OpenAI计划2027年展示人形机器人样机

作者丨薛皓皓

编辑丨子钺

图源丨AI生成

2026年10月18日，OpenAI创始人Sam Altman官宣，公司计划于2027年展示首个人形机器人样机。这是OpenAI首次给出人形机器人的公开时间表，也再次让具身智能圈绷紧神经。

OpenAI曾在2017年展示机械手解魔方，却在2020年停止了机器人研究，又在2024年重启机器人研究的招聘。过去每次OpenAI说要做机器人，业内都会说一次“狼来了”。

但这一次，情况有所不同。2026年9月，OpenAI推出GPT-6 Astra，能够以零样本控制机械臂抓放物体，展现出比过往模型强得多的物理空间理解能力。早前有消息称，OpenAI正通过自建具身数据工厂和外采数据两种方式，累计上千万小时的具身操作数据用于AI训练。

文章配图-1

Astra公布后，极佳视界创始人朱政在2026年外滩大会上直言：“这次狼真的来了，放弃幻想。”极佳视界是一家国内世界模型赛道的头部公司。朱政口中的“狼”，不单指OpenAI一家，而是以OpenAI为代表的大语言模型公司——既有国外Anthropic、Google，也有国内智谱、DeepSeek、字节等。它们极有可能在未来几个月公布在具身智能领域的新进展，并凭借更多的算力、更多的资金和更高的人才密度，与独立具身大脑公司开展竞争。

对众多具身智能创业公司来说，这波冲击究竟有多大？

机器人要完成动作，“具身大脑”负责感知、理解、任务规划和决策推理，相当于人的“认知系统”；“具身小脑”则负责更快的运动控制，让关节和夹爪稳定执行。而真正让机器人把决策转化为动作的，是专门训练的具身基座模型（以下简称“具身基模”）。

目前具身模型技术路线尚未收敛，但呈现出一种相对明显的演进方向：VLA率先把视觉、语言和动作连在一起，让机器人能够“看见指令就动手”，但VLA模型的短板在于泛化性不足，导致机器人换个任务场景就容易失灵。

世界模型补上的，正是这种“动手前先想一步”的能力：它根据当前状态和候选动作，预测环境与机器人自身接下来可能发生的变化，帮助系统比较方案、规划步骤和纠正偏差。最新趋势是让世界模型负责预演和规划，VLA负责把计划转成稳定动作，或进一步将预测未来与生成动作合为一个模型（例如世界动作模型WAM）。

传统大语言模型原本主要处理文本，但GPT-6 Astra这类模型，现在还能看图、听声音、调用工具，能够充当机器人的“高层大脑”：理解指令、识别环境、拆解任务和发现异常。

当以大语言模型为基座的通用模型（以下简称“大模型”）开始切入“具身大脑”的领域，留给创业公司的空间还有多少？OpenAI真的会“吃掉”这批独立的具身大脑公司吗？

大模型会“吃掉”具身大脑？

悲观预判开始流行

“在大模型冲击下，具身智能已经七零八落了，未来就是大模型做大脑。”一家具身仿真数据供应商的联合创始人王怀（化名）认为，大模型正在“吃掉”独立的具身大脑。

从Astra在机械臂的部署效果看，他认为其已经具备空间理解能力，也具备了一定的物理理解能力。前者指物体在物理空间的位置，后者指理解施加作用力后产生的效果。而目前较薄弱的物理理解能力，有望在后续技术迭代下快速弥补，甚至实现超越。

这并非王怀的一家之言，而是业内正在流行起来的一种观点。宇树科技创始人王兴兴近期也表达了类似看法。他把Astra部署到多种机器人上做各种任务测试，认为效果实际上非常不错。宇树科技长期被外界认为本体做得好，具身大脑并未同样出色。对此，王兴兴认为，业内具身大脑技术还未发展起来，等到技术成熟，宇树机器人可以立刻引入外界成熟的大脑方案。

“我感觉整个临界点的到来还是会相对比较快，快的话甚至一两年，因为明年GPT-7出来，可能直接把具身智能问题打穿。”王兴兴表示。

Astra是大模型公司进入具身智能的一声响亮枪响。其实不仅OpenAI，Google和Anthropic也在布局机器人：Anthropic在今年7月发布《Claude操作机器人》一文，展示了让大模型生成末端执行器位置的能力。

国内大模型公司也在蠢蠢欲动。智谱、月之暗面（Kimi）正在组建自己的机器人团队，DeepSeek则公开表示物理AI是其追求AGI路上的一个里程碑。据王怀透露，国内大模型公司已经找其接洽相关仿真数据产品合作，用于大模型训练。

