出品 | 何玺

排版 | 叶媛

GPT-6 Astra发布后，行业热议的焦点一度是“通用模型能不能直接做机器人”。各种演示视频、基准分数、AGI宣言，把讨论推向了一个过热的方向。

直到商汤拿出那份覆盖12项仿真评测、8款真机平台的Astra实测报告，讨论才被拉回地面。

Astra能力惊人。LIBERO-Long++达到100%，LIBERO-Pro达到99.3%，SIMPLE达到98.8%，RoboDojo达到81.9%。更有意思的是，RoboDojo里有9个任务原本连续5次全部失败，没有重新训练，只是把交互步数上限提高到原来的10倍，9个任务最终全部5次成功。

但代价同样刺眼。叠碗平均耗时约131分钟、估算推理费用约19美元；把笔装进笔筒平均耗时263分钟、费用约55美元。进入真机环境后，插头插入、柔性材料操作、长序列导航，都暴露出视觉、动作控制、时间约束和物理反馈之间的断点。

商汤的结论很克制：Astra“跨越了具身能力的门槛，但尚未跨越实用具身智能的门槛”。

这句话把讨论从“Astra能不能做机器人”，拉到了一个更根本的问题上——通用模型在规划层的能力越强，执行层的专用化就越不是一种架构偏好，而是物理约束算出来的工程必然。对国产机器人而言，真正的战略命题不是“要不要接Astra”，而是执行层必须攥在自己手里。

01

Astra能“想”，但碰不了“做”

热议退潮之后，真正需要看清的是Astra的强到底强在哪一层，以及它的缺口为什么不是“再迭代一版”就能补上的。

Astra在规划层的能力是真实的。它能理解复杂的语言指令，能完成多步骤的任务拆解，甚至在真机插花实验中，当一只手看不清瓶口时，它会主动移动另一只空闲的机械臂，用那只手上的相机帮自己看清，然后完成插入。这种“用第二只手当眼睛”的临场应变，放在两年前是不可想象的。

但它的短板同样真实，而且不是能力问题，是架构问题。

真机环境里的插头插入、柔性材料操作，要求的是毫秒级的力觉闭环。Astra的推理在云端，延迟以秒计。它在真机上“知道应该怎么做”，但“能够稳定做出来”是另一回事。这不是模型不够聪明，而是云端通用推理和端侧实时控制之间，隔着一整套物理约束。

银河通用的AstraBrain-WBC 0.5给出了一个参照系。据其2026年6月发布的论文及开源信息，这个专门做“小脑”的模型，用20亿帧动捕数据训练，零样本运动追踪成功率92.58%，推理延迟压到0.39毫秒，控制回路维持在50Hz，速度是业内主流TWIST系统的五倍，甚至超越了英伟达的SONIC。

0.39毫秒和秒级延迟之间的差距，不是“优化一下”能抹平的。物理世界的闭环控制要求的是毫秒级响应，而云端推理的架构决定了它做不到。Astra可以在规划层做“大脑”，但执行层需要一颗独立的、跑在端侧的小脑。这就是“必须攥住执行层”的根源——不是技术路线之争，是物理约束之下的分工必然。

02

两条路，同一个方向：把执行权收回自己手里

看清了执行层的架构约束，我们再来看国产机器人是怎么回应的。路径并不统一，但方向高度一致——把执行权收回自己手里。

第一条路，是专用模型在特定维度上做“局部反超”。

大晓机器人10月19日发布的ACE-Brain-0.6，9B参数，在八项Grounding评测中六项超过Astra，七项公开基准平均74.53分对73.68分，真实机器人场景RobotGrounding评测94.13分对91.10分。商汤则开源了SenseNova-RoboRSI框架与27B具身模型，据其官方发布信息，将任务完成成本降至Astra的1/50。

这不是“9B打败了万亿参数”。它说明的是，在Astra划定的能力边界内，国内团队正在用专用模型把“执行层用得起”的成本打下来。竞争的维度从“谁更聪明”，切换到了“谁更划算”。

