本文来自微信公众号：天南具身公园，首发于2026年10月13日，作者：天南&瓦力，题图来自：AI生成
GPT6出来已经一个半月了，具身里面有了不少探索。
有些人告诉你Astra已经可以实现很多具身任务，但绝口不提推理时间；而又有另外一波人直接说Astra推理耗时太久，具身用不上。
而就在昨天（10月12日），王兴兴说的 GPT-7 或许会打穿具身智能，然后DeepSeek也要考虑下场做具身，整个的风向好像有些变化。
今天一大早，也收到了很多朋友的消息，我能感受到一些焦虑在蔓延。
一大早起床就看到一些关于大模型对于具身影响的未读消息。
但也有人坚持具身是物理世界，大模型只是加速产业落地，但无法完成整个闭环。
是不是感觉有时候行业挺割裂？
如果你炒过大A市场，就应该非常熟悉一句话，“买在分歧时，卖在一致处”。
而现在这种分歧又何尝不是绝佳的“某种认知买点”呢？
......
具身行业现在需要认真想的，绝非是GPT能不能插网线、拼积木这种小事。
反正行业中大家都有焦虑感，我们尝试做个大胆的假设：
“假如GPT、Claude、DeepSeek、GLM等大模型公司已经完成了对于具身的全面占领，并解决了泛化、耗时的问题”，那我们也尝试推演下后面的逻辑。
我们也画了一张 GPT 逐渐侵蚀具身的地形图。
经过密集讨论，天南LightA研究院内部得出的GPT侵蚀地图。
以下是一些内部基于假设的推演，供大家辩证分析讨论。
关于具身行业本身
1. 最起码具身产业不会凉了，但 B 端和 C 端的推演逻辑不一样。
大模型下场做具身，一定会加速智能的收敛。而目前压着整个行业的石头就是模型技术，所以剩下的事反而好办。
大家都可以放心继续干具身大行业，只是方向和逻辑会有改变。
C 端是比较明确的利好。假设后面车和机器人的模型都可以更通用，那用户会有更丰富的体验，帮你开车、聊天、处理杂物等等。所以个人超级助理的雏形，确实可以预想。
而 B 端某些企业会受到较大冲击，之后会诞生新的生产力公司和解决方案公司，AI + 硬件会是更有想象空间的大赛道。
2. 强硬件本体加强大脑，资源会继续向头部聚拢。
梁文锋已经投资了宇树，所以这次的逻辑是具身大脑。
而用 GPT 的逻辑看，本体厂一旦发现接一个外部大脑就够用，它的角色会有些类似主机厂。而主机厂自研大脑的意愿，会比以前更低。
本体厂自己做大脑的意愿下降，有可能意味着大脑公司的客户池缩水。所以纯软公司的难受，可能不在技术上。这也就是说大脑公司的叙事逻辑需要改变，再去和大模型公司卷通用智能行不通。
3. 洗牌加速，国内在硬件上的优势会继续放大。
承接第二点，不难得到这个推理。
原来我们判断是两三年的洗牌周期。现在来看过程会更快，行业 β 也会提前到来。
代价是中间会死一大批公司。但硬件交付和解决方案可能会过得比以前好。
4. 具身的格局没法完全复刻智驾的经验。
这是一句正确的废话。
不过我想强调的是时间窗口上的差别。做智驾的时候大模型还没有现在这么强的能力，所以智驾收敛出来自己的路径。
具身现在完全不是，它晚于智驾也晚于大模型。所以机器人的智能和通用智能会有一定的交叉。
还有一个原因在于成本。智驾阶段性收敛所需要的数据量，对于大部分的主机厂和新势力来说都可以 Cover，所以大家对成本没有那么敏感。
但如果机器人的智能被卷到只有 OpenAI 这种玩家才能下场，那绝大部分初创公司的日子就会很难受。
能不能守住专用模型，取决于这个领域收敛所需的成本，落在初创公司的承受区间里面还是外面。
智驾在里面，具身在外面。
所以具身的 Tier 1 可能会比智驾的 Tier 1 更聚焦细分赛道。小厂的出路也会不一样，具身的场景数量远多于智驾，所以我觉得每个细分赛道都有机会诞生一个赛道龙头。
关于具身的技术看法
1. 对于大模型来说，耗时不是迈不过去的坎，contact-rich 短期是卡点，但接触这层可以靠数据。
虽然现在 GPT-6 很慢，也或许没有真实的物理接触数据训练。但网上已经有很多用 GPT-6 操作机器人的例子，单次的人类示例就可以让机械臂完成一些简单的操作。
而耗时这件事，可以通过部署、小模型和蒸馏来解决。数据层面也可以进一步堆量，这取决于大模型公司的战略方向。
所以这不是具身模型架构的问题，数据还是重中之重。
2. 端侧具身模型的重要性会提上来。
沿着上一点推理，假设大模型的耗时做不下来，但智能层面具身公司无法和大模型公司抗衡，那端侧模型就会是下一个突破口。
而随着硬件性能的迭代，端侧能承载的模型会越来越大。这可能是纯软团队未来的机会。
其实今天我也看到了自然意志发了新东西，50B + 百万小时的模型 Natura-1。这也证明了参数量和数据量对于机器人智能的必要性。