不过，大模型会“吃掉”具身大脑这一判断，建立在大模型持续高速迭代的设想上；落地到真实机器人，仍存在现实硬约束。公开实测可以看到Astra的能力边界。

Astra的现实边界

并非所有人都认同上述判断。质疑者认为，大模型会涉足物理世界，但具身基模有着独特的价值，具身基模公司需与大模型公司合作。

最直接的证据，来自银河通用在Astra发布不久后，于GitHub上发布的一份30页技术报告。这份名为《GPT-6 Astra作为具身策略》的报告，在机器人仿真测试平台RoboDojo上，将Astra与开源具身基模π0.5放进同一套仿真双臂测试台，进行十类复杂操作任务共50 次。结果显示：Astra单干成功率只有26%，接入 π0.5 后成功率升至48%；而Astra 全程只修正了全部执行控制步的14.4%——剩下85.6% 的动作仍由 π0.5 直接给出。

在十项任务平均分上，Astra+π0.5组合得分最高；在排列最大数字、叠衣服等任务中，混合部署也验证了这种分工的有效性。

注：Astra+π0.5获得RoboDojo相关实验的十项任务平均分最高

这一实验结果一定程度上说明了一种暂时有效的分工——Astra充当具身大脑，用于判断目标、检查任务状态等慢思考功能；π0.5充当听从Astra指挥的具体执行系统，用于将指令、状态等转化成机器人本体、接触、运动的物理动作。

这一报告说明，大模型已经能拿下“认知层”，却仍吃不动“物理层”。因此，当前的可行解是“通用推理 + 专用操作”的混合架构，而非用大模型替代具身模型，也就是大模型做System 2顶层认知、具身模型做 System 1物理执行。

成本则是另一重约束。世界模型初创公司脸谱心智创始人陆弘远，在机器人仿真测试平台RoboDojo上发现，完整地用GPT-6 Astra跑完一套实验，需要消耗20万美元。

这笔高昂的实验费用恰恰表明，在大规模、长链路的机器人任务评测中，Astra的推理和试错成本仍然很高。这也限制了Astra作为机器人控制方案的快速迭代和商业化部署。

上述混合架构所体现的分工，也切合破壳机器人创始人许华哲在2026年外滩大会上的判断：“Astra的语义和空间理解强，但物理相对弱，它可以充当动作策略之上的反馈与纠错层。”

王怀的说法更直接：“你让Astra做一个非常简单的机器人任务，它可以执行，但效率很低，对物理世界的了解还不够。”在他看来，目前Astra用于机器人仍存在两个问题：一是效率，二是执行不到位，包括动作精度不够、长任务可靠性不足等。

长期投资具身智能产业链的VC合伙人肖虹（化名）也持类似观点：“通用模型会更多承担顶层语义理解、部分空间理解和任务判断；精细动作、物理交互、高频控制仍需具身侧的专用模型。”

借助于卡尼曼《思考，快与慢》的观点，可以更易理解：未来Astra更像机器人的“慢思考系统”，它擅长审视任务、安排任务步骤、遇到异常的纠偏等；π0.5等具身侧的专用模型更像“快思考系统”，可把视觉、触觉、本体状态、既有动作经验迅速转化为连贯轨迹。

估值叙事正被改写

目前来看，更大的冲击体现在独立具身大脑公司的投资估值上。

自今年初以来，具身大脑的资本热度持续升温。据中泰证券统计，2026年上半年，以具身大脑为核心业务的公司吸纳融资222.53亿元，占具身智能赛道融资的50.8%，而机器人本体整机公司同期融资仅56亿元，占比12.8%。

头部创业公司的估值同步走高，银河通用、星海图、智平方、千寻智能、自变量机器人等“大脑派”公司相继突破200亿元估值。

过去一年，具身智能公司估值水涨船高的核心原因，在于“独立具身大脑”这一叙事，即认为物理AI领域会诞生独立的“OpenAI”。

世界模型创业公司是这一叙事的典型载体：公司成立不久，估值就可达到2亿美元。这是因为资本市场认定世界模型作为具身专用模型的主流技术路线，是解决目前机器人智能泛化性不足、不会在工厂及家庭干活问题的最有效的方式之一。因此，世界模型公司往往都讲一个“具身智能的物理AI”故事，资本市场也寄望它们开辟一个独立于大模型、且规模大于大模型的市场空间。

但这一叙事逻辑可能迎来180度大转弯——物理AI领域的“OpenAI”，可能就是OpenAI本身。

投资人肖虹将今年上半年涌现的一批世界模型创业团队视为“具身泡沫中后期”的信号：一些团队技术路线仍在快速分化，尚未证明能稳定落地，但估值已迅速被推至数亿美元。“公司出来什么都没有，就估值两亿美元”，他认为这类定价与尚未收敛的技术风险并不匹配，因此对出手投资持谨慎态度。