第二条路，是分层架构在工程上做“职责重组”。

逐际动力的COSA把系统拆成三层：System 2认知层，以大语言模型和世界模型为引擎；System 1技能层，承载VLA/WAM能力；System 0运控层，负责全身运动基础模型。银河通用则用AstraBrain-WBC 0.5这颗0.39毫秒的小脑，专门承接Astra在架构上无法解决的实时控制问题。

分层不是“端到端做不好”的妥协。它的驱动力很直接：Astra在规划层越强，把它放在“大脑”位置的成本账就越清楚；而执行层需要的实时闭环，必须由专用小脑来补。通用模型负责“想”，专用小脑负责“做”，这个分工的经济账，比架构的纯粹性更重要。

但端到端路线并没有消失。自变量王潜明确反对分层，他的理由是：分层链路里，视觉识别、推理规划、动作生成由不同模型分步处理，信息传递像“传话游戏”，误差会层层累积；物理世界里0.1%的误差，可能引发10%到20%的操作偏差。他坚持的WALL-A，是大小脑统一的端到端模型。

这个分歧恰恰说明了问题的本质：两条路线的真正差异，不在于“分层好不好”，而在于执行层的控制权是交给一个更大的端到端模型，还是交给一个专用的执行层。无论选哪条路，执行层的核心能力都必须长在自己的体系里。自变量的端到端模型，本身就是把执行能力内化到了模型内部；逐际动力和银河通用的分层，是把执行能力外化到了专用小脑。形式不同，方向一致——执行权不能外包给云端通用模型。

03

攥住执行层只是入场券，长出数据才是分水岭

执行层必须自研，这个判断在工程上成立。但“攥住”不等于“赢”。先要把“必须”这个边界说清楚：Astra的云端延迟、力反馈缺失、成本高企，决定了执行层在当前阶段无法被通用模型替代。但这不意味着“永远不能替代”——如果通用模型未来端侧化、实时化，执行层的专用化程度可能变化。“必须攥住执行层”是当前工程约束下的判断，不是永久性的产业定律。

在这个前提下，真正的分水岭出现了：执行层是仅仅“能控制机器人动”，还是能把真实场景中的物理交互数据变成可复用、可反哺的资产。

赛迪的报告揭示了一个结构性矛盾：2026年上半年，中国人形机器人出货量超过4万台，全球占比97%，但核心算法等底层技术仍存短板。立德智库的数据进一步显示，获亿元级融资的37家整机企业中，仅有11家实现了千台级的小批量出货，其余大多停留在样机阶段，依赖外购零部件组装，缺乏自研能力。

这意味着产业正在加速分化。头部厂商有能力把执行层做成数据入口：智元将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”；宇树在推进大规模真实数据集和自动化标注机制，形成“数据飞轮”；银河通用用20亿帧动捕数据训练小脑，零样本泛化能力已经跑通了数据规模化的路径。

但腰部厂商如果没有自研执行层的能力，执行层就可能沦为“通用大脑的外设”——能被动执行，但不能生产数据、不能形成壁垒。

短期看，执行层自研是参与竞争的前提条件，没有这个能力，连上牌桌的资格都没有。中期看，执行层的价值取决于数据回流能力——真实场景中的物理交互数据，是通用模型无法从互联网上获得的稀缺资产。Astra越强，执行层作为“数据入口”的属性就越值钱。通用模型可以做规划，但物理世界的实时反馈和场景数据，只能从“身体”里长出来。

结语

回到商汤那份测试报告的结论：Astra跨越了能力门槛，但没有跨越实用门槛。

这句话的另一面是：通用模型在规划层越强，执行层的专用化就越不是可选项，而是必答题。逐际动力用三层架构承接，银河通用用0.39毫秒的小脑承接，大晓和商汤用专用模型的成本优势承接——路径不同，但都在做同一件事：把执行层的控制权，攥在自己手里。

但“攥住”只是起点。执行层最终是资产还是外设，取决于它能不能把物理世界的真实数据，变成反哺自己的燃料。Astra把“想”的门槛降低了，但“做”的门槛，反而更高了。