E256 | Agents, Robots, and Pharma: Which Will GPT-6 Astra Reshape First?

Summary

• 许华哲认为 Astra 是机器人领域真正的“GPT 时刻”：从 Opus 4.5、4.6 到 Fable，过去几轮升级在机器人测试上都只是“原来不能做，现在仍然不能做”，而 Astra 带来了定性变化，在 RoboDojo 等认可度较高的机器人仿真 benchmark 上排名第一，许也认为不少 benchmark 因此失效。 但它速度慢（Demo 通常要加速到 16x 或 24x）、缺乏直觉物理，几乎做不了双臂叠衣服，因此长期仍需要“一个比 Astra 小得多、但有相似能力的机器人专用模型”。他预测：“2028 年初会是通用机器人开始真正实用的时间节点”；从现在起，可能 18 个月后，人们就能在家用语言指挥机器人完成 90% 的家务。
• 朱哲清拆解了消费级 Agent 的成本和访问困境：Meta Muse 每位用户每周提供 100M 免费 Token，若全部按 Input、按其成本估算，约为 $100。 云端虚拟机也有成本，而亚马逊等商家正在屏蔽云端 IP——这让他想起 Manus 先做 Browser Use、受阻后转向白领工作流的经历。他认为软硬件结合可能是破局方向：云端虚拟机难以证明 Agent 代表哪个用户；如果硬件属于用户，商家可能更愿意开放访问。否则，“一个用户变成 20 个 Agent”，消费能力差不多，却不停比价、刷流量，商家可能得不偿失。
• Astra 每百万 Token 的输入价格为 $10、输出价格为 $50，约为 GPT-6-4 的 4 到 5 倍，给消费级 Agent 带来很大的成本压力。 Bill 认为竞争者可能以开源模型打底，再做 Routing；他的愿景是让至少 60% 到 70% 的 Token 在本地或私有算力上产生，减少对 Frontier Model 的依赖。如果行业能烧上一两年，小模型成熟后或能逐渐形成平衡；而另一端的传统企业“还在纠结怎么脱离 Microsoft Copilot 的泥潭”。
• 王晟的核心论点是，AI 制药的瓶颈不在智能，而在验证——“我们真正关心的问题都没办法用 Benchmark 衡量，也没有答案”。 Astra 在 Terminal-Bench Science 只拿到 60 多分，但王晟认为它做得比自己好；AI 在 Coding 等 Dry Lab 任务上进步很大，但实验方案设计的完成度可能只有约 30%。老鼠实验需数周、猴子实验通常需数月，现实反馈周期远慢于模型迭代；这也是 AlphaFold 时期不少 AI 药物发现公司未能成功的关键瓶颈。
• 湿实验数据可能成为 AI 时代的高价值资产，也可能催生新生意：一条关于“分子在老鼠身上到底能不能杀掉癌细胞”的数据，可能价值几万美元到几十万美元，在大模型预训练语料里看不到。 Anthropic 与 Adaptyv Bio 合作，以 MCP 形式把预测接入湿实验验证；王晟还提到 Anthropic 正在布局湿实验团队。药物公司做完猴子实验后可以把项目授权给大药厂，授权费通常在 $10M 以上。
• 泓君转述前沿研究员的判断：AI for Science 可能是前沿实验室关注和竞争的高消耗领域。 OpenAI 用于求解纳维—斯托克斯方程的 Agent 据称发出约 2.7M 条信息、消耗约 130B 个 Output Token；第三方按零售价估算约为 $22M。泓君观察到，普通人对 Astra 升级的感知已经不大，但前沿科学家对能力提升的感知很强。
• 机器人数据生意的水很深：许华哲转述的传闻是，OpenAI 只买不带标注的数据，认为外部标注可能不准确，会在内部重新标注。 他把数据公司分为卖“生肉”（靠规模采集）和卖“熟肉”两类；熟数据公司若懂前沿模型的标注方式，单价可能翻 10 倍甚至更高。关键是把交互中的因果关系和失败原因标注清楚。

