最后一公里”的难题,从而让整个领域更快地发展,并催生出大体量的公司。

最后,陈哲分享了一位前自动驾驶技术骨干、现具身领域创业者的观察:自动驾驶领域过去十几年积累的、用于测试各种疑难场景(corner case)的基准(benchmark),在Astra面前“都灰飞烟灭”。这些对人类司机都构成挑战的认知问题,Astra能轻易解决。陈哲反问,既然自动驾驶领域发生了这样的“降维打击”,为什么在具身智能领域就不会发生呢?

话题推进:在讨论物理AI公司的出路时,除了寻找自留地,被大公司收购也是一种可能。这自然地引出了本季度的第二个重要事件:World Labs被AMD收购。

00:45:17–00:54:04World Labs被收购:明星世界模型公司的定价与出路

  • 你觉得这个消息(World Labs被AMD收购)突然吗?
  • World Labs的世界模型和我们之前讨论的世界动作模型不是一回事,你可以讲讲它和具身、物理AI的关系大概是怎样?
  • 他们为什么选择这个时间点被收购?双方可能的诉求是什么?
  • 这笔82亿美元的交易对其他世界模型公司有多大参考意义?
  • 世界模型公司接下来是否会越来越难以长期独立存在?这个交易是标志性信号还是个例?

主持人程曼祺将话题转向Q3的第二大事件:AMD拟以82亿美元收购由李飞飞创办的World Labs。嘉宾陈哲认为此事之所以重要,是因为World Labs是一家典型的“Neo Lab”(新生代前沿实验室)和世界模型公司,它的被收购为这类明星创业团队提供了一种结局范本。

陈哲认为这一收购并不突然。在美国,技术公司被科技巨头收购是常见路径,尤其在当前巨头激烈博弈的背景下,收购顶尖团队具有重要的战略价值。他甚至推测,很多此类公司在创立之初就可能将“被收购”作为规划路径之一。

为了厘清World Labs的定位,程曼祺请陈哲解释其与“世界动作模型”(WAM)的区别。陈哲说明,World Labs的使命是做“全模态的空间智能模型”。其核心产品Atlas模型,擅长的是基于多模态输入进行空间重建和新视角生成,可以创造一个可交互的3D乃至4D空间。它的定位更像一个高级的场景生成模型(类似Sora、Kling,但生成的是3D空间),而非具备推理能力的思考模型。其主要应用场景是为游戏或机器人训练生成高保真仿真环境。World Labs在同年收购了由李飞飞前学生创办的SceniX公司,后者专注于机器人仿真验证和真机测试。两者的结合,旨在打通“真实-思考-真实”(real-to-sim-to-real)的闭环,让生成的虚拟环境能更好地服务于机器人策略的训练和验证。这一定位使其成为VLA或WAM等策略模型的上游基础设施服务商,而非竞争对手。

关于收购的动机,陈哲推测:

* World Labs方面:作为一家需要消耗大量算力资源的前沿研究实验室,在商业模式尚不明确的情况下,并入能提供充足算力的AMD是一个理想选择,可以使其持续探索研究边界。

* AMD方面:尽管AMD是芯片巨头,但在AI领域的声望和布局远不如英伟达(后者拥有知名的研究实验室)。通过收购World Labs,AMD可以快速建立一个顶级的物理AI研究团队,获得与头部公司对话的战略地位,因此这笔交易对AMD而言非常划算。程曼祺补充,该交易计划以全股票方式进行,对AMD的现金流压力更小。

谈及这笔82亿美元交易的参考意义,陈哲认为,这个价格并非反映World Labs当前的直接业务贡献,而是体现了一家万亿市值公司愿意为获取战略优势付出的代价。程曼祺联想到行业内关于Anthropic可能收购Physical Intelligence的传闻,认为World Labs的交易为此类潜在并购提供了一个价格锚点。陈哲进一步指出,这笔交易可能在提醒所有“Neo Lab”:中短期内,最好的出路或许是尽快被大厂收购,因为其价值可能难以长期独立实现,且大厂的收购窗口和需求也是有限的。

对于这类公司在国内外不同的发展前景,陈哲认为需要分开讨论。在美国,深厚的资本市场和活跃的并购环境,使得创业公司敢于在笃信的技术方向上进行长期、大额的投入,形成了一个“大投入-高估值-被收购”的良性循环。但在中国,由于缺乏类似的并购退出渠道(大厂更倾向于自己做或直接挖人),且创业公司本身估值偏高,导致被收购的可能性很低。因此,中国的世界模型公司可能会更早地追求商业化落地和业务闭环,以实现独立生存。

话题推进:在讨论完海外公司的退出路径后,主持人将话题转回国内,聚焦于近期完成IPO的宇树科技,探讨其上市后的表现及对行业的影响。

00:54:05–00:57:54认知断层与宇树IPO:神迹、泡沫与长期价值

  • 你这次去美国和欧洲参加IROS,还有什么有意思的交流和观察?
  • 你这次见了Frontier Lab(指OpenAI)的人,他们的想法和别人有什么不一样?
  • 哪些人算是见到神迹的?
  • 你觉得相信大语言模型能力的这些人,他们可能有什么盲区吗?
  • 宇树上市当天开盘冲到4400多亿,你当时是什么判断?

