OpenAI切入具身智能，中国机器人厂商如何应对资源战？

OpenAI发布GPT-6 Astra后，不少开发者直接用该模型操控机械臂，完成抓取、装配等操作。在第三方机构Robocurve的对照测试中，面对“把积木放进碗里”等基础任务，GPT-6 Astra在零样本条件下取得了95%的成功率，同期Claude Fable 5.1的成功率为40%。

通用基座模型直接跨入机器人任务规划与粗粒度抓取，叠加更快的迭代速度，行业内随即涌现“大模型厂商或将通吃具身模型”的讨论。

面对这种冲击，具身大模型研发团队原力灵机联合创始人汪天才认为，决定具身智能能力差异的核心不在模型架构，而在数据、算力和时间积累。具身智能和大语言模型一样，本质上是一场资源战。

机器人数据成为关键胜负手

GPT-6展现出的核心变化，在于将空间理解更直接地转化成了动作执行能力。在相关测试中，模型接收人类完成任务的视频后，可直接驱动机械臂复刻相同操作。此外，Astra支持基于执行结果进行多轮试错与微调，类似于在动作序列上进行强化学习。

这并非OpenAI的突发奇想。早在2015至2016年间，OpenAI就曾探索过具身方向，但彼时受制于物理世界数据的匮乏，Scaling路线未能跑通。

如今这一短板正被补齐。OpenAI在旧金山建立了专门的机器人实验室，雇佣约百人规模的数据采集团队，通过遥操作设备让机械臂收集大量日常任务数据。其官方招聘信息中，也明确要求构建支持EB级规模数据的机器人分布式系统。

业内普遍测算，构建具备通用能力的机器人“大脑”，至少需要百万小时级的高质量交互数据。而OpenAI目前所拥有的具身数据被曝已达到千万小时级别，为GPT-6灌入了海量第一视角（ego）数据。

算力与物理交互的现实落差

在国内市场，原力灵机DM0.5模型目前消耗了15万小时数据，预计年底可达100万小时。原力灵机创始人唐文斌曾透露，15万小时数据的训练动用了小几千卡的算力规模，资金投入达数亿元。

但在数据与算力投入上，国内整体差距依然明显。按目前真机采集标准，硬件损耗叠加工人工时，单小时有效数据成本约在1600元左右，百万小时数据往往对应十数亿元的真金白银。同时，国内具身企业鲜少公开讨论GPU集群投入，真正在算力上投入过亿元训练基座模型的企业屈指可数。

不过，通用大模型并非没有局限。在针对GPT-6的实际评测中，模型在处理仿真环境下的简单抓取时表现尚可，但一旦切换到精密拼图、高公差接触等任务，成功率同样会骤降至10%左右。

大语言模型依靠低成本标注的互联网文本爆发，但物理世界的每一次交互都遵循严格的动力学规律，缺少高精度的物理交互记忆，通用模型在实际落地时依然面临阻碍。

行业整合成为破局路径

面对海外厂商在资金与算力上的高密度投入，国内具身智能面临的最大挑战在于资本与资源的过度分散。行业内存在大量单笔数亿至数十亿元的融资，但分散在不同细分标的中，难以形成数据与基础设施的合力。

业内观点认为，当前具身智能赛道正经历前期混战，未来真正有能力独立研发“机器人大脑”的企业最终可能收缩至少数几家，行业将不可避免地走向并购与整合。

通用具身模型更类似于机器人的“基础教育”，培养的是通用的逻辑推理、空间理解与多模态感知能力，在此基础上再结合工业、物流、家庭等具体垂直场景进行适应与微调。

OpenAI入局具身智能，将行业从单纯的Demo展示推向了真实的工程与资源对拼。未来的核心竞争点，将取决于谁能把数据、算力、算法与具体的物理交互场景深度打通并形成商业闭环。