通用大模型加速向机器人动作控制延伸
一个并非为机器人而生的模型，正在接管机器人大脑里最脏、最累的那份活。
过去两年，具身智能圈有个心照不宣的默契：通用大模型只配做“大脑皮层”，负责聊天、推理、做任务规划；真正控制关节、决定抓哪里、用多大力气的“小脑和脊髓”，必须交给用机器人动作数据喂出来的专用模型。VLA、WAM 这些缩写，就是这道护城河的名字。
但 2026 年 10 月下旬，中信证券一份研报把这条界线擦掉了。报告称，通用大模型正在从机器人的高层任务规划，进一步向动作生成和执行控制延伸；NVIDIA、斯坦福等机构已经在探索把 GPT-6 Astra 接进机器人控制回路，靠它已有的视觉理解、空间推理和任务规划能力，减少对专用策略训练的依赖。更关键的是，Astra 在具身任务数据集上展现出了“较好的泛化性”。
中信证券的判断很直白：展望 2027 年，通用模型进入具身任务领域将成为 AI 行业的下一个投入方向；而通用模型与 VLA、WAM 这类专用模型，短期更可能形成分工协同，而不是一方吞掉另一方。
一句话总结这场变局：通用大模型不再满足于“动嘴”，它开始“动手”了。但动手的方式，不是把专用模型赶下台，而是骑到它们头上。
从“能聊天”到“能干活”，只隔了一次零样本泛化
要理解这件事的分量，得先看机器人大脑过去是怎么分工的。
传统架构里，机器人接到一句“把桌上的红色杯子拿给我”，流程是割裂的：先由视觉语言模型看懂场景、理解指令，再由经过大量机器人动作数据训练的专用策略模型——也就是 VLA（视觉-语言-动作模型）或 WAM（世界-动作模型）——把语义翻译成具体的关节角度、末端位姿、抓取力度。VLA 走的是端到端路线，从感知一路学到动作；WAM 更进一步，同时建模未来世界状态和动作，让生成的动作天然受物理规律约束。这两类模型的共同点是：都得靠机器人本体采集的动作轨迹数据反复训练，数据攒得越多，动作越稳。
这也是为什么过去每一代通用大模型发布，具身智能研究者都会把它接上机器人试成色，然后松一口气“不过尔尔”。GPT-4V 时代，Figure 01 做过能对话、能多步推理的演示，但泛化能力和成功率都很有限。通用模型懂世界，但不懂“怎么动手”。
Astra 的不同在于，它似乎跨过了那道门槛。据公开报道，斯坦福大学的研究人员把 Astra 接上宇树 G1 人形机器人，让它进厨房收拾、干活，在新环境里没有重新采集数据训练就完成了任务；有人把它接上真车，让它在封闭场地里自己看路、打方向，跑完整段测试，媒体称之为“考过了科目二”；在公开评测基准 RoboDojo 上，GPT-6 Astra 加上 π0.5 的混合模式下，十个任务平均得分 62.6，领先第二名近一倍。
一个没有专门为机器人训练的通用模型，正在零训练地接管“看懂环境、做决策、调度动作”这套完整工作流。有人开始叫它具身智能的“银子弹”——机器人公司再也不用苦哈哈攒数据、训专用模型了。
中信证券的研报，就是给这个信号盖上了机构视角的章：通用大模型向动作控制延伸，物理 AI 迎来拐点。
为什么是现在：通用模型的能力开始“溢出”到物理世界
通用大模型伸手管动作，不是心血来潮，而是能力积累的必然外溢。
第一代多模态大模型的训练目标，是“看懂图片、回答对问题”。到了 Astra 这一代，训练目标悄悄变成了“理解三维空间、推理物理关系、规划多步任务”。OpenAI 在发布 Astra 时重点展示的，是抽象推理、软件工程和计算机应用能力；它在 BenchCAD 测试中取得 95.9% 的几何重叠率——这是一项直接从多视图渲染生成 3D CAD 结构的测试。