在进入下一个议程前,主持人程曼祺邀请嘉宾陈哲分享近期在海外交流的观察。陈哲提出了一个核心观点:行业内存在巨大的认知断层,他将其描述为“见过神迹的人和没见过神迹的人,思维完全不一样”。

程曼祺追问“神迹”具体指什么,以及OpenAI(在对话中被称为Frontier Lab)内部人士的看法。陈哲解释,OpenAI内部从上到下都有一个强大共识:他们正在解决的是“通用智能”这个根本问题,而机器人等其他问题都只是其子问题。这种信念来自于他们内部所见的、尚未公开的强大模型能力,即“神迹”。

为了说明这种认知差异,陈哲举了2024年自动驾驶领域的例子。当时特斯拉发布V12端到端模型,展现了scaling law的威力。但由于国内很多公司无法复现其效果,一度出现了“特斯拉在放烟雾弹”的论调,认为其成果是骗人的。直到后来大家自己也做出来了,才改变看法。他总结,只有亲手解决了某个层级的问题,才会对它有完全不同的认知。

关于“见证神迹者”的盲区,陈哲提到,一位OpenAI的朋友曾谦逊地提醒他,不要被自己的观点误导。因为他们的推论是建立在普通创业公司无法企及的巨大数据和算力基础之上的,这条路径对绝大多数公司并不成立,难以复制。程曼祺对比道,这与国内车企学习特斯拉还不一样,因为车企间的资源体量差距,远小于创业公司与OpenAI在通用智能领域的资源差距。

随后,对话正式进入第三个话题:宇树的IPO及其连锁反应。宇树上市后股价剧烈波动,开盘一度冲高至4400多亿人民币市值,后回落至1700多亿。陈哲回顾,他在上季度曾预测宇树的合理估值在1100亿左右,他认为无论是发行时的600多亿,还是1100亿,都是可以从其业务基本面和行业地位推导出的合理范围。对于上市首日冲高的现象,他感觉“没什么感觉”,认为这主要是由短期炒作资金驱动,并不能反映公司的长期价值。他更关注的是解禁期(科创板为上市一年后,即明年8月)过后,长期机构投资者对公司价值的判断。

程曼祺追问,股价暴涨是否是坏事。陈哲表示,这其中有太多短期个人或机构资本的推波助澜,作为长期风险投资者,他并不过于关注这种短期波动。

话题推进:讨论完宇树上市后的股价波动,下一段将继续深入分析Astra发布后,对宇树这类硬件公司的估值逻辑产生了怎样的影响,以及整个具身智能赛道IPO前景的变化。

00:57:54–01:27:23连续对话 3

00:57:54–01:11:33宇树IPO后的连锁反应与具身公司的生存逻辑

  • Astra发布后,你对宇树这家公司的判断有变化吗?
  • 宇树2026上半年财报里有什么值得注意的指标和信息?
  • 宇树发展大脑(模型)的动力还迫切吗?
  • 宇树之前被视为行业估值的锚点,经历股价暴跌后,这个锚点现在在哪?
  • 宇树上市后的股价表现,对其他排队上市的具身公司有什么影响?
  • 在当前技术环境下,如何判断一家具身智能公司是否获得了实在、可持续的收入?

主持人程曼祺首先询问嘉宾陈哲,在GPT-6 Astra发布后,他对宇树科技的判断是否改变。陈哲表示,他的判断反而增强了。他认为,Astra展现的通用智能的加速进步,进一步凸显了像宇树这样拥有坚实硬件本体的公司的价值。他将宇树类比为英伟达:OpenAI越强大,对英伟达芯片的需求就越大。同理,通用模型越发展,对宇树这种硬件平台的需求也会被放大,宇树通过开源项目构建生态,让开发者在其硬件上复现学术成果,其生态价值会受益于整个行业的发展。

接着,程曼祺追问宇树2026上半年财报的要点。陈哲指出,其收入同比增长约50%(主持人补充为48%),人形机器人出货占比大幅增加,体现了公司主营业务的成功转型和市场领先地位。同时,销售费用有明显上升,这与2026年春晚的大额营销投入有关。

对于宇树自身发展模型的必要性,陈哲认为依然很有价值。他提到宇树9月发布了一款6B参数的VAV模型,用于桌面和全身移动操作。他认为,宇树作为硬件原厂,其核心价值在于打通从硬件本体到开源具身模型的完整工具链,降低用户在宇树硬件上部署和应用的门槛与成本。他评价宇树在很多方向上表现克制,其创始人王兴兴的公开判断也从不激进,这可能也体现在他们对自研“大脑”的态度上——只需跟上第一梯队,不必追求绝对领先。

谈及宇树上市后股价从高点下跌60%,程曼祺询问其作为行业“估值锚”的现状。陈哲认为,对于宇树这类行业领导者,用传统的市销率等方法很难精确定价,关键在于其在产业链中的稀缺性、领导地位和未来增长潜力。

这一连锁反应影响了整个行业。程曼祺提到,宇树上市后的表现导致监管收紧了对其他具身智能公司的上市审批,重点考察其收入可持续性、技术突破和上市必要性。这引发了关于行业“金钱游戏”的讨论,即一些公司为了上市而催熟收入。陈哲回顾,这种资本过热导致的乱象在2020-2021年的专用机器人领域也曾出现,当时头部公司为抢占市场份额而大举烧钱补贴。

主持人进而提问,在当前技术早期阶段,如何判断具身公司的收入是否“实在”。陈哲指出这本身是一个悖论:行业处于极早期,要求健康营收本就不合理;但公司一旦进入上市流程,又必须面对二级市场的财务审视。这种错位导致了两种危险倾向:一是财务造假;二是为了迎合收入要求,去做一些“反行业发展规律”的短期业务。他以大语言模型的发展类比:如果要求早期的GPT-1、GPT-2就创造大量收入,OpenAI可能就会陷入做各种短期定制项目(如智能客服)的歧途,从而错过通往ChatGPT的正确道路。同样,如果具身公司为了短期收入,用传统自动化方法解决客户问题,并包装成“具身智能落地”,这与探索通用智能的长期目标是背道而驰的。陈哲强调,Astra的成功信号是,如果相信Scaling Law,就不应过分关注短期的、线性的收入问题。

