万亿参数、千万小时数据、百亿投入下，美国具身智能正加速逼近

近日，一份测试报告在具身智能圈内引发了震动。这份报告首次系统验证了OpenAI最新大模型GPT-6 Astra在机器人操控任务中的真实能力边界——这项由中国科研团队完成的评测，既揭示了美国大模型在具身操控上的泛化突破，也给国内具身智能行业敲响了一记警钟：美国在具身智能“大脑”层面的突破速度，比我们想象的要快。

一个值得警惕的信号

9月12日，一份名为《GPT 6 Astra as an Embodied Policy》的研究在GitHub开源。在这项针对RoboDojo双臂操控基准的测试中，由π₀.₅控制器与GPT-6 Astra组成的混合系统，在10项核心任务中拿下62.6的平均分，远超第二名64%。

而该研究来自一名银河通用研究员——银河通用创始人及CTO王鹤教授的博士生。这意味着，一家中国具身智能头部企业，率先以严谨的对比实验，验证了美国大模型在机器人操控领域的真实水平。

万亿参数模型的零样本泛化：GPT-6强在哪里

研究报告中最值得关注的发现，不是“GPT-6有多强”，而是它在哪里强、为什么强。

这份测评是怎么做的

研究团队在RoboDojo仿真环境中选取了10项双臂操控任务，每个任务跑5次，混合策略和直接控制两组对齐了场景与种子。关键设计在于两种架构的对比：

Direct模式（GPT-6 Astra Direct）：Astra 直接作为策略，根据当前观察判断接下来该怎么做。

混合模式（π₀.₅ + GPT-6 Astra）：π₀.₅和GPT-6 Astra结合。每个决策时刻，π₀.₅先生成50步候选动作。GPT-6 Astra看同一份画面、执行历史，还有候选动作对应的双臂轨迹，然后选择沿用π₀.₅的输出或GPT-6 Astra模型进行末端位姿修正。

核心思路就是让π0.5提供物理空间交互及动作先验，GPT-6做审核和修正。需要明确的是，π0.5是一个基于物理空间交互及动作先验的大模型；GPT-6则是图文大模型，偏语义理解。两者分工明确：GPT-6负责“做什么、对不对”，π0.5负责“在物理空间里怎么做”。

在性能上，报告给出了一个很直接的对比：

结果很清晰。混合模式拿下48%成功率和62.60平均分。Direct模式只有26%成功率和37.81分。

RoboLab补充评测中，GPT-6 Astra Direct在50个episode中成功49个，成功率98%；而π₀.₅ + GPT-6 Astra只成功46个，成功率92%。π₀.₅则是18/50，成功率36%。

核心发现：数据规模驱动的泛化突破

第一，万亿级数据训练的泛化能力，在具身任务中展现出压倒性优势。

语义类任务（按语言分类、模仿排序、排出最大数字） ：π0.5几乎零分（0.60、1.60、2.29），混合架构直接拉到38-53分。这些题难在“想”——你得读懂指令里哪个类别对哪个篮子，得记住刚才示范的顺序，得知道9要摆在7前面。一个靠模仿轨迹长大的VLA，最难学的就是这些，GPT最擅长的也是这些。

接触类任务（搭塔、麻将杠牌） ：混合架构64和40分，GPT自己上手只有12分和0分。需要手感的地方，GPT做不好。

柔性物体任务（叠衣服） ：π0.5只有29.12分，混合架构100分。GPT能帮π0.5纠正方向。

简单任务（瓶子入桶） ：π0.5本身就有79.93分，混合架构100分。

GPT-6 Astra采用Symphony+MoE混合专家架构，总参数规模达5-6万亿，推理时仅激活约10%的专家模块。相比之下，当前主流具身模型的参数规模通常在百亿级别——两者相差2到3个数量级。该模型训练动用超10万块GPU的Stargate超算集群，上下文窗口达105万token，原生统一多模态，文本、图像、音频、视频在底层同一编码空间处理。

这表明，在大规模数据的训练下，大模型能够实现超强的语义理解、视觉感知和泛化能力突破。报告中的数据进一步印证了这一判断：GPT-6在50条混合轨迹中，实际干预动作的比例仅为14.4%，其余85.6%的动作由π₀.₅控制器完成。GPT的价值，恰恰体现在它能够凭借超强的语义与视觉泛化能力，在关键节点上做出正确的判断和纠偏——这正是一个经过大规模数据训练的大模型所应具备的能力。

值得一提的是，混合架构记录的token用量还比独立控制减少了44.8%，降低了GPT-6 Astra逐段构造低层动作的需求。这说明混合架构不仅成功率更高，token消耗还比Direct更少——这是一个反直觉的结果：加了一个模型，反而更省token。

