具身智能的技术栈或将被改写，让机器人少走十年弯路。 过去两年，具身智能尤为性感的故事之一，就是“大脑”。 在海外，从Physical Intelligence的π系列，到Figure的Helix,再到Google DeepMind的Gemini Robotics,全球极受关注的一批具身大脑模型，都在尝试把视觉、语言和动作放进同一个学习框架。 国内创业公司也沿着这一方向涌入，根据IT桔子数据，2026年上半年，国内具身智能赛道融资322笔、总额935亿元，较2025年同期增长5倍，其中超过一半的资金涌向VLA模型、世界模型和数据基础设施，“大脑-小脑-本体”成为主流技术路径。 但这条路走了两年，行业发现，“大脑”依然是那块极为难啃的骨头。然而，2026年9月3日，GPT-6 Astra发布，给具身智能的发展带来新的变量。 OpenAI对它的官方定位依然是通用模型，没有直接提及机器人。但当研究员将GPT-6 Astra接入人形机器人后，瞬间引爆了具身智能产业。在9月12日GitHub上的评测报告《GPT-6 Astra as an Embodied Policy》中，GPT-6 Astra以碾压性的比分超越，“空降”RoboDojo榜一。 《GPT-6 Astra as an Embodied Policy》中GPT-6 Astra在十项机器人测试中断层第一 通用大模型，真要杀回具身智能“主桌”了？ 1.通用大模型，杀回“主桌” 想要真正理解这次GPT-6 Astra对整个具身智能产业冲击的力度，首先得理解两个基础问题：具身智能究竟想解决什么？以及，为什么这事很难？ 具身智能的终极目标始终是无人化作业，也就是让机器人实现“自治”。而让机器人动起来，只是这条路线的起点。 过去十几年里，整个机器人产业进展最快的是“身体”和“控制”。机械臂解决了确定性环境下的重复作业，轮式底盘把作业半径从工位扩展到了整个车间……本体形态的丰富，让机器人能到达的场景变多了；而控制能力的提升，则让机器人在这些场景里真正把活干稳。两者叠加，机器人的自治边界才被一步步拓宽。 但轮式底盘和机械臂的自治边界是有上限的——它们依赖相对结构化的环境。在诸多本体形态中，双足人形机器人更有机会逼近更完整、更广泛的自治边界。因为人类环境本身就是按双足形态建造的，门把手、楼梯、工具、工位，都是为人设计的。行业意识到这一点后，人形机器人在本体上又持续迭代了很多年。 控制层也在同步演进。到了具身智能时代，强化学习和仿真训练推动了人形机器人的运动控制。走路、跑步、上下楼梯、摔倒后起身已经逐渐变成行业基础能力。灵巧手、电机、减速器和力传感器仍在进步，本体的可用性也在持续提升。 身体和控制这两层，正在逐步成熟。但真正难的地方，也随之暴露出来：认知和决策，即，如何让机器人在开放环境里自主判断该做什么、怎么做，或者说，让机器人“长脑子”。 国内清华系创企动易科技的双足人形机器人PHYBOT C2，可以看作一个典型的案例。 在2025年底，动易科技团队在全球范围内先一步实现了双足人形机器人与人自主对打羽毛球的能力；今年4月的广交会上，这台身高1.35米的双足人形机器人手持球拍与现场观众智能对打，正手、反手、挑球都能接住，全程不需要工程师介入。 （动易科技双足人形机器人与人自主对打羽毛球） 让双足人形机器人自主与人对打羽毛球，难点在于时间窗口极窄，球从对手球拍离开到抵达己方击球点通常不到一秒，机器人要在这段时间里完成观察、判断、跨步、引拍、击球的全链路，任何一环的延迟都会导致失败。而PHYBOT C2的成功证明了一件事：在几十毫秒量级的闭环里，具身智能已经可以凭端到端的感知决策模型，脱离遥控和预设，完成自主状态下的高动态实时交互。 但也要看到，打羽毛球相对是目标单一、规则封闭的任务，机器人不需要思考打完球之后该干什么。PHYBOT C2先撕开了人形机器人实时决策的口子，但具身智能的长程任务和多任务规划能力仍未突破；后者需要的，是能对物理世界建模的理解力，以及能读懂人类意图和逻辑顺序的理解力。 换句话说，想让机器人“长脑子”真的很难。 在大语言模型（LLM）爆发的早期，研究员们不是没想过把大语言模型平行移植到具身智能机器人身上，可惜效果实在欠佳。在专门考察长程家庭任务中规划级自治能力的Long Act基准测试中，GPT-5在HoloMind框架下的目标完成度为59%，完整任务成功率仅16%；Qwen3-VL-32B分别为51.2%、15%。而同组人类被试的成功率是93%。 LLM走不通，VLA、世界模型等路线逐渐成了产业的“香饽饽”。随之而来的，是大规模数据采集，更大的VLA模型、更大的世界模型，以及更强的模型形态。 值得注意的是，VLA出现的时间并不比LLM晚。2023年，谷歌RT-2将机器人