GPT-6Astra测试揭示具身智能护城河，混合架构仍是关键

随着OpenAI发布GPT-6 Astra，具身智能领域迎来新一轮技术讨论。近期在一场行业会议上，多位业内人士就通用大模型与具身智能的关系展开深入探讨，而最新的仿真测试结果为这场争论提供了实证依据。

一项由银河通用团队进行的对比实验显示，在十项复杂机器人操作任务中，GPT-6 Astra直接控制的成功率为26%，平均得分为37.81分；而在混合架构下，成功率提升至48%，平均得分达到62.60分。值得注意的是，尽管Astra在语义理解和空间判断方面表现出色，但在涉及精细接触和连续控制的任务中仍存在明显不足。

"狼已经来了"，极佳视界联合创始人朱政指出，语言模型正在蚕食多模态领域，并对具身智能构成潜在威胁。然而，蚂蚁灵波CEO朱兴在采访中提出质疑："如果OpenAI今天进入自动驾驶领域，能在短时间内颠覆特斯拉吗？"这一反问点明了当前争论的核心：通用大模型是否能够完全取代专用模型。

从测试结果来看，混合架构的优势在于将通用模型的推理能力与专用模型的物理操作经验相结合。例如，在搭塔任务中，加入π₀.₅后成功率从12%提升至64%；麻将杠牌任务则从0分提高到40分。这表明，虽然通用模型可以提供高层次的任务规划和环境理解，但底层的物理交互仍需要专用模型的支持。

自变量机器人创始人王潜强调，一项能力的跃升往往有对应的学习材料、训练目标和反馈机制。"跨任务迁移和能力复用是基础模型的重要价值，但这些工作不能被省略。"他指出，判断好数据的know-how才是真正的壁垒，而非简单的模型微调。

破壳机器人创始人许华哲在测试中发现，Astra在识别桌面物体、抓取筷子等任务上表现优异，但在接触类任务如叠衣服时仍面临挑战。"知道东西在哪里、应该送往哪里，与掌握接触之后如何变化，仍有距离。"这一观察揭示了通用模型与专用模型之间的本质差异。

未来竞争格局可能呈现协作而非取代的局面。物理世界反馈可成为新的学习材料，推动大模型发展；同时，具身智能也可能反过来影响大模型的技术路线。"两者将共同演化，而非一方吃掉另一方。"一位行业观察者表示。

尽管GPT-6 Astra在某些任务上展现出强大的潜力，但其在实际应用中的局限性也清晰可见。混合架构不仅证明了通用模型与专用模型结合的可能性，更揭示了具身智能领域真正的护城河所在：持续发现问题的闭环能力、物理原生模型的创新以及场景经验的积累。