通用模型会吃掉Physical AI吗？

2026年9月初GPT-6 Astra发表后，研究社群很快就把它接上实体AI（Physical AI）机器人评测，部分成绩还超过使用大量机器人數據训练出来的专用模型。这代表什么？通用模型会吃掉Physical AI吗？

Astra只是其中一个例子。依现在的公开职缺，2家美国大模型公司都在招募机器人工程师，另一家大模型公司也公开测试通用模型控制机器人的可能方式。这些公司看来都想从數字世界走进实体世界。

Physical AI这几年的进展，本来就受惠于大型语言模型。视觉语言动作模型（VLA）里负责看懂影像与听懂指令的视觉语言模型，不少是以小型化的开源语言模型为基础发展出来的。用大型语言模型帮忙训练机器人，在研究圈已经是常态。我们这一年的两个研究也是如此：一个让大型语言模型把长时序任务拆成阶段，再由视觉语言模型判断进度，当成强化学习的奖励；另一个借用视觉语言模型的常识，判断移动机器人该停在哪里才拿得到东西。

这几个月，通用模型能接手的环节更多了，大致有3种用法：

第一类型为直接当机器人的策略，输出夹爪（末端执行器）要移动到的位置，再换算成关节角度。一份多所大学合作的评测，在数十个模拟任务上让Astra零样本上场（不给额外训练或信息），2026年9月评测时，成绩高于40个公开机器人策略。同样的接法退回前一代模型，成功率不到1%，可见差别主要来自模型本身的能力精进。

第二类型为与专用VLA协作。一家中国机器人公司在同一套模拟基准上测了一组双臂任务，Astra与专用VLA单独上场，成功率都只有1、2成。改由专用VLA执行、Astra必要时修正，成功率提高到近5成，Astra只在少数几步出手修正。两者擅长的看来刚好互补。需要语意理解、但动作本身简单的任务，Astra表现较好；需要精准协调或复杂（机械）动作的，专用VLA比较强。

第三类型为当机器人研究员，有机会在Blender或模拟器里建3D场景、写奖励函数、跑强化学习，失败了自己除错、重来。已有研究让多个通用模型担任程序代理人，在模拟器里完成组装、拆解这类长时序任务，再把解法增成大量示范去训练VLA，微调后的模型上了实体机器人也有初步成效。只是这些任务是在模拟器里离线反复除错完成的，不是實時控制。

这些通用模型的空间能力从哪里来？模型公司没有公开训练數據，只能从公开信息推测。从前一代到Astra的跃进，可能代表训练时加强3D或空间相关的數據。但3D數據本来就少，2023年公开、规模较大的3D物件數據集约有1,000万个物件，比起数十亿组的图文數據，差了好几个数量级。以Astra为例，官方发表展示的是它在Blender里建模，以及看多视角影像写出CAD程序重建物件。这类工作在3D引擎里写程序、渲染、比对结果，可以大量反复练习。

该注意的是，这些数字多半是发表后一个月内在「模拟器」里测出的成功率，也没有把模型思考的时间算进去。回到实体机器人，在一个把积木放进碗里的测试中，Astra每次要花2、3分钟，而专用模型几秒就完成。另一项研究让Astra按一个电梯按钮，包含边试边学的时间，模拟与实机都要花上数分钟到十几分钟。

另外，这些多半是抓取、放置这类刚体、位置对了就算完成的简单工作。难的部分仍是接触、物理特性、长时序与安全。插拔插头、转瓶盖、拿毛巾这类动作，成功率明显下降，常得先给示范才做得到。质量、摩擦、形变这些性质，单靠几何信息难以描述。

我的看法是，通用模型精进3D能力，这对Physical AI是好事。比起直接控制机器人，这些通用模型更可能成为训练Physical AI、加速它精进的引擎，只是加速的多半是能在數字世界完成的部分。數字AI犯了错多半可以重来，演算法在模拟里验证过，大致就能复制到各地；机器人犯错，损坏的是实体设备，也可能伤到人。Physical AI的验证最后得在实体端完成，之后还有整合、验收、认证，以及产品问责等问题。

通用模型不会吃掉Physical AI，反而加速智能发展。任务拆解、写控工藝式、建模拟环境、产生示范數據这些能在數字世界完成的环节，可能愈来愈多交给通用模型。机器人需要低延迟，离线时也得正常运作，本地端仍要有够快、能力够好的小模型，但它未必由独立的机器人模型公司提供，「有机会」由通用模型产生示范，再蒸馏而来。比较难被吸收的，是触觉等新的傳感、灵巧手这类硬件，以及整合、认证与垂直产业的制程累积。

机器人模型的竞争者，因此多了几家原本只做數字世界的公司。这些公司在數字世界迭代很快，到了实体世界，进展的速度可能要看验证与认证跟不跟得上。我们也看到數字世界的Agent能力，有机会加速发展，进入实体世界。

如果这两关也找到加速的办法，數字世界的Agent能力进入实体世界的速度，可能又会超乎我们的想像。