最初了解到 OpenAI 的 GPT-6 Astra 时，我关注的主要是它在语言理解、复杂推理和 Computer Use（计算机操作）方面的提升。

在我看来，这不过是大语言模型沿着既有技术路线的一次进步。模型变得更加聪明，能够完成更加复杂的任务，也能更好地操作计算机，但似乎还不足以改变我们对人工智能发展方向的判断。

直到今天收听一期播客，我才了解到，Astra 在另一个领域引发的关注可能更加重要，那就是具身智能。

过去几年，具身智能一直被认为是人工智能发展中最困难的领域之一。让模型理解语言、生成代码是一回事，让机器人在真实物理世界中完成复杂操作，则是另一回事。

然而，Astra 的出现正在动摇这种认知。

机器人为什么一直这么难？

要理解 Astra 的意义，需要先简单回顾一下机器人技术的发展。

传统工业机器人主要依靠人工编写的规则和控制算法工作。工程师需要提前规划机器人的运动轨迹，计算关节角度，设计抓取方式。

这种方式在工厂流水线上非常有效。只要环境稳定、任务明确，机器人就可以长时间高效工作。

但如果让它整理一张杂乱的桌子，问题就复杂得多。

桌上可能有杯子、书本、钥匙、纸张，每件物品的位置和状态都不相同。机器人不仅需要识别物体，还需要理解任务、判断空间关系，并根据环境变化调整动作。

深度学习的发展让机器人逐渐摆脱了完全依赖人工规则的局限。

研究人员开始通过模仿学习，让机器人观看人类示范，学习如何完成抓取、搬运、整理等操作。

这种方法虽然有效，却带来了一个巨大的问题：数据。

大语言模型可以从互联网获取海量文本和图像，但机器人动作数据很难以同样的速度积累。

训练机器人抓取杯子，需要真实机器人或者仿真环境反复操作。训练它折叠衣服、整理厨房、使用工具，又需要收集更多不同类型的数据。

而且，不同机器人的身体结构、关节数量和控制方式各不相同。一种机器人学会的技能，未必能够直接迁移到另一种机器人上。

这让具身智能的发展长期受到数据成本和泛化能力的限制。

后来，研究人员开始把大语言模型和视觉语言模型引入机器人领域，形成了 VLA（视觉—语言—动作）模型。

Google 的 RT-2、Physical Intelligence 的 π0、Google DeepMind 的 Gemini Robotics，都是这条路线的代表。