Deep dive

1. Opening roundup: A month after Astra, three fronts are heating up

• 泓君梳理了近期进展：Astra 发布 5 天后，Meta 推出个人 Agent Meta Muse，为每位用户提供一台云端电脑，两周内冲上美国 App Store 榜首；竞争对手 Instinct 的估值在一个月内从 $2.5B 升至 $10B；B 端方面，xAI 的 Grok Bot 开放企业部署。
• 模型领域的意外爆款：TypeSafe 的 Jeff “不写字、不推理，只给选项并打概率”，母公司称它是 System 1 模型；发布 24 天后融资 $870M，估值 $7.5B。
• 制药领域有两件大事：泓君提到，Claude 仅用 21 小时就找到一种结构类似 CRISPR 的新酶系统 ART；由于有人怀疑它是一种新的基因编辑机制，基因编辑公司股价应声下跌。扎克伯格夫妇的 Biohub 计划将虚拟细胞项目扩大至 $1.8B；DeepMind、Meta、Isomorphic Labs、美国能源部和 NIH 出钱出数据，目标是在药物进入实验室前，先在电脑里观察细胞如何反应。

2. 许华哲实测：反思第一次变成了动作

• 最让人惊艳的是适应能力：机器人撞到桌子后，Astra 会说：“这个桌子还蛮高的，那我是不是应该把手抬得更高一点？”——它把 CoT 反思转化成实际动作，“这是过去很多机器人模型不具备的，大模型也不具备的”。
• 插花的例子也很直观：花茎下端劈开、分了叉，不好塞进花瓶，它会想到“捏住分叉，把它捏窄一点，再往里塞”。许华哲的归因是，“本质上还是理解了 3D”；这种理解已经能帮助它完成不少非动态操作任务。
• 自我迭代与 Real-to-Sim：网上那个画金门大桥的 Demo 经过几轮迭代后变得非常逼真。过去 Real-to-Sim 需要大量视频、照片和手工标定；现在给模型几张图片和指令，就可能快速复现实验室或办公室环境，用于仿真训练。

3. Bill的冷静体感：这不是4.5到4.6那种范式转变

• Bill 的参照系是：Opus 4.5 到 4.6 属于“近乎范式转变”的升级——工具调用几乎不出错，还能自主完成长程 Coding 任务。Astra 则是在原有的长任务基础上做得更久、幻觉更少、审美更好，但“没有做到解决一个以前完全解决不了的问题”。
• 实测中，Astra 对长程任务上下文和已完成工作的把握更稳，但速度偏慢；即使跑一整晚、持续 24 小时，仍会出现幻觉，并没有从根本上解决问题。前端审美提升明显，Bill 认为这可能与训练时专门强化了设计和审美有关。

4. 王晟：对生物医学是大节点，“慢让我放心”

• 虽然没有客观 Benchmark 可以直接比较，王晟说，他们已经从之前的模型和 Codex 系列切换到 GPT-6 Astra 来做内部生物医学任务。主要有两类用途：用 Computer Use 操作多年前开发的生物医学软件，以及执行 8 到 24 小时的长程任务。
• Astra 发布时展示的两个生物医学 Demo 之一是 Computer Use，操作的工具叫 MultiQC，在业内引起了关注。王晟认为，Astra 也可能学过软件教程、其他人的使用记录和反馈。
• 他的信任逻辑有些反直觉：“它做得比较慢，但慢有时候反而让我放心。”白天用反馈快的模型，晚上要跑长程 Pipeline 时则用 Astra。

5. Computer Use为什么又火了：API开放的幻想破灭

• Bill 的复盘是，过去大家以为工具都会开放 API、做 Agent-native 接口，但 Amazon、购物类和旅行类 App 未必愿意开放。Instinct 和 Muse 背后都接了浏览器。他认为这让行业又回到 Manus 早期的 Browser Use，最后可能形成 API 与 Browser Use 并存的混合状态。
• 破局点可能在本地：Bill 说，他们发布的模型基本在 30B 左右，可以在端侧或本地算力上运行。如果 Browser Use 发生在用户自己的机器而不是云端，可能改变商用 IP 被屏蔽这一瓶颈；奢侈品网站早就会屏蔽商用 IP，而“它不可能把你电脑上的浏览器也屏蔽掉，不然你自己也没法上 Amazon”。

6. Meta Muse的账算不过来

• 架构上，Meta Muse 与 Manus 的云端虚拟机类似。泓君举例说，Amazon 已经屏蔽了 Meta Muse；如果更多网站也这么做，它能操作的东西就会越来越少。Bill 说 Manus 走过类似路线，后来不少产品转向白领工作流，原因之一就是原先能做的事很快被大型平台屏蔽。
• 成本方面，每位用户每周有 100M 免费 Token。Bill 估算，如果全部按 Input、按他们的成本计算，约为 $100；云端虚拟机的 CPU 也不便宜。他做 RL 大型 Rollout 时见过 CPU 价格与 GPU 相当，最后选择自己搭建 Sandbox。
• 关于后台模型的传闻：官方会说用的是 Muse Spark；外部有人扒出某些场景调用了 OpenAI。Bill 怀疑存在 Routing，但不确定会不会调用 Astra 或 Fable；如果 10 次迭代里有 1 次需要调用它们，成本可能不止每位用户每周约 $100，甚至每月可能达到 $200。

