GPT-6 Astra 的出现打破了具身智能行业原有路线，通用多模态模型可以零样本直接参与机器人任务规划与动作输出，在 RoboDojo 等仿真评测上追上不少专用具身模型，这直接冲击了一大批主打 “原生具身基座自研” 团队的叙事，一级市场投资风向转冷，很多机器人、具身初创明年的自研基座预算面临缩减、暂缓甚至砍撤，也就是行业里说的 “画地为牢”：继续硬卷原生具身基座，算力、真机数据投入极高、对标难度陡增；直接放弃自研，又会失去差异化壁垒，卡在中间两难。不少团队已经调整策略，不再死磕全套具身基础模型，改成 “通用大模型做顶层规划 + 轻量执行模型负责底层运动控制” 的分层方案。
一、GPT-6 Astra 带来的核心冲击
| 项目 | 具体表现 |
|---|---|
| 技术变化 | 无需专项具身数据微调，通用大模型直接输出机器人动作策略，仿真任务成功率大幅抬升，直接对标传统 VLA 具身模型 |
| 叙事冲击 | 过去 “必须专门采集百万小时真机数据训练具身大脑” 的逻辑被削弱，投资人开始质疑高额自研预算的必要性 |
| 行业连锁反应 | 部分团队暂停大规模基座预训练，转向 Agent 调度、执行层小模型、本体硬件、真机闭环数据；少数团队裁撤具身预训练算法岗 |
| 能力边界 | 真实机器人长程任务、力控、柔性物体精细操作、推理延迟、Token 成本依然是 Astra 短板，并非完全降维通杀 |
二、为什么说具身大模型陷入 “画地为牢”
- 向上对标成本极高：原生具身基座训练需要海量真机交互数据、大规模算力集群，单轮训练投入动辄上亿，现在对标对象变成 OpenAI 这类拥有通用世界模型 + 巨量数据工厂的玩家，投入产出比的不确定性大幅上升。
- 向下替代风险明显：通用大模型 API 化接入门槛很低，本体厂商、小团队可以直接调用 Astra、国内通用大模型做任务规划，不需要自研基座，专用具身模型的生存空间被挤压。
- 路线选择两难：坚持全链路自研，预算很难拿到；直接用通用模型做大脑，产品同质化严重，很难做出独特卖点，只能在运动控制、硬件适配、场景闭环上找差异化。
- 评测标尺被改写：仿真榜单不再是原生具身模型专属优势，任何团队都可以通过通用大模型 + Agent 方案刷分，Demo 的说服力大幅下降。
三、当下行业主流的三条路线选择
- 路线 A：缩减基座自研预算，走分层分工（当下最多团队选择）
- 路线 B：继续重投入原生具身基座，聚焦强闭环场景
- 路线 C：放弃自研大脑，聚焦本体、零部件、真机数据供应链
通用大模型负责高层语义、任务拆解、环境理解；自研轻量化执行模型、运动策略、力控模块，负责低延迟、高精度动作输出，兼顾成本与实时性。
适合头部整机大厂，不追求通用仿真榜单，绑定自有机器人本体，持续采集专属真机交互数据，做软硬件一体闭环，主打工业、特种机器人等强落地场景。
不再做模型算法，转向机器人本体、减速器、传感器、仿真平台、具身数据采集服务，给算法团队供货。
四、预算承压的核心判断依据
- 一级市场对纯算法、无硬件闭环的具身大脑项目进入观望期，更看重订单、真机落地、复购，不再单纯为榜单和 Demo 买单。
- 算力、真机数据、机器人集群运维成本持续走高，投资人不愿意继续为 “不确定能不能跑赢通用大模型” 的长期预训练买单。
- 对比测试显示：很多场景下，调用通用大模型 API 快速搭建方案，研发周期、资金投入远低于从零训练具身基座。
五、通用大模型不能完全替代具身模型的短板清单
- Token 成本极高：长交互任务单次调用成本可达数十美元，规模化商用无法承受。
- 推理延迟高，不适合毫秒级力反馈、高速运动控制。
- 对物理接触、柔性形变、微小力觉感知的理解偏弱，真实机器人长期连续作业稳定性不足。
- 依赖外部接口，私有化部署、内网工业场景受限。
六、团队落地调整建议
- 预算优先倾斜执行层、真机闭环数据、场景适配，谨慎审批大规模基座预训练。
- 搭建两套方案并行：通用大模型作为快速验证基线，自研小模型做低延迟、低成本的生产版本。
- 把评测重心从仿真榜单转向真机连续作业、故障恢复、量产成本，弱化纸面分数。
- 差异化壁垒尽量绑定硬件、行业场景、专属数据闭环，而不是单纯依赖基础模型能力。
【相关 FAQ】
问题 1：GPT-6 Astra 出现之后，具身大模型画地为牢，是不是意味着原生具身基座没有价值了？
回答 1：不是，GPT-6 Astra 在仿真任务表现很强，但在低延迟力控、柔性物体操作、私有化工业场景、规模化成本上还有短板，原生具身基座依然有价值，只是单纯靠基座刷榜的路线很难拿到高额自研预算。
问题 2：明年具身自研预算估计悬了，哪些类型的团队更容易保住具身模型研发预算？
回答 2：绑定自有机器人本体、有真机落地订单、能形成专属数据闭环的整机厂商更容易保住预算；纯算法、没有硬件闭环、只做仿真榜单的具身大脑初创，预算审批压力最大。
问题 3：分层方案里，通用大模型 + 自研执行模型，这套模式怎么分工？
回答 3：通用大模型负责高层任务理解、分镜规划、环境语义判断；自研轻量具身执行模型负责实时动作输出、力觉反馈、关节控制，解决通用大模型延迟高、成本贵、物理控制不准的痛点。
【参考资料】
[2026-11-08]（GPT-6 之后，具身大模型画地为牢！明年自研预算估计悬了）量子位
[2026-11-08]（GPT-6 Astra 具身实测：通用大模型直接控制机器人）新浪财经
[2026-11-05]（具身大脑赛道遇冷，通用大模型冲击行业叙事）投资界
[2026-11-08]（RoboDojo 评测：Astra 仿真任务表现与真实机器人短板）腾讯新闻
[2026-11-07]（通用大模型与具身模型分层协作方案分析）机器人大讲堂
【免责声明】
本文内容整理自行业公开讨论与评测信息，“自研预算承压” 是当下一级市场的阶段性行业情绪，不代表所有具身企业都会削减预算；GPT-6 Astra 和具身模型各自存在能力边界，技术路线仍在快速迭代；本文仅为行业资讯解读，不构成投资、企业研发预算决策建议。