最后,陈哲总结,具身公司真正的“实在收入”应该来自与通用智能和Scaling Law正相关的业务,例如服务于通用模型公司。这包括提供高质量的专有数据、高性能的硬件本体(如人形机器人、灵巧手),或是开发更高效的数据采集与训练方式。这些业务能享受到通用智能发展的红利,而不是与之直接竞争或背道而驰。他预测,国内的通用大模型公司在未来一个季度内都会进入机器人领域,这意味着它们将与只在开源模型上做应用的具身公司形成直接竞争。由于大模型公司在数据处理、算力、工具链和预训练能力上拥有显著优势,它们将更具竞争力。

VAV模型此处指宇树科技自研的一款视觉-动作-价值(Vision-Action-Value)模型,参数量为6B,主要用于桌面操作和全身移动操作。它是一种具身智能模型,输入视觉信息,输出机器人的动作指令。
上下文学习 (In-Context Learning, ICL)在具身智能领域,指一种让预训练好的模型学习新任务的方法。其输入通常是一段或几段演示视频(第一或第三视角),有时也包含语言指令。模型在不改变自身网络参数(即非“后训练”)的情况下,仅通过理解这些在“上下文”中给出的示例,就能直接执行新任务。其输出是完成该任务所需的动作序列。这种方法能极大降低新任务的部署成本和时间。
分布外任务 (Out-of-distribution tasks)指模型在预训练阶段的数据集中从未见过或极少见到的任务类型。ICL的一个重要能力就是,通过单次或少数几次演示,就能让模型在一定程度上完成这类全新的任务。
长序列技能组合 (Long-horizon skill composition)指一个需要按特定顺序组合多个基础动作(原子技能)才能完成的复杂任务。例如,“打包一个包裹”可能包含“找到物品”、“拿起物品”、“放入盒子”、“封上胶带”等一系列原子技能。ICL能够通过一个长视频演示,教会模型如何执行这类多步骤任务。

话题推进:对话从对具身公司商业模式和生存逻辑的宏观讨论,转向一个能加速商业化落地的具体技术进展。

01:11:34–01:27:23上下文学习(ICL)如何加速落地,以及经验为何成为Google的包袱

  • GEN-1.5和S1展现的ICL能力是什么意思?它和few-shot的区别是什么?
  • ICL能举一反三吗?比如看了打包杯子的视频,能包别的东西吗?
  • ICL在机器人领域的应用发展脉络是怎样的?为什么现在效果变好了?
  • GEN-1.5和S1这两个模型在ICL实现上有什么具体区别?
  • 这个季度还有哪些值得关注的模型进展?
  • 如果Google很早就看到了趋势,为什么给行业带来震撼的首先是OpenAI?
  • Frontier Labs做Robotics的人一般是什么背景?
  • 除了Google,另一家引领浪潮的公司Optimus(特斯拉)最近有什么进展?

主持人程曼祺引入了第四个话题:上下文学习(In-Context Learning, ICL)。她首先解释ICL源于大语言模型领域,即通过少量样本(prompt)让模型学会新任务,而无需改变模型参数。陈哲补充,在具身智能领域,ICL的典型应用是给训练好的模型展示一段演示视频(第一或第三视角),模型就能快速理解并学习如何执行一个新任务。

ICL与传统的“后训练”(post-training)或微调(fine-tune)形成对比。后者需要用遥操作的真实轨迹数据对模型进行数小时甚至数天的再训练来调整参数,而ICL可能只需一段几秒到几分钟的视频,就能让模型掌握任务,极大地降低了部署成本和时间。陈哲指出,本季度Generalist的GEN-1.5和Scale AI的S1两个模型系统性地展示了ICL的潜力,并带来了两个意外发现:1. 模型能通过一次演示学会训练数据分布之外(out-of-distribution)的新任务;2. ICL适合教授由多个原子技能组合而成的长序列复杂任务,例如打包、搬运等。

关于ICL为何现在才显现效果,陈哲类比语言模型的发展:ICL能力的涌现,如同GPT-3涌现出prompt能力一样,根源在于大规模预训练。模型本身已在预训练中学到了大量基础技能,ICL只是通过演示“激发”或“组合”这些能力。Scale AI的研究还提到,他们在训练时专门针对“演示学习”进行了优化,使其模型能更高效地从one-shot或few-shot演示中学习。

程曼祺追问GEN-1.5和S1在ICL实现上的区别。陈哲解释:

1. Generalist (GEN-1.5):演示轨迹较短(3-10秒),接受包含关节信息的第一视角(机器人视角)原始轨迹数据。

2. Scale AI (S1):更强调长时程(long-horizon)的第三视角视频输入,报告中给出了一个10分钟的视频示例,重点展示了模型学习组合多种原子技能的能力。这可能与Scale AI更关注全身运控的公司基因有关。

接着,对话讨论了本季度其他重要的模型进展。陈哲提到了DYNA 2.1,认为其价值不在于模型本身的突破,而在于完整展示了从规划、执行到反馈的整个工作流和工程实践。对于DYNA 2号称使用了超100万小时的Ego-style数据,陈哲转述了行业内的一些反馈,认为其Scaling Law体现得不明显,即数据量大幅增加但性能提升有限,可能遇到了瓶颈。