7. Bill的判断：To C Agent可能要靠硬件验证身份

• Bill 认为，云端虚拟机“不能代表用户本身”，商家很难确认 Agent 是否代表真实用户。如果 Agent 与用户一对一，商家可能会接受；但一个用户变成 20 个 Agent，不停比价和刷流量，商家可能得不偿失。
• 他认为软硬件结合可能带来机会：如果硬件属于用户，商家或许就能确认 Agent 代表的是这个用户。Poki AI 正与高通、Intel、AMD、联想、惠普等公司合作；Bill 认为，模型、软件和硬件需要协同，才可能打破 Access、Identity 和硬件方面的限制。

8. 价格梯队与企业端的泥潭

• Astra 每百万 Token 输入收费 $10、输出收费 $50，约为 GPT-6-4 的 4 到 5 倍。Bill 的亲身经历是，用完 Claude 的 20x Plan 后，他加购了 $100 Credits，只跑了两三次来回的 Agent Flow 就用完了。
• 行业分化已经显现：Bill 身边使用 Grok Bot 的人大多还在尝鲜；他身边 Legal、Healthcare 等传统企业的从业者，还在纠结怎么脱离 Microsoft Copilot 的泥潭，甚至不能自由使用 Codex 和 Claude。“走在前面的人什么都可以随便用，走在后面的人还在泥潭里挣扎。”

9. 真正的Token黑洞在AI for Science

• 泓君转述一位前沿模型研究员的判断：消费级 Agent 的 Token 用量未必很贵，推理成本也在下降；她称 OpenAI、Anthropic、DeepMind 等机构关注和竞争的核心方向之一，是尚未解决、尚未定义的科学问题。用于求解纳维—斯托克斯方程的 Agent 据称发出约 2.7M 条信息、消耗约 130B 个 Output Token；第三方按零售价估算，成本约为 $22M。
• 泓君的分层观察是，普通人对 Astra 和上一代模型的区别“感知已经不大”，但前沿科学家对能力提升的感知很强；如果 AI 真能制药，收益可能更可观。

10. 小模型能追上吗？王晟：提升主要来自Coding，不来自生物医学知识

• Bill 向两位教授提问：30B 左右的小模型经过优化后，与 Frontier Model 在白领工作流上的差距正在缩小；那么在机器人和 Science 领域，每一代 Frontier Model 的进步有多大？
• 王晟的拆解是，Astra 在生物医学任务上的提升，主要来自 Coding、查文献和长程任务等通用能力，而非生物医学知识 Benchmark 的提升。模型越强，安全防范也越严，在生物医学任务上就越常拒答；他们内部一般用 Kimi K3 或 Muse Spark 1.3。王晟说，能力增强后，实际使用体验反而变差。
• 更深一层的问题是，现有生物医学 Benchmark 往往给定数据集和明确问题，像 Kaggle 数据科学比赛，最后退化成机器学习问题。王晟认为这些 Benchmark 定义得不够好，大家追赶的方向和大模型进步的方向可能都不完全正确。

11. 机器人侧是定性飞跃，但快系统缺位

• 许华哲对比说，过去 Opus 4.5、4.6 和 Fable 的升级，在机器人测试上几乎没有定性变化；Astra 则带来了飞跃，不少机器人 Benchmark 因此失效。在 RoboDojo 这类认可度较高的机器人仿真 Benchmark 上，Astra 都拿了第一。
• 但长期来看，一定需要更快的小模型：在抖毛巾这类高动态任务中，Astra 做不了——它知道要快速动一下，但只能写 Code 来实现，直接输出动作还不行。许华哲认为，机器人本地模型最好小于 10B；云端 API 可以用于准静态任务，200 毫秒甚至几百毫秒的延迟可能可以接受，但倒水这类高动态任务，卡一下水就可能溢出来。

