NVIDIAAstra零样本操控成功率74.8%，大模型正重塑机器人研发路径

近期，NVIDIA发布的通用大模型Astra在机器人领域引发广泛关注。该模型未经任何机器人任务专项训练，仅通过提示工程接入机械臂系统，在120个仿真操作任务中达成74.8%的成功率——这一成绩不仅刷新了RoboCurve等基准榜单纪录，更被部分从业者称为“机器人的GPT-3时刻”。

根据NVIDIA公开的Astranomy实验报告，测试使用Franka机械臂与三摄像头配置，任务为零样本（zero-shot）设定，每项任务重复5次。Astra以Agent角色调用Codex工具链执行动作规划时表现最优，成功率达74.8%；若由Astra直接输出关节指令，则为66.3%；而NVIDIA自研的小型专用模型Cosmos3独立运行仅为36.8%，Physical Intelligence公司的π0.5模型则为28.0%。值得注意的是，此前榜单第一的专用模型成绩为51%，Astra一举将上限提升近半。

性能跃升背后是若干关键设计发现：首先，模型选择影响巨大——同样直接输出动作，Astra达72.7%，GPT-6 Sol仅33.3%，Claude Opus 5.5更低至25.3%；其次，文本记忆显著优于视觉输入：仅提供文字历史时成功率87%，仅画面历史仅56.5%，二者结合可达100%；第三，几何先验信息至关重要：未告知相机与夹爪位置时成功率仅19.3%，补充后跃升至72.7%；第四，任务描述方式影响有限——添加成功回合视频截帧后为87.9%，纯文字描述反达90%。

尽管性能亮眼，Astra的推理延迟仍是现实瓶颈。在审核模式下，Astra平均每7步介入一次，主要因抓取失败（占64%）；单次决策耗时约13–18秒，远高于专用模型的毫秒级响应。NVIDIA估算，一个“将酸奶倒入碗中”的任务在真实环境中需约4分钟完成，其中机械臂实际运动仅占5秒左右。有行业人士直言：“它拿起一个杯子要40分钟”，反映出当前具身智能对实时性要求仍显宽松。

这一突破之所以震动行业，在于它绕开了过去数年机器人AI的核心困境：传统方案长期依赖“大小脑”分层架构。例如谷歌2022年的SayCan系统，由语言模型负责高层规划（如“找海绵→拿海绵→递过来”），再从预训练技能库中调用底层执行模块。该路径虽逻辑清晰，却受限于技能库覆盖范围与语言到动作的精确映射难题——“往左一点”究竟对应几毫米位移，难以用自然语言精准表达。

2023年起，VLA（视觉-语言-动作）模型成为新主流，代表作包括谷歌RT-2与π0系列。这类模型将感知、理解与控制整合为单一神经网络，输入为图像+指令+本体状态，输出直接为关节动作序列。RT-2将动作编码为token逐个预测，π0则在骨干网络后附加动作专家模块生成连续轨迹。然而，VLA面临根本制约：互联网文本数据达数十万亿token，而高质量机器人示范轨迹仅数百万量级，数据鸿沟导致模型泛化能力受限。

Astra的出现揭示了一条新路径：通用大模型凭借海量语言与视觉预训练积累的常识与推理能力，可在极少甚至零机器人数据条件下完成复杂具身任务。其核心优势并非动作生成速度，而是任务理解与策略调整的鲁棒性——当环境变化或初始动作失败时，能基于上下文重规划而非简单重试。

这引发业内对技术路线的反思。FD在《Robotics’ New Era After Astra》中称，行业应“乐观100倍”，但“越来越不看好单独做机器人模型的公司”；OpenRUA团队则指出，现有榜单分数部分源于测试方法偏差，若严格按真机条件复现，成绩会明显下滑。争议本身恰恰说明：评估标准尚未统一，而范式转移正在发生。

从技术演进看，VLM（视觉语言模型）到VLA的跨越，本质是将“理解世界”与“干预世界”合并。而Astra代表的第三阶段——“通用模型+具身接口”——则进一步解耦了认知能力与执行载体。正如图3所示，VLA需依赖机器人示范轨迹进行中/后训练，骨干部署参数通常仅30亿至150亿；而通用大模型（如Astra）依托互联网文本（数十万亿token）与多模态预训练，参数量级高出1–2个数量级，知识广度远超单一任务域。

国内动向亦同步加速。凤凰网报道显示，DeepSeek正评估是否切入具身智能赛道；梁文锋近期密集会见具身创业团队，反映资本与头部企业对这一拐点的高度关注。可以预见，未来竞争焦点将从“能否做出动作”转向“能否在动态环境中持续可靠地完成开放任务”，而通用大模型能否解决延迟与成本问题，将成为落地关键。

目前，Astra尚未开源，其真机部署稳定性与硬件适配效率仍有待验证。但无论短期局限如何，它已清晰指向一个趋势：机器人智能的下一步进化，或将不再依赖专用数据与定制模型，而是建立在通用认知能力与具身接口的协同之上。