这引出了一个核心观点:模型架构(如VLA vs WAM)可能不如数据质量和处理方法关键。陈哲引用了另一位创业者的观点,即具身公司和OpenAI在处理物理世界数据时做的工作类似,因此具身公司没有劣势。但陈哲对此结论表示不认同,他认为,头部大模型公司在数据处理经验、算力、工具(它们内部使用的模型比公开的更强)上都遥遥领先,许多具身公司甚至在调用GPT和Astra来帮助自己处理数据。

主持人进而提问,既然Google在VLA等方向上研究领先,为何最终是OpenAI的Astra带来了行业震撼?陈哲提出了一个“暴论”:越了解机器人、经验越丰富的团队,反而越可能成为创新的阻碍。他以自己在Google的经历为例,指出Google拥有研究机器人十几年、最顶尖的人才,他们对物理世界的复杂性和不确定性有深刻的“敬畏”,这种敬畏感会让他们对颠覆性的新方法(如完全依赖通用模型)产生本能的抵触。这就像当年最懂NLP的专家最不相信LLM一样。Google作为VLA模型的发明者,其深厚的历史经验和路径投入反而成了“历史包袱”。相比之下,OpenAI的机器人团队非常年轻(很多是95后甚至00后),没有那么多经验束缚,敢于在新范式下进行探索。

话题推进:讨论完技术进展和行业格局后,话题将转向一个影响中国机器人产业的宏观政策事件。

01:27:23–01:46:23连续对话 4

01:27:23–01:36:50FCC新规:限制外国制造机器人进口,旨在重塑美国本土供应链

  • FCC的禁令具体是什么情况?它为什么有这个管辖权限?禁止范围是哪些产品?
  • 像扫地机器人、割草机器人、游泳池机器人算吗?
  • 美国公司如果在国内生产,进口也会出问题,是吗?
  • 本来是哪些公司支持这个限制?
  • 为什么这次FCC的禁令不只针对中国了?它的核心目的是什么?
  • 现在出现这个禁令之后,海外的从业者如果想用中国的硬件来做研发,要怎么办?
  • 如果我把一些零部件拆开,单独运到美国,在美国组装,这算本土制造吗?
  • 你觉得对宇树,还有对中国的一些关键零部件的这种公司的长期影响会是什么?
  • 如果一个中国公司去美国建厂,是可以符合它的规定的,对吧?
  • 这个禁令或其代表的趋势,可能让中美两边的具身智能的发展节奏有什么变化?

在讨论完谷歌的组织惯性后,主持人程曼祺将话题转向了本季度的另一大事件:美国联邦通信委员会(FCC)发布的新规。

嘉宾陈哲解释,FCC负责对在美国市场销售的、具备无线通信、联网传感或远程控制等能力的电子产品进行合规认证。此次新规将“境外生产的先进机器人”纳入了其设备认证的管辖范围,涵盖了人形机器人、四足机器人等。主持人追问扫地机器人等消费级产品是否在内,陈哲确认,根据公开说明,重量超过2公斤、具备移动、感知、联网和控制能力的机器人都受影响,因此部分割草机和扫地机器人也被波及。这导致政策覆盖范围过广,甚至一些最初支持该禁令的美国本土公司也提出了申诉。

主持人确认,该禁令是按“产地”而非“品牌”来限制的。陈哲进一步说明,产地的计算标准涉及核心零部件的原产国占比,目前设定的门槛约为65%。这意味着,即使是iRobot这样的美国品牌,如果其核心零部件有超过65%在中国或其他国家生产,其产品也会受到限制。最初支持该政策的公司包括波士顿动力、Figure以及本土扫地机器人公司Mantis等。但政策出台后,他们发现过于严格。例如,波士顿动力虽是美国公司,但被现代汽车收购后,其大量生产制造环节放在韩国,也属于“外国生产”,因此他们也在尝试沟通豁免条款。

对于政策为何不只针对中国,陈哲认为其根本目的是为了增强美国制造业、促使制造业回流。虽然政策名义上针对所有外国,但实际上许多“盟友国家”正在申请豁免。波士顿动力也在申诉,希望将在韩国等“友好国家”的产能按一定比例折算为美国本土生产的比例。

关于对研发的影响,陈哲指出,短期影响有限。该禁令主要针对新认证的设备,在2026年7月底前已获认证的现有产品型号,只要没有重大的软硬件修改,仍可继续销售。以宇树为例,其当前所有主流型号(如G1、R1、H2)都已获得FCC认证,可以继续在美国销售。但未来的新型号会面临准入问题,这也是宇树在招股书中披露的风险。陈哲补充,短期内美国本土市场也难以找到能完全替代中国供应商的方案。

主持人设想将中国生产的零部件运到美国组装是否可行,陈哲否定了这种做法,因为政策是根据每个关键零部件的原产地来计算比例,简单地在美组装无法改变“中国生产”的属性。对于中国机器人及零部件公司的长期影响,陈哲引用宇树招股书的观点,认为这些公司会开始思考在美国建立本地产能。但这不仅要求在美建厂,还要求使用美国本土生产的核心零部件,可能需要带动供应链出海,这与当年中国汽车产业出海的情况类似,是一个需要长期布局的战略目标。

最后,陈哲认为,这类政策如同关税博弈,可能是动态和短期的。中国在制造业供应链上积累了数十年的优势,很难被短期限制性政策改变。考虑到行业发展速度之快,很难预测五年后的格局。