它们利用通用模型已有的视觉和语言知识，再通过机器人动作数据训练，让模型学会将任务指令转化为实际动作。

这是一次重要进步。

机器人不再只是机械地模仿动作，而是开始利用通用模型对世界的理解。

但这条路线仍然有一个基本前提：通用模型虽然能够理解物理世界，却通常需要专门的机器人训练，才能获得可靠的动作能力。

Astra 最重要的影响，恰恰是对这个前提提出了挑战。

Astra 带来了什么变化？

2026 年，研究人员开始尝试直接使用 GPT-6 Astra 控制机器人。

他们没有按照传统 VLA 的方式，先使用大量机器人动作数据对 Astra 进行专门的策略微调，而是直接向模型提供摄像头图像、机器人状态、任务目标和动作接口。

例如，告诉模型机械臂当前的位置、夹爪状态，以及需要抓取的物体，让模型直接生成下一步动作。

机器人执行动作后，再将新的环境状态反馈给模型，由模型决定下一步应该如何操作。

这意味着，Astra 不再只是告诉机器人“应该做什么”，而是直接参与决定机器人“具体怎么做”。

NVIDIA 的一项研究在 RoboLab-120 基准中测试了这种能力。

在包含120项机器人操作任务的测试中，Astra 直接控制的成功率达到66.3%；引入持续上下文和工具的 Agent 机制后，成功率进一步达到74.8%。

更值得注意的是，这些成绩并不依赖针对测试机器人的专门策略微调。

当然，这些结果主要来自特定的模拟操作任务，不能直接等同于真实世界的通用机器人能力。不同模型的测试条件也需要谨慎比较。

但它已经足以说明一件重要的事情：

通用大模型可能已经具备了比我们过去想象中更强的物理行动能力。

过去，我们通常认为机器人必须通过大量动作示范，才能学会如何操作物体。

而 Astra 表明，至少在部分任务中，通用模型可以利用已有的知识、空间理解和推理能力，直接生成有效的机器人动作。

这让具身智能的发展出现了一种新的可能。

机器人或许不再需要从头学习每一种技能

我认为 Astra 带来的第一个重大变化，是让机器人对专门训练数据的依赖有了进一步降低的可能。

过去，如果要开发一个能够整理厨房的机器人，可能需要收集大量厨房操作数据，训练它识别餐具、抓取杯子、打开柜门、放置物品。

如果换成整理办公室，又可能需要新的训练数据。

这种方式虽然能够不断扩展机器人的技能，但成本很高。

而通用模型已经通过预训练积累了大量关于物理世界的知识。

它知道杯子通常应该如何放置，理解桌子、柜子、抽屉之间的空间关系，也能够根据任务要求进行推理。

Astra 的实验表明，这些知识不只是能够用于回答问题，还可能直接帮助模型生成动作。

例如，当一个杯子紧贴墙壁时，模型可以根据空间关系推断，从侧面抓取可能发生碰撞，因此应该考虑从上方接近。

这种能力不一定来自大量相似动作的模仿，也可能来自通用知识和推理。

如果未来的模型能够进一步提升这种能力，那么机器人开发可能不再需要为每一种任务都收集大量示范。

开发者只需要提供机器人的结构、控制接口和必要的环境信息，再通过少量适配，就可能让机器人完成新的任务。

这当然还不是今天已经实现的普遍能力，但 Astra 让这种可能性变得更加可信。

通用智能与机器人智能的界限正在模糊

第二个变化更加深远。

过去，我们习惯把语言模型和机器人模型看作两种不同的技术。

语言模型负责理解、推理和规划，机器人模型负责运动和操作。

但 Astra 的表现说明，两者之间的界限可能并没有想象中那么清晰。

一个通过通用预训练获得强大推理能力的模型，可能同时具备解决数学问题、编写程序、操作计算机，以及生成机器人动作的能力。

这些任务看起来差异巨大，但背后可能存在某些共同的智能机制。

它们都需要理解目标、分析当前状态、预测行动结果，并根据反馈调整行为。

从这个角度看，操作计算机和操作机器人之间，也许并不存在本质上完全不同的智能需求。

它们最大的区别，是交互环境和动作接口不同。

计算机操作面对的是相对离散、规则明确的软件环境，而机器人面对的是连续、复杂且充满不确定性的物理世界。

后者当然困难得多。

但如果通用模型已经掌握了任务理解、规划和推理等核心能力，那么机器人控制需要解决的问题，可能越来越集中在物理感知、运动控制和环境适配上。

这意味着，具身智能可能不需要重新创造一套完全独立的智能体系，而是可以建立在通用智能模型之上。

