在外滩大会的讨论中，具身智能领域的从业者们正面临一种新的焦虑：随着通用大模型能力的快速提升，具身智能是否会被其取代或边缘化？这种担忧源于OpenAI发布GPT-6 Astra后，围绕其控制机器人的演示引发的广泛测试与争议。极佳视界联合创始人朱政指出，语言模型已吞噬多模态，并开始侵蚀具身智能领域，而人才、算力和资金的全面优势让大模型公司成为潜在的竞争者。
OpenAI明确表示将进军人形机器人及其他形态机器人市场，这无疑给仍在打磨初代产品的创业公司敲响了警钟。上游模型供应商的直接竞争可能性，让行业内的紧张情绪进一步加剧。然而，并非所有声音都持悲观态度。蚂蚁灵波CEO朱兴以自动驾驶为例反问：OpenAI或Anthropic若涉足该领域，能否在短时间内颠覆特斯拉？自变量机器人创始人王潜则认为，数据、验证和硬件等基础设施仍是大模型公司进入物理世界时需要补齐的短板。
尽管焦虑情绪存在，但一些团队已开始将Astra应用于研发中，例如生成仿真场景或与具身模型共同控制机器人。这种融合带来的变化远比“谁取代谁”更为复杂。通用认知能力的吸收、专用模型的替代以及机器人公司业务的接管，这些跨度极大的事件被简单归结为“降维打击”，容易掩盖问题的本质。事实上，具身智能与通用大模型之间确实存在边界，但这些边界并非固定不变，今天的难题也不会自动成为某家公司的永久优势。
一种观点认为，当通用智能达到足够高的水平，机器人所需的能力将自然涌现。然而，王潜在外滩大会上对此持保留态度。他指出，语言模型编程能力的进步依赖于大量编程数据、完善的数据基础设施和验证体系，而视频生成的进展并未直接解决机器人动作控制的问题。能力的跃升往往需要对应的学习材料、训练目标和反馈机制，忽略这些投入而将结果全部归因于通用智能的自然外溢，会导致对未来突破所需代价的误判。
破壳机器人创始人许华哲的测试提供了更具体的观察视角。他将具身任务拆分为语义、空间和物理三个层面，发现Astra在语义和空间能力上表现强劲，但在复杂的接触任务中仍面临困难。例如，用筷子挑开物品或叠衣服等任务尚未取得理想结果，双手递物测试的成功率也较低。这表明，知道物体的位置和目标与掌握接触后的变化之间仍存在差距，机器人需要在实际交互中处理无法仅凭外观确定的变量。
基于RoboDojo十项双手操作任务的研究进一步支持了这一观点。GPT-6 Astra Direct直接控制架构的成功率为26%，而与π₀.₅结合后成功率提升至48%。然而，混合架构中Astra仅对14.4%的执行控制步作出修正，其余85.6%直接沿用π₀.₅的动作。这组数据表明，通用推理与局部操作经验的结合具有重要价值，但物理技能仍在发挥作用，完整系统距离可靠工作仍有提升空间。
蚂蚁灵波科技首席科学家沈宇军提出，机器人必须持续接收传感器输入，并在推理和执行动作时依据新信息随时调整行为。物理世界的动态性对模型的持续感知、及时反应和部署效率提出了高要求。Google DeepMind发布的Gemini Robotics 2也印证了这一点，其明确指出多指灵巧操作仍存在挑战，并为具身智能配置了专门的模型与系统。
能力边界的跨越未必依赖单个模型包办一切。专门训练、系统协作和端侧部署都在参与这一过程。朱兴用自动驾驶类比指出，模型能力与产业能力之间存在距离，训练技术的领先并不能省去对场景的理解或直接换来成熟的数据管线。判断和积累数据的“know-how”是更具壁垒性的工作，而模型优势转化为产业优势仍需补上多个环节。
数据壁垒正面临双重变化。源策未来团队已用GPT-6通过编程生成仿真场景，降低了前期数据研发成本。然而，仿真资产的物理属性准确性、失败情形的覆盖范围以及能否改善真机表现，仍需具身团队的判断。拥有生产工具与知道该生产什么之间仍存在距离，而持续发现问题的能力——例如识别机器人在哪些情况下容易失败、采集对应场景数据、从失败中识别缺失信息并通过训练确认改进——才是更难复制的积累。
面对通用大模型的冲击，具身智能厂商开始探索“物理原生”或“具身原生”模型的重要性。影身智能创始人闵伟强调，仅在语义基座上微调改造的具身模型极易受到GPT-6的冲击，因此其团队坚持原生4D模型基座，拒绝在2D视频或语义模型上简单拼接改造，并优先在轻工业柔性等垂直场景中跑通商业闭环。他认为，未来的OpenAI可能更像基础设施提供者，而非吃掉所有应用，因为商业边界决定了这一点。
具脑磐石CEO朱森华则从更深的层次回应了“类脑路线能否抵抗大模型侵蚀”的问题。他指出，神经网络本就包含脑启发思想，强调类脑智能是为了寻找克服现有AI瓶颈的方法，如数据依赖、泛化能力弱、增量学习难和能耗高等问题。GPT通过堆数据提升性能，但并未解决这些根本性挑战。未来更强的AI可能需要改变模型架构、训练方式乃至软硬件组织，以适应物理世界的具体要求。
沈宇军在外滩大会上提出了更具开放性的判断：具身智能甚至可能反过来影响大模型的发展路径。机器人通过传感器持续感受环境，这些现实反馈能够成为更高层模型的新学习材料，推动AI改变自身而非仅接受既有模型的能力输出。这与许华哲提出的“大模型、具身模型与物理世界应连接成完整系统”以及RoboDojo上的混合架构尝试形成了共识。
未来的竞争格局未必以“语言模型公司”和“具身智能公司”为界。从语言起家的公司可能逐步补齐物理数据、端侧模型和机器人产品，而从机器人起家的公司也可借助更强的通用工具集中资源探索物理学习与新范式。数据、硬件、场景经验和新范式都有可能成为优势，但只有将其转化为更可靠、更经济的产品并转动起飞轮，才能逐渐形成护城河。Astra带来的压力正在缩短行业证明自身价值的时间，而企业能守住的空间大小，最终取决于它在边界移动之前完成了多少难以复制的工作。