FCC (美国联邦通信委员会)美国联邦通信委员会(Federal Communications Commission)是一个独立的美国政府机构,负责监管州际和国际间的广播、电视、有线、卫星和电缆等所有形式的电信。在本期节目中,它指代一个通过设备认证来管理特定电子产品市场准入的机构。其新规将特定规格的境外生产机器人纳入管辖,要求产品必须获得其授权才能在美国市场销售。
产地限制指FCC新规中依据产品及其核心零部件的生产制造地点来决定其是否可以进入美国市场的规则。在本期节目中,该规则规定,如果一个机器人产品的核心零部件按价值计算,有超过65%是在特定外国(如中国)生产的,那么该产品将被禁止在美国销售,无论其品牌归属是哪国公司。
Physical RSIPhysical Recursive Self-Improvement(物理世界的递归自我改进)。在本期节目中,它指代一种利用通用大模型来加速机器人研发的方法论。具体输入是任务目标和物理环境信息,输出是更优的机器人策略、仿真环境或训练数据。其核心机制是让AI模型自身参与到机器人研发的全流程中,例如:用模型生成和搭建仿真环境与素材,用模型监督和修正机器人策略模型的训练,然后将改进后的策略部署回真实硬件,形成一个自我迭代和改进的闭环。
Agentic系统指一种利用智能体(Agent)来协同工作、完成复杂任务的系统架构。在本期节目中,它特指在机器人领域,将复杂的、需要长期规划的任务,分解成一系列更小的、机器人能够执行的“原子能力”(如抓取、移动、放置),然后通过一个或多个Agent(通常由大模型驱动)进行逻辑编排和调度,以实现最终目标。输入是高层指令,输出是底层动作序列的组合。

话题推进:在讨论完FCC禁令的长期影响后,主持人将话题转向对下一季度的展望。

01:36:50–01:42:13Q4展望:Physical RSI、通用模型公司入场与行业范式转变

  • 下个季度大概率会发生一些什么事情?
  • 具体来说(进入具身领域的中国通用模型公司)其实就是智谱、DeepSeek、Kimi这些公司,然后还有一些巨头,对吧?
  • 这是第二件事,还有吗?
  • 有什么你期待看到的变化吗?
  • 你感觉你想说的就是它的反面是什么?反面可能就是有一些这个领域的人确实一听到一个跨领域的新进展,会有一些本能的抵触吗?
  • 此刻有什么悬而未决、还没有答案但你觉得比较重要的问题吗?

主持人程曼祺邀请嘉宾陈哲展望2026年第四季度的行业发展。

陈哲预测了三个主要趋势:

1. Physical RSI将成为重点:他认为这是通用模型在机器人领域的一种重要应用方向。除了之前讨论的用Astra监督和迭代策略模型,通用模型还将被用于搭建仿真环境、生成仿真素材、编排原子能力(Agentic系统)等一系列工作。他预计Q4会出现大量围绕通用模型能力的尝试。

2. 中国通用模型公司将全面进入机器人领域:主持人列举了智谱、DeepSeek、Kimi等模型公司,以及字节、腾讯等已有机器人团队的科技巨头。陈哲认为,这些公司原有的机器人团队(如字节Scene团队、腾讯Robotics X Lab)可能会经历组织重塑。他观察到,这些团队过去更多采用传统机器人学方法,而在Astra带来的冲击下,行业正在经历一场“方法论的重塑”,需要以生成式AI为指引重新思考机器人问题。

3. 上下文学习(ICL)将有更多应用:陈哲认为ICL之所以重要,是因为它能显著降低部署成本,迎合了中国市场对“落地”的强烈诉求。同时,ICL也更容易产生直观的演示效果,他预期会有更多公司围绕这个方向展开工作。

当被问及期待看到什么变化时,陈哲希望行业能更系统地研究通用模型如何提升机器人能力的上限。他认为Astra只是初步的探索,背后还有更多惊喜等待发掘。主持人追问这是否意味着行业内存在对跨领域新进展的本能抵触,陈哲表示认同,并用一个类比来说明这种范式冲击:

他回忆道,大约四五年前,许多资深机器人学者和创业者还对将深度强化学习(DRL)用于机器人控制持否定和不理解的态度,理由是他们十年前就尝试过但效果不佳。然而,正是随着DRL技术在2022-2023年的成熟,如今的人形机器人和机器狗才获得了出色的运动控制表现,彻底改变了依赖传统手写规则或模型预测控制(MPC)的效果。他认为,今天人们对通用模型改变物理世界的潜力所持的怀疑和低估,与当年对DRL的反应非常相似。

最后,关于悬而未决的重要问题,陈哲提出:“如果通用智能持续加强,机器人产业里的稀缺性和利润最终会涌向哪里?”他不确定最终是通用智能公司,还是产业链上的其他环节会攫取大部分利润,这个问题尚无答案。

主持人总结了本期讨论,再次强调了GPT-6 Astra带来的主线变化——通用模型跨界进入物理AI领域,引发了关于行业分工和价值分配的重思考。节目最后,主持人预告了后续的听众互动环节。

话题推进:主持人对本期节目内容进行总结,并进入了节目尾声的固定环节。

01:42:17–01:46:23连点成线:虚拟与物理AI的融合,大脑与身体的分工

在节目的最后部分,主持人程曼祺分享了她对本季趋势的两个总结,将分散的讨论“连点成线”。

第一个总结是“虚拟世界的AI和物理世界的AI正在明显融合”。她回顾了2026年以来的六期“AI季报”和“具身季报”,发现两条线的内容交叉点越来越多。这一融合的标志性事件始于Q2,当时OpenAI公开招聘重启机器人团队,同时节目中也讨论了Anthropic内部已在探索机器人方向。到了Q3,Anthropic正式发布长文《Claude Plays Robotics》,标志着这些前沿模型公司(Frontier Labs)再次进入机器人领域时,其方法论已与多年前完全不同。如今,机器人研究已经成为其发展通用基础模型主线任务的有机组成部分,印证了嘉宾所说的“物理AGI是AGI的子问题”这一共识。程曼祺承认,Astra作为策略模型目前仍有速度慢、成功率低等明显缺陷,无法实际部署。她个人倾向于认为,考虑到成本、速度、可靠性等因素,未来的真实系统会是分层结构,旗舰通用模型不太可能解决所有物理问题,但它能解决的部分已足以动摇独立具身智能公司的发展叙事。