这或许是 Astra 最值得关注的意义。

但 Astra 还远远不能独立控制机器人

当然，Astra 的表现也暴露出一个非常明显的问题。

它太慢了。

在相关实验中，Astra 直接控制时，平均每次推理需要约18.56秒。

对于一个需要不断感知环境、调整动作的机器人来说，这样的延迟显然无法满足大多数实时控制需求。

一个正在行走的人形机器人，不可能每隔十几秒才决定如何调整关节。

机器人在接触物体、保持平衡或者躲避障碍时，往往需要以远高于这个速度的频率进行控制。

因此，Astra 目前证明的是通用模型能够生成有效的动作决策，而不是它已经能够独立承担完整的实时机器人控制。

不过，我认为这未必是决定性的障碍。

未来的机器人很可能采用分层架构。

通用大模型负责理解任务、制定计划、分析异常和决定行动目标。

专门的动作模型负责将目标转化为连续运动轨迹。

底层控制器则负责高频、精确和安全的运动控制。

这有点类似人类的运动方式。

当我们决定拿起桌上的杯子时，并不需要有意识地计算每块肌肉应该如何收缩。我们只需要确定目标，具体动作由已经掌握的运动技能和神经控制机制完成。

这种分层架构在 Astra 之前就已经存在，但 Astra 的进步让通用模型能够承担更复杂、甚至更直接的机器人控制任务。

未来的具身智能系统，可能由一个通用智能核心，加上不同机器人专用的动作和控制模块组成。

这样一来，不同机器人就有机会共享越来越多的认知能力，而不必分别训练完整的智能系统。

机器人行业的竞争方式可能改变

如果这条路线继续发展，具身智能行业的竞争格局也可能发生变化。

过去，机器人公司的一项重要竞争优势，是拥有大量真实机器人数据。

谁能够部署更多机器人、收集更多操作数据，就可能训练出更强的机器人模型。

但如果通用模型本身已经具备较强的物理理解和动作推理能力，那么专门机器人数据的作用可能发生变化。

它不再只是让机器人获得基本智能的主要来源，而更多用于提高动作精度、实时性和可靠性。

这并不意味着机器人数据会失去价值。

恰恰相反，涉及触觉、摩擦、接触动力学、复杂物体操作等方面的高质量数据，可能变得更加重要。

机器人硬件、传感器、运动控制和真实环境中的可靠性，也依然需要大量工程投入。

但通用智能模型可能成为越来越多机器人共享的基础。

未来，一家机器人公司最重要的能力，未必是从头训练一个完整的机器人“大脑”，而可能是如何将通用智能高效、可靠地连接到真实的机器人身体上。

人工智能的终点，可能比我们想象中更近

Astra 在具身智能领域的表现，让我产生了一个更加大胆的猜想：人工智能在核心智能能力上的探索，是否已经开始接近终点？

这里所说的终点，并不是人工智能技术不再发展，而是我们可能已经找到了构建通用智能的基本方法。

从语言理解、复杂推理，到编程、Computer Use，再到如今的机器人动作生成，随着通用模型能力不断增强，我们发现越来越多的任务可以由同一种基础模型完成。

如果这条技术路线能够继续发展，我认为接下来最关键的突破将是两个问题：长期记忆和持续学习。

一旦解决这两个问题，通用模型就能够像人类一样，不断积累经验，并将经验转化为新的能力。

想学习编程，就让它使用计算机；想学习科学，就让它阅读论文、开展实验；想学习机器人控制，就让它进入物理世界，在实践中不断尝试和改进。

届时，我们或许不再需要为每个领域分别寻找新的智能算法，而只需要让同一个通用智能系统进入不同领域，通过学习逐渐掌握相应的知识与技能。

当然，真实世界的复杂性不会因此消失。如何提高学习效率、保证系统安全可靠，以及降低模型的训练和使用成本，仍然是巨大的挑战。

但这些问题可能更多地属于智能的应用与工程实现，而不再是智能本身的根本问题。

因此，我想做一个大胆的预言：如果当前通用大模型最终解决了长期记忆和持续学习问题，那么人工智能最核心的智能问题，可能就已经基本得到解决。

Astra 在具身智能领域展现出的能力，或许正是这一趋势的重要信号。

我们可能不需要为数字世界和物理世界分别创造两套完全不同的智能。未来的人工智能，也许就是同一个能够记忆、学习和持续成长的通用智能系统，通过不同的接口和身体，逐渐掌握整个世界。

如果这一判断成立，那么我们距离人工智能发展的终点，可能比想象中更近。而真正漫长的，将是此后让这种智能走进现实世界的过程。