GPT-6让机器人认识万物，具身智能公司如何守住最后壁垒

9月3日，OpenAI发布GPT-6 Astra模型后，一场关于通用大模型与具身智能的讨论在科技圈引发热议。这款模型无需专门训练即可从一张包含容器和液体的图片中，识别出物品及其空间关系，并生成一个可交互的数字场景，甚至还原了液体的颜色。

这一突破性进展让业界重新审视通用多模态模型与物理世界的关联。过去，从单张图片或视频重建可交互场景是Real2Sim领域需要专门研究的问题，而Astra的出现表明，通用模型已经具备了初步的物理世界认知能力。然而，当开发者要求Astra模拟两种液体混合后的化学反应时，模型却无法完成，暴露出其在物理因果理解上的局限性。

这种能力边界的变化对具身智能行业产生了深远影响。在过去两年，数字世界的大模型被认为无法理解物理世界，因此需要专门训练一套属于机器人的基座模型。但GPT-6的出现让这一假设面临挑战。模型从互联网图片、视频中学习到的物品外观、用途和操作方式，使其能够识别杯子、抽屉、门把手等常见物品，而无需实际接触这些物体。

“GPT-6已经建立了一本覆盖面极广的‘物理世界图鉴’。”一位行业观察者表示，“但它并不等于真正理解物理世界。”例如，模型可以识别桌面上的杯子并指导机器人抓取，但在夹爪力度、接触点偏移、摩擦力等细节上，仍需要来自真实世界的反馈。

这种差异使得具身智能公司的价值定位发生了转变。过去，机器人能够认出桌上的苹果被视为一项技术突破；而在GPT-6时代，识别苹果本身已不再是核心壁垒。创业公司若继续依赖文本、图片和互联网视频进行预训练，将难以与头部通用多模态模型竞争。

“通用模型可以承担物品识别、任务理解和步骤拆解，具身模型则需要回答动作发生之后，环境会如何变化。”一位具身智能公司创始人指出，“这才是真正的壁垒所在。”

在2026年Inclusion·外滩大会上，多位创业者就这一问题展开了讨论。破壳机器人创始人许华哲表示，虽然GPT-6在语义和空间泛化能力上表现出色，但在复杂物理交互任务上仍有不足。“它能完成简单的抓取动作，但对于筷子这类细小物体的精确操作，以及涉及力觉的任务，仍然无法胜任。”

上海科技大学研究员石野也认为，GPT-6的表现虽然令人惊叹，但从控制机械臂完成简单任务，到真正像人一样理解物理世界，仍有很长的路要走。“它更像是一个强大的系统架构师，能够拆解任务、组织系统和调用工具，但并不等于掌握了稳定执行物理任务的能力。”

自变量机器人创始人王潜则指出，如果通用模型公司进入具身智能领域，它们同样需要采集物理世界数据、建立仿真和评价系统，并处理硬件问题。“本质上，它们只是另一个具身智能公司。”

尽管如此，通用模型的崛起也为具身智能公司带来了新的机遇。大规模预训练依然有效，通过在机器人数据之外加入通用数据，至少可以给具身模型带来能力增益。因此，具身智能公司不应放弃预训练，而应继续建设数据、评价和训练基础设施。

“未来机器人的上层能力与底层技能可能会形成更明确的分工。”苏度科技联合创始人韩铮表示，“通用模型负责理解环境、进行抽象推理和拆解任务，底层模型则专注于抓取、移动、插接等具体操作。”

总的来说，GPT-6的出现标志着通用多模态模型与物理世界的深度融合，但也凸显了复杂物理交互仍是具身智能公司的核心壁垒。行业专家普遍认为，随着技术的不断发展，机器人将逐步实现上层认知与底层技能的明确分工，而具身智能公司需要在这一过程中找到自己的定位。