第二个总结与宇树公司有关。她重申了嘉宾一直以来的观点:宇树拥有很高的“下限”。即使其智能部分不突出,其作为“铁疙瘩”的硬件本体也极具价值。事实上,宇树正在成为物理智能研究的一种“基础设施”,无论是具身创业公司(如Pi、Generalist)、顶尖高校(如斯坦福、CMU),还是大模型公司(如OpenAI、Anthropic),都需要一个好的机器人本体。这里的“好”包括制造一致性、可靠性、成本控制以及返修、适配等配套服务。她还补充了一个本期未展开的观察:近期灵巧手的需求正在爆发,这印证了第一期具身季报中关于“灵巧手领域存在一个类似人形本体的生态位”的判断。

将这些现象结合来看,程曼祺认为“大脑”与“本体/关键部件”的分工似乎正在形成。但这引出了两个需要持续观察的核心问题:

1. “大脑”由谁提供?Astra出现前,答案似乎是独立的具身智能创业公司;现在,OpenAI这类通用模型公司成了新的可能。

2. OpenAI最终会走向全栈垂直整合吗?即像特斯拉的Optimus项目一样,自己也做硬件本体。这两个问题将是未来观察具身智能领域的主要线索。

话题推进:主持人结束总结,进入节目常规的结束语和推广环节。

以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。

主要论证:观点怎样由经历与例子支撑

GPT-6 Astra的出现,证明了通用模型正在侵入并可能主导原本属于专用物理AI模型的领域,其核心突破在于能直接输出机器人末端执行器的“位姿”。

陈哲 · 00:09:27

1. 传统机器人架构中,大语言模型仅负责上层任务规划(如理解“拿杯子”),而将规划转化为具体动作序列(如关节扭矩)则由VLA等专用策略模型完成。2. Astra不仅能做任务规划,还能直接输出末端执行器(如夹爪)要到达的目标“位姿”(位置和姿态)。3. 这个“位姿”信息再通过一个相对简单的逆动力学模块,就能转换成底层的电机控制信号。4. “引导末端执行器到达特定位姿”这一步,此前被认为是VLA等具身模型最核心、最困难的工作,需要大量物理世界数据训练。Astra相当于成功接管了这部分工作,跨越了虚实边界。

成立条件:该论证成立的前提是,存在一个可靠的、能将Astra输出的“位姿”转化为底层电机控制信号的“逆动力学”模块。同时,Astra输出的位姿必须足够精确和鲁棒,以应对真实物理世界的不确定性。

Astra在机器人任务上的强大能力,主要源于其巨大的模型规模(Scaling Law)、专门的预训练数据以及强大的代码能力,这使其在与参数量小得多的VLA/WAM等专用模型竞争时占据“物种”优势。

陈哲 · 00:27:36;00:30:01;00:36:19

1. 数据与规模:Astra的训练数据中可能包含了海量的3D合成数据(如Blender轨迹)和第一视角物理交互数据,这赋予了其强大的空间理解能力。其参数量在万亿级别,而主流VLA/WAM模型在几十亿级别,如同“高级动物”与“初级动物”的脑容量差异,性能差距符合规模法则预期。2. 推理能力:作为大语言模型,Astra天然具备强大的逻辑推理和任务拆解能力,而VLA/WAM更像“直觉模型”,缺乏深层推理。3. 代码能力:Astra将机器人视为一个可通过软件接口调用的“程序”。其强大的代码能力使其能理解并调用各种机器人和仿真器的API,实现精确控制。

成立条件:此论证成立的条件是,OpenAI确实在Astra的训练中使用了大规模、高质量的物理世界相关数据,并且机器人控制接口可以被有效抽象为类似软件API的形式供模型调用。

在通用模型的冲击下,独立物理AI公司的生存空间在于做好“接口”、守住“数据闭环”和深耕“垂直场景”,纯粹的通用物理AI模型公司前景堪忧。

陈哲 · 00:39:28;00:41:50;00:42:21

1. 停止内耗:在通用大模型面前,VLA与WAM等技术路线的优劣之争已意义不大,物理AI公司应放弃在模型规模上与通用模型公司竞争。2. 做好接口:未来通用模型将成为调度中心,物理AI公司应将自身能力(如硬件控制、传感器数据)封装成易于调用的工具或API。3. 守住闭环:通用模型无法触及的价值在于:a. 硬件相关的独特数据(如触觉、力反馈);b. 垂直场景的工艺know-how和持续积累的场景数据(如工业、医疗领域的合规和流程知识)。4. 类比汽车产业:中间层的算法供应商受到上下游挤压,具身智能“大脑”公司也面临类似困境,必须找到自己的价值闭环,否则难以独立生存。

成立条件:该论证成立的条件是,通用模型公司在短期内不会或不愿深入所有垂直场景,且硬件、特定场景数据确实能构成足够宽的护城河,其价值不会被通用模型的泛化能力轻易覆盖。

