文章配图-1

出品 | 何玺

排版 | 叶媛

上一篇我们讲，Astra在规划层越强，执行层就越必须攥在自己手里。商汤的实测给出了工程依据：单任务19到55美元的成本、131到263分钟的耗时、真机环境里力反馈的断点，决定了云端通用模型做不了毫秒级的闭环控制。执行层自研，是当前约束下的必答题。

但“攥住执行层”只是入场券。

真正需要搞清楚的问题是：攥住之后，手里握的到底是什么？同样是把执行层做在自己体系里，有的公司攥住的是一颗会进化的“小脑”，有的攥住的只是一套能动的“外壳”。区别不在硬件参数，在数据流向，也在替换成本——当通用大脑可以调度任何符合标准接口的身体时，身体是被“用”的，还是被“依赖”的？

Astra越强，这个问题就越需要被搞清楚。因为通用大脑的标准化程度在上升，它对身体接口的要求也在标准化。身体越标准，越容易被替换；越容易被替换，就越像一个外设。

下面，笔者就从“身体为什么会被外设化”这个话题根源说起，聊聊个人的一些观察。

01

Astra越强，身体的“可替换性”就越高

要搞清楚“身体”是资产还是外设，先得看清一个正在发生的变化——通用大脑越强，身体越容易被替换。

Astra在规划层的能力是真实的。LIBERO-Long++达到100%，RoboDojo达到81.9%，商汤的实测说明它在仿真环境里可以完成多种任务。这意味着它对“任务—动作”的映射，具备跨本体的通用性。换句话说，大脑越通用，它对身体的要求就越趋向“标准接口”：能接收指令、能执行动作、能反馈状态。符合标准接口的身体越多，单个身体的可替换性就越高。

这就是“外设化”的根源。它不是“大脑太强了”这么简单，而是通用大脑的“标准化调度”与身体的“标准化接口”正在形成同构——大脑越通用，越要求身体接口标准化；身体越标准，越容易被替换。

中国机器人的“身体”手里有三张牌：制造供应链和成本结构、全球最丰富的真实场景、97%的出货量占比。但三张牌里，只有一张是真正的壁垒。

制造和成本正在被稀释。整机价格两年降幅近七成，量产机型已经降至数万美元区间，成本优势不再是护城河。出货量占比97%，对应的却是底层技术的短板——赛迪报告指出，核心算法、高端芯片等仍受制于人。另有公开信息显示，国内核心算法自主率不足40%——量大，但算法不在自己手里。

唯一无法被通用模型从互联网上获取的资产，是真实场景里每天产生的物理交互数据。这是中国“身体”真正的底牌。但底牌要变成壁垒，有一个前提：数据必须回流到自己的模型里。场景不生产数据，就只是场地。

“外设化”的信号已经出现了。赛迪的数据显示，中国人形机器人出货量全球占比97%，但大部分整机厂商依赖外购具身底座。另据公开行业统计，获亿元级融资的整机企业中，实现千台级小批量出货的仍是少数，其余多停留在样机阶段、依赖外购零部件组装。

没有自研执行层和数据闭环能力的本体厂商，在通用大脑面前就是“可替换的外设”。大脑越通用，身体越需要证明自己“不可替代”。但“不可替代”不是靠出货量证明的，而是靠一个更硬的东西——替换成本。而替换成本的高低，取决于身体是在生产数据，还是只做被动执行。

02

同样攥住执行层，有人攥住的是入口，有人攥住的是外壳

同构的逻辑说清楚了，接下来要看实证——头部和腰部厂商的动作，已经把“入口”和“外壳”的分界线画了出来。

宇树的打法是“用真机数据把身体变成飞轮”。它把GPT-6部署到机器人上做任务测试，但王兴兴同时强调“更关注真机数据”。宇树计划3年内发布通用人形机器人具身基础模型，同步搭建大规模真实数据集和自动化标注机制，形成“数据飞轮”。这套逻辑的实质不是“分层还是端到端”的路线选择，而是：通用模型可以借力，但数据必须沉淀在自己手里。借力不等于依附，这是打破同构的第一条路径。

智元的打法是“把3/4研发押在大小脑上”。它将3/4的研发人力和超过3/4的研发费用投入大小脑AI，定位自己是“具身智能基础模型公司”。这意味着它不是在“买大脑”，而是在“长大脑”——身体和大脑长在同一套研发体系里。当本体厂商把研发重心从硬件转向大小脑，它就不再是“身体供应商”，而是“身体+大脑”的复合体，可替换性大幅降低。