12. 分层这一刀切在哪：Astra把边界往下压了

• 原有共识是，VLM 负责任务规划——比如做西红柿炒蛋，就规划开冰箱、拿鸡蛋；具身小模型负责具体动作。Astra 的变化在于，它能给出“把手往右伸 2 厘米”这样的低层指令；底层模型则更像反射系统，听懂往左、往右就行。
• 许华哲反对把能力无限下压成端到端：一是速度，网上的 Astra 控制 Demo 常要加速到 16x 或 24x；二是缺乏直觉物理，比如物体里有水可能会洒、玻璃可能会碎，这类即时反应可能仍需要世界模型或快速模型。
• 速度慢的原因在于模型大、CoT 也长。Astra 给出的 CoT 是加密的，许华哲认为“可能是假的”，但内部思考很长而且冗余。面对简单和复杂任务时，思考时长基本相似，泓君打趣说它是“内耗型人格”。

13. 实测短板：会分析，但不会熟练

• 筷子夹小球的对比是：许华哲团队自己的模型会连续尝试，速度快；Astra 则每一步都分析发生了什么，再决定怎么调整，更像人类思考，但速度慢，有时会陷入僵局。一旦分析错了，就可能无法继续推进。
• 许华哲还观察到，Astra 抓桌面物体时旋转能力较弱，需要反复尝试怎样旋转才能抓起来并塞进墙上的小孔。
• 硬边界也很明显：双臂任务几乎做不了，完全不会叠衣服；对于语言不太好描述的任务，它也不擅长。熟练曲线同样有限：第一次做一件事要花 1 小时，第二次要 45 分钟，之后基本停在 45 分钟，不会像人或一些小模型那样持续变快。

14. 谁被冲击、谁被利好：从Sim-to-Real到数据标注

• 对于 Sim-to-Real 路线，许华哲直言“仿真复活”的说法有些 Hype：Astra 能把 3D 外观做得很好，但没有让物理引擎更准确，因此不会直接让机器人更好用。它利好本体和硬件：斯坦福一个课题组约两周就把 Astra 接入类人机器人，让它在家做家庭任务并完成论文；本体质量足够好，就可能直接接入 Astra 做 Demo 级任务。
• 做“大脑”的公司分成两派：一派继续训练更快、更强的具身模型，也可能借鉴 Astra 的数据标注和 CoT 方式；另一派可能放弃自研大模型，专注使用 Astra，或把自己的产品做成工具，转向机器人部署。传统 TAMP（Task and Motion Planning）也可能在 Agent 时代重新焕发生机。
• 对标注的启发是“把里面的因果关系和直觉物理标注清楚”：没抓住，是位置偏了还是物体太滑？过去只描述做了什么的正向标注不够。许华哲转述的传闻是，OpenAI 只买不带标注的数据，可能是因为认为外部标注不准确、要在内部重新标注，也可能是为了保密。数据公司可以卖靠规模采集的“生肉”，也可以卖懂模型训练方式的“熟肉”；后者单价可能翻 10 倍甚至更高。

15. JEPA在机器人上表现很差

• 许华哲说，JEPA 自称 System 1，和机器人原生模型有些相似，但他们试下来表现很差。JEPA 本身不能输入图像，需要先用视觉 VLM 等把图像转成状态，再交给它；叠方块时常常叠不起来，或叠好后倒下。Astra 能看出第一块歪了，让第二块往相反方向调整，JEPA 没有这种能力。
• 许华哲提到，他似乎看到 OpenAI 要发布一个类似 JEPA、能输入图像的快速多模态模型，但还没试过。他对 Astra 的心路是从最初惊艳，到逐步发现短板，再到思考快慢系统如何结合：“它已经出现了，你不能回避它，但它自己又有很多问题，你没有办法直接用它。”整体上他仍偏乐观，认为 Astra 照亮了许多此前没看到的方向。

16. AI制药：从Computer Use到Human Use

• 王晟提出，与 AI 控制电脑的 Computer Use 相对应，制药还需要 Human Use——让 AI 控制真实实验中的实验员和 Technician 做实验。模型给出具体实验方案，包括温度、分子、湿度和条件，是目前做得不好、但很重要的能力；他估计完成度可能只有 30%，而且需要深入的 Domain Expertise。
• 饭店类比是：给 Astra 番茄、鸡蛋、土豆，它可能仍会提出做海鲜大餐的方案。模型缺少的是了解现实中有哪些资源，并据此协调和设计可行方案的能力。
• 王晟认为，严肃的 AI 制药公司需要自己的实验室，积累数据并验证结果，还要重新设计流程，让湿实验配合 AI：预先准备好实验条件，在 AI 做出预测后立即执行。否则，AI 提出方案后交给不了解模型的合作者重新设计实验，会非常低效；模型迭代可能比真实实验还快。
• 周期账是：细胞和老鼠实验需要数周；猴子实验通常需要 4 个月，有时做两轮共 8 个月。AI 制药公司做完猴子实验后可以把项目授权给大药厂，授权费通常在 $10M 以上；做到这一步大概需要 6 到 12 个月。

