OpenAI Astra 是对具身模型的降维打击吗?
我看这两场具身智能圆桌，最值得关注的，是几位从业者对同一组进展给出了不同解释：有人看到了独立物理模型的必要性，有人看到了通用模型继续扩张的空间。
分歧背后，有三个需要分开判断的问题：模型已经会什么，机器人还缺什么，以及这些缺口最终由谁补上。
认得世界、理解空间，与完成操作仍有距离
据许华哲在圆桌中的分享，他们测试的Astra能够识别桌面物体、抓起细小的筷子，还能将筷子立起来插进杯子。这说明，通用模型的能力已经开始从语义理解延伸到三维空间中的操作。
但在用筷子挑动物体、叠衣服等复杂接触任务上，它仍然表现不足。另一位嘉宾陈博远分享的夹爪拿杯子实验，则需要四十分钟到一个小时才能完成。
这些测试条件并不统一，不能直接当作性能排名。但它们指出了一个关键区别：知道该去哪里、该拿什么，与能够快速、稳定地完成动作，是不同的能力。
我认为，评估具身智能必须同时看语义、空间和物理三个层面。一次成功演示能够证明可能性，实际应用还要回答速度、成功率，以及环境变化后能否继续完成任务。
物理世界要求模型持续感知和调整
陈博远强调控制延迟，沈宇军强调持续输入，两人的观点指向同一个问题：机器人工作时，世界不会停下来等它思考。
传感器不断送来新信息，物体可能滑动，人可能突然靠近。模型需要一边执行，一边根据新情况修改动作。对聊天影响不大的延迟，放到机器控制中，可能已经跨过多个控制周期。
这也是独立具身模型路线最有说服力的依据。它要解决的核心问题，是持续感知、实时决策和动作反馈如何形成闭环。直接沿用轮次式对话的训练与推理方式，未必适合这样的工作环境。
不过，我不会据此认定通用模型存在不可突破的上限。喻超提出了另一种解释：输入的表达方式和执行系统，也会限制模型表现。他们调试硬件时，把轨迹作为纯数值输入，与用对比图片输入，得到的效果就明显不同。
因此，当前失败究竟来自模型能力、信息表达，还是执行接口，需要分别验证。整套系统的短板，不能全部归到模型头上。
分层已有共同基础，是否统一仍有分歧
几位嘉宾虽然立场不同，但对能力分工已有相当接近的认识：通用模型擅长理解意图、分析环境和规划长程任务，精细操作仍需要专门的动作策略。
韩铮特别强调，底层技能必须在高成功率下实现泛化。我认同这个要求。上层把任务拆解得再合理，只要执行环节不稳定，完整任务就难以交付。
真正的分歧，是这些能力将以什么形式组合。它们可以由上下层模型通过接口连接，也可能像姚卯青提出的那样，逐步进入一个能够自动切换快慢处理方式的统一系统。
我的判断是，分层是一条清晰的工程路径，但未必是最终的模型边界。能力需要分工，不代表公司边界和模型边界会永远按同样方式划分。
数据壁垒取决于能否持续改善系统
王潜把模型比作训练时的蒸馏器、部署时的容器。他更看重数据如何被生产、筛选、标注和验证。姚卯青虽然更倾向统一模型，也同样把数据视为核心壁垒。
这意味着，通用模型公司进入具身领域，仍要面对现实世界的数据采集、仿真、硬件适配和实机评估。原有模型优势，并不会自动消除这些工作。
但具身公司也不能把已经采集的数据视为永久护城河。喻超提醒，缺少接触信息的常规数据，未来可能需要改变采集范式。数据很多，与数据足以支持下一阶段能力，是两回事。
我更愿意把壁垒理解为一种持续生产有效数据的能力：能否找到失败原因，补充缺失信息，再通过评估确认系统确实进步。这比静态的数据库存更值得关注。
通用能力与物理经验可能双向推进
圆桌中还有一个容易被忽略的方向：具身智能也可能反过来改变通用模型。
沈宇军举例，人会根据天气、温度和对方的神情调整交流方式。机器人持续接触现实环境，可能带来屏幕内交互缺少的数据，并推动模型学习随环境变化而调整行为。
与此同时，王潜从Astra的表现中看到了通用预训练的价值；姚卯青则从视频模型的进展出发，判断扩大数据和模型规模的路线也可能在具身领域延续。这些判断尚不能替代实际验证，但说明专用路线同样可以借助通用能力成长。
所以，我不会仅凭这些演示就判定谁将被替代。更值得观察的是，谁能把理解、规划、物理技能和执行反馈接起来，并通过真实任务不断改善系统。具身公司的独立空间，最终要靠这件事来证明。