Astra的出现反而增强了宇树这类硬件本体公司的长期价值,因为通用智能越发展,对标准化的、可靠的物理世界交互平台的需求就越大。

陈哲 · 00:58:04;01:44:23

1. 类比英伟达:OpenAI的模型越强大,对英伟达GPU的需求就越大。同理,Astra这类“大脑”越智能,就越需要像宇树这样的“身体”来执行任务和采集数据。2. 基础设施价值:宇树通过开源项目和稳定的硬件,正在成为整个具身智能研究领域的“基础设施”平台。无论是学术界还是工业界,都需要一个可靠、一致且成本可控的硬件本体来进行研发和测试。3. 生态位:通用模型的发展放大了硬件平台的价值,宇树作为硬件领导者,将受益于整个生态的繁荣,而非被通用模型替代。

成立条件:此论证成立的条件是:1. 宇树能持续保持其在硬件本体上的领先地位和成本优势。2. 通用模型公司(如OpenAI)在可预见的未来不会选择自研并大规模推广自己的硬件本体,从而形成全栈闭环(类似特斯拉Optimus的模式)。

Google在机器人领域拥有深厚积累却被OpenAI的Astra抢占先机,可能是因为其丰富的经验和对物理世界复杂性的“敬畏”成为了“历史包袱”,阻碍了对新范式的拥抱。

陈哲 · 01:25:16;01:39:34

1. 经验的诅咒:Google拥有研究机器人十几年的顶尖专家,他们深刻理解物理世界的复杂性和不确定性。这种“敬畏感”可能使他们对完全依赖通用模型这种看似“简单粗暴”的颠覆性方法持怀疑态度。2. 路径依赖:作为VLA等模型的发明者,Google在现有技术路线上有巨大的投入和积累,这可能导致路径依赖,难以彻底转向一个全新的范式。3. 类比NLP历史:这与当年最懂传统NLP的专家最不相信LLM的潜力类似,旧的知识体系有时会成为接受新范式的阻碍。4. 团队文化差异:相比之下,OpenAI的机器人团队非常年轻,没有那么多历史包袱,更敢于在新范式下进行大胆探索。

成立条件:该论证是一个基于组织行为和技术创新历史的推断,其成立不依赖于具体的模型性能数据,而是假设了大型组织中存在路径依赖和认知惯性。它是一个解释性的假说,而非可直接验证的事实。

机制与术语:对象、输入输出和中间过程

Astra作为策略模型的工作流

该机制描述了社区如何将通用模型Astra直接用作机器人策略模型,以完成物理操作任务。

* 输入 (Input):

1. 任务指令:一段自然语言描述,例如“请把红色的积木块放进蓝色的碗里”。

2. 环境感知:来自机器人摄像头的实时视频流或图像帧。

* 过程 (Process):

1. Astra处理:将任务指令和环境图像输入给GPT-6 Astra模型。Astra利用其强大的视觉理解和空间推理能力,分析图像内容,理解任务目标。

2. 位姿输出:Astra直接计算并输出一个或一系列目标“位姿”(Pose),即机器人末端执行器(如夹爪)在三维空间中需要到达的目标位置和姿态。

3. 逆动力学转换:一个独立的、相对固定的软件模块(Inverse Kinematics solver)接收Astra输出的目标位姿。

4. 关节指令生成:该模块根据机器人的机械结构模型,反向计算出为了让末端执行器到达该位姿,机器人身上的每一个关节需要旋转的角度。

* 输出 (Output):

* 一系列底层的关节角度指令,这些指令被发送给机器人的电机控制器,驱动机器人完成动作。

* 失败条件 (Failure Conditions):

1. Astra理解失败:Astra未能正确理解任务指令或识别图像中的物体。

2. 位姿输出错误:Astra输出的位姿不准确,或在物理上不可达(例如,在障碍物内部)。

3. 动态环境变化:在Astra生成位姿到机器人执行的延迟中,目标物体或环境发生变化。

4. 逆动力学无解:对于给定的位姿,逆动力学模块可能找不到一组有效的关节角度(例如,目标超出了机器人的工作范围)。

5. 物理执行失败:即使指令正确,由于摩擦力、物体重量、接触力等未被模型充分考虑的物理因素,实际执行也可能失败。

对应节目:00:09:27;00:17:30

上下文学习(ICL)在机器人中的应用

该机制描述了如何利用上下文学习(In-Context Learning)让预训练好的机器人模型快速学习并执行新任务,而无需重新训练模型参数。

* 输入 (Input):

1. 预训练模型:一个已经通过大规模数据(包含各种基础操作技能)预训练好的具身模型(如GEN-1.5或S1)。

2. 演示样本 (In-Context Example):一段或几段关于新任务的演示视频,可以是第一视角(机器人视角)或第三视角。例如,一段“将杯子倒满水并递给人”的视频。

3. 执行指令:一个触发执行的指令,可以是简单的“开始”,也可以是带有微调的语言指令,如“现在,把那个绿色的杯子倒满水递给我”。

* 过程 (Process):

1. 上下文注入:将演示视频作为“上下文”(类似于语言模型中的prompt)输入到预训练模型中。

2. 模型理解与泛化:模型在不改变权重的情况下,分析演示视频中的动作序列、目标物体和操作逻辑。它识别出这是一个由“拿起杯子”、“移动到水龙头下”、“打开水龙头”、“关闭水龙头”、“移动到人面前”、“递出杯子”等已知原子技能组成的新组合。

3. 生成新策略:基于对演示的理解和自身的预训练知识,模型生成一个适用于当前场景(例如,杯子颜色或位置不同)的动作策略。

* 输出 (Output):

* 一系列机器人动作指令,用于在新环境下复现或泛化演示视频中的任务。

* 失败条件 (Failure Conditions):