空间推理能力一旦过关，向物理操作迁移就只隔一层窗户纸。根据 RoboCurve 发布的评估数据，在开源的 Inspect Robots 框架下，Astra 在机械臂抓取放置任务中的成功率达到 95%，远超 Claude Fable 5.1 的 40% 和 Claude Fable 5 的 5%；同时输出 token 数量减少 6.2 倍，单次任务成本降至约 0.94 美元。
这说明一件事：通用模型的“大脑皮层”已经足够厚，厚到可以向下渗透，替专用模型干一部分原本必须靠动作数据训练才能学会的活。视觉理解、空间推理、任务规划——这三项能力在通用语料和仿真数据里就能学到，不一定非要机器人本体一遍遍试错。
对机器人公司来说，这意味着开发门槛的实质性降低。过去搭一个能干的机器人原型，要从数据采集、策略训练、仿真验证一路跑通；现在通过 API 接入 Astra，就能快速完成原型验证。据报道，斯坦福、CMU 等高校及生命科学类实验室，已经在 GPT-6 基础上率先开展机器人操作实验部署。
VLA 与 WAM 的护城河：成本、实时性、精细操作三道坎
但银子弹的故事，讲到这儿就该踩一脚刹车。
通用模型按 token 计费，而物理世界的动作是连续的、稠密的。DrivingBench 的测试提供了一个残酷的账本：让 Astra 控制一辆真车跑完 134.7 米的封闭道路，单次驾驶烧掉约 660 万 token，按模型价格折算成本约 7.74 美元。单公里大几十美金，这个成本结构显然摊不到量产自动驾驶车辆上。
实时性是第二道坎。同一测试里，Astra 的平均车速只有 0.42 米/秒，大约每小时 1.5 公里。通用模型的反应周期以秒计，而真正的自动驾驶、机器人控制要的是毫秒级感知与控制。斯坦福的 HomeBody 项目也证实，Astra 的推理延迟会在每一次技能切换之间制造可见的停顿。
第三道坎最难：精细操作。在银河通用的评测里，Astra 采用直接模式（不搭配底层动作策略）时，在高精度接触、稳定抓取上的成功率断崖式下降。RoboCurve 的测试更直观：在毫米级精密插入任务（拼图插槽）上，Astra 的成功率只有 10%，和竞品卡在同一个技术瓶颈。原因很朴素——HomeBody 的导航以地图坐标里的 2D 目标点和朝向点为基准，单位是米。米级精度意味着它只知道“大概到哪”，能在封闭无人场景里把车开到终点，却做不了厘米级的高精接触与稳定抓取。
把这三道坎摆在一起：成本按 token 计费、实时性卡在秒级、精细操作停在米级。这恰好都是具身智能量产落地必须跨过去的坎。所以有媒体把标题起得很扎眼：“GPT-6 Astra，没能攻破机器人公司的护城河”。
VLA 和 WAM 的护城河不在“聪明”，而在“贴身”——和本体贴在一起、跑在端侧、和毫秒级控制长在同一块板子上的大脑，靠连续动作策略实现快思考，这是云端通用模型短期内替代不了的。
真正的终局不是替代，是“系统 2 骑着系统 1”
那么中信证券说的“分工协同”，具体长什么样？
答案藏在 Astra 的评测数据里。在 RoboDojo 榜单上，Astra 搭配 π0.5 的混合模式，十任务平均分 62.6；而 Astra 直接绕过底层动作策略、采用直接模式时，分数从 62.6 掉到 37.83。注意，两种模式用的都是同一个 Astra，差别只在于有没有一个能精准联动语义和动作的“队友”。
更有意思的对比是：即便没有这个队友，Astra 直接模式 37.83 的分数，仍然超过了 Xiaomi R1 的 33.97 和 π0.5 单独的 24.43。这组数据把终局架构说清楚了：一段式端到端的 VLA 模型能力确实不够看，但强大的系统 2（通用大模型）也绕不开系统 1（专用动作策略）。让快的管快、慢的管慢，比逼着一个模型把两件事都干利落更现实。