银河通用的打法是“用20亿帧数据训练小脑”。AstraBrain-WBC 0.5用20亿帧动捕数据训练，零样本运动追踪成功率92.58%，推理延迟0.39毫秒。数据规模从200万帧扩到20亿帧，这本身就是“身体生产数据”的路径。小脑不是静态的控制器，是数据喂养出来的执行智能——数据规模决定了执行层的进化速度。

这三家的共同点是：它们都不是在“用”通用模型，而是在“借”通用模型的同时，把数据、执行层和迭代能力留在自己体系里。身体在它们手里，是数据入口，不是物理接口。

但腰部厂商的现实是另一回事。据公开行业统计，获亿元级融资的整机企业中，实现千台级出货的仍是少数，其余多停留在样机阶段、依赖外购零部件组装。外购底座的本体厂商，身体越便宜、越标准化，越容易被替换——这正是“外设化”的典型特征。出货量高但算法自主率低，意味着它们在为通用大脑提供“物理接口”，而不是“数据入口”。

同样是把执行层攥在手里，头部厂商攥住的是一颗会进化的“小脑”，腰部厂商攥住的可能只是一套能动的“外壳”。分界线不在硬件，在数据回流率。

03

搞清楚“资产还是外设”，要看三个替换成本指标

分化已经发生，但怎么搞清楚一家公司的“身体”是在变成资产还是外设？需要一套可验证的标尺，而不是只看“是不是自研”。

第一个指标是执行层自研深度——是“能控制”还是“能进化”。只看“能不能动”没有意义，要看执行层是否具备持续学习和迭代能力。银河通用0.39毫秒的小脑、逐际动力System 0运控层，都是把执行层做成“可训练、可迭代”的模块。判断标准很直接：执行层是外购的标准化模块，还是自研的、能用自己的数据持续优化的系统。

第二个指标是数据回流率——场景里的数据，最终流进了谁的模型。真实场景产生物理交互数据，但这些数据是回流到自己的模型里，还是只用于交付。宇树的“数据飞轮”、智元的“大小脑研发投入”、银河通用的“20亿帧”，都是数据回流的样本。判断标准是：每部署一台机器人，自己的模型是否变得更强；如果部署越多、模型越依赖外部，身体就在外设化。

第三个指标是场景替换成本——换掉这个身体，大脑要付出多大代价。如果通用大脑可以轻易切换本体，身体就没有议价权。不可替代性来自专有场景数据、定制化执行层、与场景深度耦合的工程能力。判断标准是：客户换掉这家本体，是否需要重新采集数据、重新适配执行层、重新验证工艺——替换成本越高，身体越像资产。

三个指标对应三个时间尺度上的战略含义。

短期看，执行层自研是参与竞争的前提，没有它连“上牌桌”的资格都没有。中期看，数据回流率决定身体是资产还是外设——部署量不等于数据资产，只有回流到自有模型的数据才是。长期看，场景替换成本决定议价权——身体越深地嵌入场景，通用大脑替换它的成本就越高。

Astra越强，这三个指标就越需要被认真搞清楚。因为通用大脑的替代能力在上升，身体只有把“数据入口”属性做实，才不会被压成“外设”。

中国机器人的“身体”值多少钱，不取决于出货量全球占比97%，而取决于有多少身体在“生产数据”、有多少身体只是在“消耗数据”。

结语

回到开篇的问题：Astra越强，中国机器人的“身体”是资产还是外设？

这件事需要搞清楚，答案也不在“中国制造”这个标签里，在数据流向上，也在替换成本上。

头部厂商已经在用执行层自研、真实场景和数据飞轮，把身体变成通用大脑的入口——宇树在攒真机数据，智元把3/4研发押在大小脑上，银河通用用20亿帧训练小脑。它们的身体，是资产。

但腰部厂商如果继续依赖外购底座、只做出货量不做出数据回流，身体就会滑向“通用大脑的外设”——能执行，但替换成本很低。

Astra把“大脑”的门槛降低了，但“身体”的门槛，反而更高了。搞清楚这件事，比急着下结论更重要——因为身体不再靠“造得便宜”证明价值，而要靠“长得进去”证明不可替代。