17. 验证悖论、数据飞轮与Benchmark重构

• 核心悖论是：如果一个药物问题的答案已经知道，就没必要再研究；真正关心的问题没有现成答案，最终只能靠湿实验验证。王晟认为，AI 至今还没有开发并验证出一款完全由 AI 开发的药物，核心原因是现实反馈慢、受自然规律限制。AlphaFold 刚带来蛋白质结构预测突破时，许多 AI 药物发现公司涌现，但大多仍受真实动物和人体实验限制。他认为药物研发通常需要 5 到 10 年，现在还没走完一款 AI 时代药物的研发周期；现实反馈不可能从根本上消除，但可以加速。
• 关于开源，泓君提到 AlphaFold 3 开放了研究和数据；王晟强调开源工具对社区很重要，也提到当时许多机构尝试做 AlphaFold 的开源版本，如 OpenFold。他认为，即使不开源，社区也会追赶。工具开源后，垂直科学 AI 公司仍可凭自有实验数据建立壁垒；一条关于“分子在老鼠身上到底能不能杀掉癌细胞”的数据，可能价值几万美元到几十万美元。
• Wet lab as a service 正在成形：王晟举例说，Adaptyv Bio 与 Anthropic 合作，Anthropic 生成预测后，由 Adaptyv Bio 以 MCP 形式开展实验；这家公司刚融资 $40M。Anthropic 还举办了以湿实验验证为标准的蛋白质设计比赛；王晟听说 Anthropic 也在组建湿实验团队、招聘有湿实验背景的人。John Jumper 加入了 Anthropic。至于 DeepMind 与 Isomorphic Labs 如何分工，他说自己并不清楚，提出的可能性包括 DeepMind 负责 AI、Isomorphic 负责验证，或 Isomorphic 更多地端到端完成。
• Benchmark 应设计成没有明确上限的任务：例如当前较好的药物能杀掉 30% 的癌细胞，AI 能否设计出能杀掉 40% 的药物，让实验持续形成数据飞轮。王晟观察到，进展快慢与实验周期有关：周期越短、反馈越快，模型越容易做得好；酶和蛋白质方向可能迭代较快，衰老、罕见病等周期长且更专门的问题则推进较慢。酶可用于工业加工，例如把地沟油转成可食用油，或让洗衣粉在不同温度下保持活性。

18. 蒸馏之辩与三人的终局关切

• 对于“普通人连蒸馏价值都没有了”这种说法，三人各有立场。许华哲认为，机器人领域“每个人都是生活的专家，大家都值得被蒸馏”：有人擅长做饭，有人擅长叠衣服、走路或跳舞；也许一两年后才需要 Gordon Ramsay 级别的大厨。王晟说，知识层面 AI 更全面，但科学家仍需长期投入、支持和背书；他也在“蒸馏 AI”，从 AI 学习跨领域知识。人还负责定义问题、表达希望 AI 解决什么，就像飞机能自己飞，人们仍希望有驾驶员。Bill 认为，真正该蒸馏的不只是技能，而是人如何从零学习；模型能否通过交互，一个月达到基础医生水平、三个月达到某领域教授水平——他们离这一目标还很远。
• 各自最关心的问题是：Bill 关注内存、RAM 和 VRAM 昂贵，以及算力能否分散到个人和企业；他希望更小、能力覆盖面更广的模型能解决生活中 80% 到 90% 的问题，并与能力更强的 AI for Science 模型配合，缓解硬件和电力瓶颈。许华哲关注零样本泛化：部署时应该是“5 个普通人”就能完成，而不是“5 个 PhD 级别的人去工厂待 3 个月”。他预测，2028 年初通用机器人会开始真正实用，并说如果体验过 Astra 和他们下个月可能推出的模型，或许会觉得这个预测合理。
• 王晟畅想的新范式是，不再只是人写 Prompt 指挥 AI，而是由 AI 生成清晰、可执行的指令来调动现实资源。例如给 AI $100,000，让它设计药物并规划实验，同时考虑一次老鼠实验要 $2,000、人体实验需要时间。未来的仪器也可能为 AI 而非人设计：X 光、CT 等设备或许会直接把底层波形、信号交给 AI，跳过为人合成图像的步骤。AI 要真正进入 Science，就需要理解现实世界，并利用真实资源解决难题。