第二，泛化能力的优势已被验证，但物理世界的“怎么做”，仍需具身智能来回答。

GPT-6在搭塔、杠牌等需要精细力控和接触稳定性的任务上，自己上手仅得12分和0分；反而是一个经过微调的端到端VLA表现更好。这说明，语义泛化能力不能替代物理交互能力。π0.5之所以能在动作先验上提供有效支撑，得益于其在物理交互数据上的训练积累；而它在RoboLab上zero-shot仅36%的成功率，恰恰说明数据规模不足时，动作先验的质量会显著下降。具身模型的数据不够，泛化能力就上不去。

在语义理解、任务规划、指令记忆、视觉感知等任务上，GPT-6的介入将端到端模型的得分从个位数拉升至50分左右。而在搭塔、杠牌等需要精细力控和接触稳定性的任务上，GPT-6自己上手仅得12分和0分；反而是一个经过微调的端到端VLA（视觉-语言-动作模型）表现更好。

这说明，物理世界的智能必须依托海量高质量的仿真及真机数据来训练，而大模型在语义和视觉层面的泛化能力，正是得益于数据规模的持续扩大。

最值得警惕的：OpenAI的投入规模

美国正在将大模型的语义与视觉泛化能力快速延伸至物理世界，而这一层面的差距，可能比本体硬件层面的差距更难追赶。

2026外滩大会上，有从业者指出：从2025年初起，OpenAI和Anthropic便开始大量采购机器人数据，并通过小规模数据工厂开展采集。据业内人士分析，OpenAI通过数据采集中心购买的具身数据累计已达上千万小时，涵盖各类具身操作场景；在具身模型训练上的数据、算力资源投入累计超过百亿人民币，这一规模已超越中国任意一家具身公司的投入。其战略意图清晰：打造具身领域的ChatGPT。

OpenAI自2025年2月起在旧金山设立机器人实验室，团队规模已超百人，通过远程操控Franka机械臂执行烤面包、叠衣服等家务任务，以“有效功能性数据”的小时数作为绩效评估标准。实验室规模到2026年已扩大了四倍多。2026年6月，Sam Altman正式宣布成立OpenAI Robotics，明确表示“一定会做人形机器人”。与此同时，OpenAI正筹备IPO，预期上市估值超1万亿美元——巨额资本正在加速涌入具身智能赛道。

中国如何应对：以闭环打高投入

面对这一态势，中国具身智能产业需要冷静研判、果断行动。

当前，具身智能正处于从实验室走向产业深水区的关键阶段。行业内部出现了一些值得关注的现象，单纯聚焦于短期，不仅无助于行业进步，反而会错失宝贵的发展机遇和创新资源。

中国必须加大投入，否则将已经初步建立的领先优势将失去。 美国在具身数据上的百亿级投入和千万小时级数据积累，不是靠个别企业的力量能够对冲的。具身智能是典型的长周期、高投入赛道，需要同时扛起“大脑大模型、小脑运控、本体硬件、真机数据”四重研发，单靠产业资本和地方政府基金难以支撑千万小时级数据、万卡级训练、万台级量产。

以举国体制加速全链路闭环，是中国具备的独特优势。 2026年政府工作报告已明确提出，发挥新型举国体制优势，全链条推进关键核心技术攻关，培育发展具身智能等未来产业。中国已在武汉等地建设机器人训练中心，每天可产出约100小时可用数据，到2025年底已宣布超过40座国有或地方政府支持的机器人数据中心，其中约24座已投入运作。下一步，关键在于打通“硬件-数据中心-模型-落地”全链路：在硬件层，依托国产GPU实现从合成数据生成、基模训练到仿真评测的全流程支撑；在数据层，加快建设标准化、规模化的具身数据中心，统一数据采集规范和标注体系；在模型层，支持头部企业构建专用具身大模型；在落地层，以真实场景需求牵引技术迭代，形成“数据飞轮”的正向闭环。

与其在舆论场上互相攻讦，不如在技术能力、真实作业数据、应用场景上展开竞争。政府应鼓励行业健康有序发展，扶持具备全栈核心技术能力的企业加快实现通用具身智能技术。行业内部更应强化产业链协同，严禁短视的互相拆台、恶意诋毁和低价内卷。

结语

这份来自中国科研团队的评测报告，价值不在于证明谁更强，而在于用事实印证了一个关键判断：大规模数据训练下，具身智能在语义理解、视觉感知等层面的泛化能力正在快速突破。GPT-6 Astra在上千万小时具身数据和百亿级投入支撑下展现的零样本泛化能力，也让我们清晰看到了美国“具身ChatGPT”战略的推进速度。

真正值得警惕的，不是美国的大模型能力本身，而是我们是否愿意正视这一趋势，并在数据基础设施和核心技术上持续投入。 中国拥有全球最完整的硬件供应链和最大的机器人部署场景，这是我们的独特优势。但优势不会自动转化为胜势——必须以举国体制加速打造硬件-数据-模型-落地的全链路闭环，以专用具身模型的效率优势对冲通用大模型的规模优势，以真实场景的数据飞轮构筑长期竞争壁垒。

“在国际竞争对手还虎视眈眈的今天，行业不应内卷，而应一起携手站在更高的国家战略高度。”这是业内人士的呼吁，也应当成为行业的共识。