1. 演示质量差:演示视频模糊、有遮挡,或操作不规范。

2. 任务过于新颖:新任务所需的原子技能完全超出了模型预训练知识的范畴。

3. 泛化能力不足:模型只能机械模仿,当新场景与演示场景差异过大(如物体外形、尺寸、重量差异大)时,执行失败。

4. 长时程任务遗忘:对于非常复杂的多步骤任务,模型可能在执行中“忘记”了后续步骤。

对应节目:01:11:21;01:13:24;01:17:49

本文自拟示意,不是嘉宾实验

【本文自拟演示例,不是 GEN-1.5 或 S1 实测】给模型看一次“拿胶囊—放入咖啡机—合盖—按启动”的示范,再要求它在新位置完成同一流程。ICL 检查的是模型能否利用已有技能理解并复现流程;若咖啡机按钮、胶囊形状或安全约束超出经验,仍可能失败,不能据此承诺部署只需几分钟。

独立判断:这些对话改变了什么理解

Astra 的影响应按策略、监督和研究助手分别验收,而不是用“通用模型吃掉机器人”概括。

推理:直接策略要求实时、硬件适配和安全控制;监督用途要求能发现专用模型的错误并给出可靠修正;研究助手则要求从失败中提出假设、生成环境并验证。三种角色的输入、反馈与失败成本不同,可以分别有价值而不相互证明。节目把三层放在一起,恰好说明“能力进入物理世界”不是单点开关。

竞争解释与边界:若通用模型未来能理解低层传感器并在本地实时运行,直接控制的限制会减少;若仍需云端与专用控制,机器人公司仍掌握重要的工程与责任边界。

宇树等硬件公司的护城河要看开发工具、可靠性和生态,而不是简单套用英伟达。

推理:更强的通用模型确实需要身体执行和采集数据,但硬件形态尚未收敛,多家本体也能兼容同一模型。英伟达的优势不仅是 GPU,还包括 CUDA 形成的迁移成本。宇树若要获得类似位置,需要证明其工具链、测试、可靠性和开发者生态也让用户难以替换,而不只是卖出更多本体。

竞争解释与边界:若硬件接口趋于标准化,本体竞争会更偏成本与制造;若模型、仿真和工具链与硬件深度适配,平台型公司的优势会增强。两种路径需要分别验证。

“经验是包袱”解释的是对新范式的怀疑,真正落地时经验又可能成为优势。

推理:资深团队可能因知道物理世界太难而不愿押注通用模型,这是合理的组织假说;但从演示到可靠部署,长尾异常、硬件适配、测试和安全流程正需要这些经验。经验何时阻碍探索、何时保证可靠性,取决于它是否被用来设计新实验而非只维护旧路线。

竞争解释与边界:如果通用系统能自动生成并验证大量工程测试,传统经验的一部分价值会下降;若真实失败仍依赖专家诊断,经验仍是关键资产。不能仅用团队年龄或历史解释技术结果。

尚未解决的问题与可检验的下一步

待解问题:Astra直接输出位姿的成功率,在多大程度上依赖于Anthropic预先开源的、将大模型输出转换为机器人动作的管线?这种管线的通用性和鲁棒性如何?

下一步信息或小实验:更换控制管线、机械臂和任务,比较 Astra 直接输出位姿的成功、延迟、微调需求与失败类型,区分模型能力与工程管线贡献。

怎样的结果会改变判断:若跨管线仍稳定,通用策略价值更大;若性能强依赖专用工程实现,应把成果理解为模型与控制系统的共同结果。

待解问题:Physical RSI(物理递归自我改进)在实践中是否可行?通用模型在多大程度上能真正替代机器人研究员进行仿真搭建、数据生成和策略调试等创造性工作?

下一步信息或小实验:给模型真实失败案例,要求它提出仿真修改、生成场景并验证能否改善真实任务,记录人工干预和可复现性。

怎样的结果会改变判断:若系统只执行预设脚本,Physical RSI 仍属概念;若能自主诊断、验证并改善真实任务,哪怕只在小范围,也支持闭环存在。

待解问题:在通用模型冲击下,独立的具身智能公司(如Generalist, Physical Intelligence)的最新一轮融资估值和条款是怎样的?投资人是否真的开始调整估值逻辑?

下一步信息或小实验:比较独立具身公司的后续融资条款、研究路线和真实部署,观察估值是否从通用大脑愿景转向具体工作流和收入。

怎样的结果会改变判断:若高估值仍伴随真实进展和可靠部署,独立公司仍有空间;若融资收缩或被迫转型收购,通用模型冲击已改变资本与产业分工。

影响理解的转录疑点

建议优先回听 00:04:51 – 00:28:56 这一部分(包含“Astra冲击”、“从业者的认知断层”和“Astra的三种用法”三个小节)。

原因:这是整期播客的核心论据部分,系统性地回答了本期节目的核心问题:“Astra带来了什么变化,以及为什么这个变化是颠覆性的?”。该段落不仅清晰解释了Astra在技术上“多做了一步”(直接输出位姿)的关键突破,还生动描绘了这一突破在行业内引发的认知分歧(降临派 vs. 拯救派),并进一步将Astra的应用潜力拆解为“策略模型”、“监督者”和“物理RSI”三个层次。理解了这一部分,就抓住了整个对话的主线和所有后续讨论(如公司估值、生存策略、技术路线)的逻辑起点。

证据边界与资料索引

本页依据整期机器转录、官方节目介绍与章节逐段重建,未宣称逐字人工听审。说话人、专名、数字和时间可能存在识别误差;原声仍是最终核对依据。嘉宾关于公司、市场、研究、个人经历与未来的说法按口述保留,不自动等于独立核验的事实。

原节目:184: 与陈哲的「具身季报26Q3」:Astra冲击后,通用模型会吃掉Robotics吗?

本页使用的公开文字或字幕来源

返回顶部