这正是具身大脑架构分化的方向。一条路线是一段式端到端，把视觉、语言、动作放进同一个模型，从识别物体一路学到完成动作，这在自动驾驶领域已被当成第一性原理；另一条是分层双系统——系统 1 负责快思考，执行抓取、移动、轨迹追踪，通常由连续动作策略实现；系统 2 负责慢思考，理解任务、做长程规划、在关键节点纠错和恢复，通常由 VLM 或通用大模型实现。
中信证券研报里那句“通用模型与专用模型短期更可能形成分工协同”，翻译成人话就是：Astra 做系统 2，VLA/WAM 做系统 1。通用模型负责“干什么、为什么干、干成什么样”，专用模型负责“怎么干、用多大力、走哪条轨迹”。
2027 年的投入方向，和谁会被重构
如果 2027 年通用模型深度参与具身任务真成为 AI 行业的重点投入方向，产业链的价值分配会被重写。
最先被重构的是数据层。过去机器人公司的核心资产是“我攒了多少真实动作轨迹数据”，这是训练 VLA/WAM 的燃料，也是外人拿不到的护城河。但通用模型的逻辑是：视觉理解、空间推理、任务规划这些能力，可以从互联网多模态视频和仿真物理场景里学，不一定依赖机器人本体数据。OpenAI 正在搭建的真机交互数据工厂，一边采集机器人视觉-动作轨迹，一边依托世界模型批量生成仿真物理场景样本——这套打法一旦跑通，数据护城河会被削掉一半。
其次是工具链层。英伟达的策略最像智能手机时代的 Android：不造机器人，只造机器人的“大脑”和工具链。GROOT 是专为人形机器人设计的通用基础模型，支持双系统认知架构；Isaac Sim/Lab 提供仿真平台，Jetson Thor 提供端侧算力，Omniverse 和 Newton 物理引擎提供合成数据。据报道，2026 年 7 月，英伟达还把 GR00T N1.7（30 亿参数的可商用 VLA 模型）和 Isaac Teleop 开源遥操作框架塞进了 HuggingFace 的 LeRobot 机器人库。NVIDIA 一侧有 300 万机器人开发者，HuggingFace 一侧有 1600 万 AI 构建者——英伟达做的不是“造模型”，是“造生态”，把具身智能竞争上移到开发基础设施层。
谁最危险？是那些只靠“攒数据训专用模型”讲故事、却没有本体落地场景和端侧控制栈的中间层公司。当通用模型把高层能力做成水电煤，它们的差异化会被迅速摊平。谁最受益？是两头：一头是掌握通用模型和工具链的 AI 巨头与算力平台，另一头是真正有本体、有场景、有毫秒级控制栈的机器人公司——它们会成为通用模型最好的“系统 1”搭档。
拐点已至，但路还长
中信证券这份研报的真正价值，不在于预测 2027 年谁会赢，而在于确认了一个方向性的变化：通用大模型对具身智能的渗透，已经从“能不能聊”推进到“能不能动”。Astra 在具身任务数据集上的泛化表现，证明这条路走得通；而成本、实时性、精细操作三道坎，又证明它走不快。
所以 2027 年的具身智能战场，大概率不是一场“通用模型 vs 专用模型”的零和战争，而是一场“谁先把分层架构工程化”的效率竞赛。通用模型负责把机器人变聪明，专用模型负责把机器人变可靠；前者决定天花板，后者决定能不能量产。
物理 AI 的拐点确实来了。但拐点之后，不是坦途，而是一道需要通用模型和专用模型手拉手才能跨过去的门槛。
通用大模型终将学会控制机器人，但不是以取代专用模型的方式，而是以骑在它们头上的方式——聪明的大脑永远需要一双可靠的手，而可靠的手，正在等待一个更聪明的大脑。
快报