他认为，Astra一出，以世界模型为代表的具身大脑公司估值势必打折，最受冲击的将是资源不足、入局较晚、且纯讲具身大脑或世界模型故事的中腰部公司；头部公司会有足够的资金和资源实现转型。这些公司此前的估值叙事，正被OpenAI亲手撕碎。

在肖虹看来，Astra 出现后的具身智能行业更像处在一个“认知点”上：大模型、VLA模型、世界模型等AI模型技术究竟如何重新分工，尚未形成相对稳定的答案。因此，当前观察技术迭代比出手投资更重要。

估值叙事的扭转，也将让赛道内不同类型的创业公司，迎来截然不同的命运。

创业公司分化

Astra之后，创业公司的分化将会出现。

受冲击最直接的是只讲“纯大脑或纯世界模型”故事的中腰部公司。肖虹的判断很直接：“世界模型创业公司的估值，肯定要打折。”陆弘远的看法也类似，他认为接下来行业会迎来一波出清。没有模型、技术可行性未验证、缺少真实结果的公司较为脆弱；有硬件基础、研发积累、真实业务的公司更有韧性。

脸谱心智的技术路线有外部验证，但商业化瞄准更通用的范畴，并不急于押注具身。今年6月，脸谱心智发布自研世界模型技术报告，采用了循环架构；创始人陆弘远确信Astra也运用了循环架构，并将其视为对循环架构思路的一次外部验证。“使用循环架构可让模型训练的数据需求量减少至原来的几十分之一，甚至一百多分之一，算力减少1～2个数量级。”

不过，陆弘远也认为，Astra等大模型会进入物理AI领域，但受时延、成本与工程化限制，大规模部署到机器人仍需相当长时间。他不把产品落地方向锁定于具身，而是瞄着更通用的方向。技术被验证不等于商业化路径已经锁定。

还有一类公司，转向的是“具身小脑”或与大模型协作。王怀认为，当大模型成为具身大脑，原本独立做具身大脑的公司更胜任转型成“具身小脑”公司——根据机器人对当前物理空间及所处状态的感知，更轻、更快地决策、精细操作，甚至形成条件反射。头部公司资金和资源更丰富，也更容易转向与Astra等大模型协作。

值得一提的是，这一技术趋势变化，可能利好机器人本体能力更强的具身公司，比如宇树科技。随着技术进一步发展，当大模型逐渐“接管”具身大脑，这些本体较强的具身公司可与大模型公司合作，弥补自身在物理AI方面的短板。

数据生意迎接新客户

大模型入局具身智能，不仅改写具身大脑创业公司的命运，其影响也传导到上游的数据供应商。

自变量机器人创始人王潜曾有一个被反复引用的判断：“智能的本体存在于数据、评估之中。”

对做具身数据的采集与处理的公司而言，OpenAI等大模型公司进入机器人领域，很大程度上是好事，因为客户源拓宽了，收入结构也可能随之改变。

星忆智能是做第一人称人类数据采集与处理的初创公司，原本主要客户是具身智能领域的公司，但创始人宋知珩发现，来自大模型公司的客户正在显著增加。“现在我们的主要客户还是将我们的产品用于训练具身基模。随着大语言模型走向多模态模型，它们也需要第一人称视角的人类数据。”

他预计，大模型公司对公司产品的需求量，将大于具身模型公司。原因在于，相比具身基模，大模型的参数量更大，理解能力更强，对真实世界数据，尤其对人类操作与交互数据的需求会更明显。

不只是真实世界数据，原本提供具身仿真数据的公司也能拓展到新的客户来源。仿真数据供应商王怀认为，对于想训练物理AI能力的大语言模型而言，仿真数据是有用的。“以前VLA等具身基模接收不了相对粗糙的仿真数据，但训练物理AI的大模型理解能力更强，可以接收仿真数据，而且对异构数据的需求量是上亿、几十亿，甚至万亿级。”

但客户源拓宽，不等于数据生意的商业模式已经成立。投资人的质疑并未消失。

早期基金Alphaist创始人陈哲曾表示，数据公司必须提供今天AI还不能解决的问题的数据，等这些问题被AI学会解决，就需要提供更复杂、更高精度的数据。这直接指向数据生意的可持续性。

即使数据公司能成为模型公司的上游“卖水人”，其生意养活一支团队没有问题，但投资人肖虹对于这门生意是否能长得足够大，仍然存疑。“一是数据是否能跨客户二次销售，是否能避免过度定制化从而降低整体成本；二是数据生意作为一种软件服务生意，是否会和SaaS一样，存在同质化和低价竞争的问题。”他说。

数据生意的机会与隐忧，只是Astra冲击下产业链变化的一环。但正是Astra，让“狼来了”第一次显得真实。

结语