目前端侧的模型可以跑几B的模型，未来几十B也不是没有可能，但大模型的参数量已经卷到了万亿的量级，比具身模型高两三个数量级。
3. 利好本体，逻辑是智能倒逼硬件升级。
模型拉垮的时候，硬件好坏在最终表现上体现不出来，所以过去硬件厂随便搞一搞也看不出差别。
等模型不再是瓶颈，就会倒逼硬件升级，否则智能落不到物理载体上。
硬件本身和供应链都会跟着成长。
4. 但技术的容错空间会变小。
模型在加速个人的研究迭代，这是好事。但迭代一变快，方向的容错空间就跟着变小。
我们已经看到很多小团队用 AI Native 的方式做出来不一样的事情，周期也比以前短很多。
所以技术爆发的周期在持续缩短，押不对一个风口可能就直接落后了。
但领先的周期也不会太长，我认为这是新逻辑下的常态。
方向选择的权重，开始超过执行层。
关于商业和落地
1. 具身最大的饼，也就是模型带来的溢价，或许吃不到了。
过去具身最大的想象空间是：如果一家具身公司能拥有自己的大脑，配合铺开量的本体，它的市值是不是也可以类比下智谱、MiniMax等等。
所以机器人智能的逻辑一旦被大模型公司吃掉，估值锚点有可能就不再成立。
而现在大部分公司还没有出现严重的经营危机，所以如果他们也认可大模型做具身的逻辑，那并购的可能不是不可以想象。
但动机跟过去不一样。过去是“我做不下去了，被人并购”，现在是“我觉得没必要自己做了，不如抱团把事做得更大”。
而另一个角度，机器人智能如果没办法被大模型公司吃掉，两者联合做探索仍然会有价值。
2. 解决方案商的逻辑也会改，短期利好，长期利空。
这里要分两种情况讨论。
一个是短期自研模型被大模型替换。
这种情况下集成商只是少赚了自研模型的溢价，而且研发成本会降。
拿自驾Momenta等举例子，很多 Tier 1 都是不赚钱的，如果可以节省大量的研发成本，那是不是有动力去铺更多的B端客户。
另一个是未来集成环节有可能会被跳过。
如果通用模型做到了完全的自进化，智能的迭代不再需要方案集成商，东西直接放到车上、放到终端上就能用，那对他们的冲击才是最大的。
3. 钱会投向更加细分赛道的解决方案。
这也不是什么新鲜事，投资人对做具身大脑、世界模型已经没什么兴趣，据我们接触下来，单独的模型很难在市场上融到钱，甚至连FA都不接类似的项目。
但通用大模型的逻辑下，新的产品一定可以为 B 端或者 C 端创造新的价值，涌现不同的可能性。
比如我们上面说的，细分赛道的解决方案。吃背景、人脉和认知，但成本会更低，未必做不出高毛利的公司。
4. 对于投资人而言，技术 FOMO 可以放一放。
投资人过去的逻辑是，一个新技术出现，可能会引领未来，所以得抓紧抢。但现在所有人都用同一个底座，技术路线在收敛，路线的多样性在下降。
“某个冷门技术突然出现、把行业掀翻”这种事的概率，会大大降低。当然，这也会是技术垄断带来的多样性缺失。
所以技术本身的投资逻辑可以先放一放，不用太担心错过，更多的是商业本身去判断可投资性。
关于数据和其他
1. AI加硬件的落地逻辑仍然成立，具身仍然是强智能加强硬件。
我们一直的观点都是如此。
机器人对智能的需求 > 汽车对智能的需求。
我举一个不恰当的例子给大家参考：自驾里模型能力在整体体验里大概只占一成，可具身里大脑模型可能占到四到五成，因为没有智能机器人就是废铁。
剩下的部分在硬件和解决方案上。
所以硬件运维的逻辑能不能有效转起来，才是能不能进工业的一大部分因素。模型解掉软的部分，硬的部分还得单独突破，一个是硬件自己要成熟，一个是软件要和硬件做深度融合。
2. 再延伸一层：产品定义和运营会变成公司生存的关键。
一旦这件事收敛成 AI 加硬件，那你对机器人+智能的产品定义、定价、运营策略和市场竞争，甚至选择的垂类场景，就都非常重要。
这块的想象空间现在还看不清，因为不知道中间会撞上什么问题。能看到的只是这种可能性。
3. 短期是数据的利好，而且可能诞生更综合的数据公司。
大模型公司下场做具身，它一样要数据。
虽然设想中的机器人智能还有很远，但这条路上数据一直会是关键之一。
所以这个阶段具身数据赛道依然值得投，窗口期大概一到两年，或者两到三年。
但数据公司的形态会变。往后大模型什么数据都要，具身也许只是其中一部分。
所以数据这件事会升维，围绕大模型本身、以及大模型下游各个赛道的数据需求，可能会长出更综合的数据公司。Scale AI 是个现成的参照，它既做过自驾，也做过具身，顺着这一波还能切大模型。
对数据公司来说，现在就该主动去跟大模型厂商建联了。
以上。
本文来自微信公众号：天南具身公园，作者：天南&瓦力
