重磅发现：GPT-6实现具身智能突破，中国如何打具身防卫战？

近日，一份发布在GitHub上的匿名仿真测评报告在具身智能圈投下“深水炸弹”：混合GPT-6 Astra的架构斩获62.6分，远超第二名38.26分的成绩，64%的性能差距被认为是架构层面的降维打击。这一结果让行业真切感受到OpenAI在具身智能领域的冲击力——据公开信息，OpenAI已购入上千万小时类具身数据，在具身模型上的数据与算力投入超百亿人民币，投入规模超过中国任何一家具身公司，剑指“具身ChatGPT”。

GPT-6 Astra匿名测评炸圈，64%性能差距引发行业警觉

这份由银河通用团队研究员主导的测评，采用了严格的闭环控制对比实验。研究没有直接用GPT-6 Astra操控机械臂，而是让其承担语义判断与修正的角色，与π₀.₅的物理空间交互及动作先验形成互补架构：Direct模式下，GPT-6 Astra可直接读取三路相机画面和机器人状态，输出双臂末端位姿和夹爪开合指令，每次执行1到5个控制步，在RoboLab测试中直接拿下了49/50的高分，验证了大规模预训练的通用能力可以迁移到机器人决策环节。这一表现也呼应了北大王鹤教授此前的判断：过去在语言和视觉模型中被反复验证的Scaling Law，正在向具身智能领域延伸。

能力边界清晰：认知泛化强劲，物理控制仍是短板

尽管GPT-6 Astra展现了惊人的通用推理能力，但其技术路线的局限性也暴露无遗。在搭塔、麻将杠牌等高度依赖接触稳定性和精细控制的任务中，Astra Direct的得分仅为12和0；筷子挑开物体、叠衣服、双手递物等复杂接触任务的测试结果也不理想。在RoboDojo十项双手操作任务的仿真测试中，Astra Direct直接控制架构的成功率仅为26%，平均得分37.81；即便是混合架构，Astra也仅对14.4%的执行控制步作出修正，其余85.6%的动作仍依赖π₀.₅的物理先验。
除此之外，GPT-6 Astra还存在软硬件不一体、模型体积过大难以部署、运行成本极高等问题，其技术路线显然仍不完善。但不可否认的是，它已经验证了“大规模数据+大规模算力”的路线可以攻入机器人技术的核心腹地。

中国具身产业承压，场景与产业链是独有底牌

GPT-6 Astra带来的压力，让国内具身产业面临一个更现实的问题：如何应对OpenAI在资源投入上的绝对优势？但中国具身产业并非没有筹码：国内制造业、物流、零售等领域拥有全球密度最高的机器人应用场景，同时具备全球最完整的硬件供应链。
不过场景本身并不等于竞争优势。自变量创始人兼CEO王潜在外滩大会上也明确表示：“智能的本体是存在于数据里面的。”模型本质是“蒸馏器”和“容器”，只有把现场问题转化为数据，把数据送进训练环节，再把训练好的模型放回真实环境验证，形成闭环，场景才能转化为实际的模型能力，而数据和算力正是这个闭环的核心燃料。王潜同时指出，OpenAI和Anthropic若进入具身智能领域，同样需要建设数据采集、仿真、验证基础设施，解决硬件相关问题，这些工作的难度不会因为基础模型的优势而降低，具身智能企业反而可能拥有实质性优势。
当前数据壁垒也在发生新变化：随着大模型能力提升，仿真资产构建、数据清洗等环节的成本正在下降，原有的部分生产成本优势随之收窄。但更难复制的积累，是一整套持续发现问题的能力：知道机器人在哪些场景下容易失败，能够进入对应场景采集数据，从失败案例中识别真正缺失的信息，再通过训练和评测确认改进。部署带来新问题，新问题推动模型进步，进步又支撑更大范围的部署，这样运转起来的闭环，才可能让先发优势不断累积。

窗口期仅剩1-2年，中国如何打好具身防卫战？

据行业共识，具身智能的竞争窗口期仅剩1-2年：大模型公司正在加速布局人形硬件，若具身企业不能明确自身定位，很可能沦为纯