184: 与陈哲的「具身季报26Q3」：Astra冲击后，通用模型会吃掉Robotics吗？

摘要

• 本季度最大的冲击是 GPT-6 Astra 展示了通用模型进入物理 AI 的能力：前沿实验室倾向于先解决 AGI，再把 physical AI 当作子问题。 Astra 不只做任务拆解，还能直接输出末端执行器位姿，经逆动力学转成电机信号——这一步以前被认为属于具身模型。开源社区复现显示，相较 Claude 成功率显著提高；曼祺还提到，另有 Robot Dojo 对比中 Astra 的成功率高于部分顶尖具身模型。“没有见到神迹的人就是不会信的。”
• 陈哲把 Astra 的影响分成三层：直接做策略、监督纠偏 VLA、以及最“头皮发麻”的——充当机器人学研究员。 银河通用的案例里，Astra 直接控制 10 个 Robot Dojo 任务成功率为 26%，监督 π0.5 输出则升至 48%；第三层设想是让它在 Blender 里搭仿真环境、生成物体和属性，并调试运动控制策略，“在物理世界里 AI 可以自己训练 AI”。陈哲认为 physical RSI 会来，也是 Q4 值得期待的方向；他称其为“最新的融资概念”。
• 具身模型公司的估值叙事受到挑战：支撑 Physical Intelligence、Generalist 高估值的“physical AI 大于 digital AI”假设可能不成立。 Astra 显示“通用模型是一个更可怕的存在，物理 AI 可能只是通用模型的一个子集”；VLA 的位置可能依然存在，但未必由独立 VLA 公司交付，未来通用模型也可能蒸馏出端侧模型。不过市场规模同时可能被放大、落地加速，不一定对每家创业公司都是坏事。
• 陈哲预计所有头部通用模型公司都会采取机器人领域的动作：Kimi、智谱有相关传闻，梁文锋提过物理 AGI，字节 Seed、腾讯 RoboticsX 等团队也可能按生成式 AI 的思路调整。 算力差距仍很大：头部具身公司 GPU 规模可能是千级，头部通用模型公司是十万甚至百万级，差两到三个量级。一位 Frontier Lab 的朋友也提醒，基于其数据量和算力得出的推导“对绝大部分创业公司并不成立”。
• World Labs 与 AMD 达成 82 亿美元收购协议，方案为全股票交易，但尚未完成。 陈哲认为这为同类公司的退出讨论提供了锚点；行业也有 Anthropic 可能收购 Physical Intelligence 的传闻。中国“基本没有像样的收购案例”；一位头部具身创业者说，公司融了 30 亿现金但不急着花，想等泡沫破碎后低价收团队。
• 宇树 IPO 暴涨暴跌（开盘市值 4400 多亿、后回落至 1700 多亿），陈哲“没什么感觉”，但 Astra 让他对千亿估值判断更有信心。 上半年收入 11.52 亿元、同比增长 48%；他以英伟达作类比：“OpenAI 再发达，英伟达也是受益的。”与此同时，监管对排队上市的具身公司趋严；他警告，为凑收入而做违反行业发展规律的事是本末倒置，如同在 GPT-1 时代逼 OpenAI 做 harness 创收。
• GEN-1.5 与 S1 展示的具身 ICL 能力，可能把部署所需的后训练压缩为分钟级示范视频。 两个出人意料的发现是：分布外任务可能通过一次示范学会；长序列技能组合（如打包、搬运）也能通过视频示范传授。行业逐渐形成的看法是，架构未必最关键：给 VLA 和 WAM 同样质量、规模的数据，都有可能训练出同样好的策略模型。
• FCC 在 7 月底宣布限制部分境外生产先进机器人；范围包括超过 2 公斤、具备移动感知、联网和控制能力的机器人。 陈哲称核心零部件原产地比例“应该是”65%；Boston Dynamics 等先前支持限制的公司也有申诉或提出异议，但 transcript 未明确说 Figure 是申诉方。短期影响有限：宇树 G1、R1、H2 等已获认证的型号，在没有重大软硬件修改时可继续销售；长期政策可能促使企业在美国本地建厂、带动供应商出海，但中国多年形成的供应链优势“很难靠短期限制性政策改变”。

精读

1. Q3 五件大事：Astra 居首，收购、IPO、ICL 与 FCC 限制并列

• 陈哲的排序：第一是 GPT-6 Astra 发布，“大家看到了一个通用智能进入具身智能或者说物理智能的能力跟潜力”，是整个季度最大的变化；第二是李飞飞的 World Labs 与 AMD 达成 82 亿美元收购协议，让近年流行的世界模型概念进入高金额并购的讨论。
• 其余三件：宇树上市及其对行业价值的重构；Generalist GEN-1.5 与 Skild AI S1 为代表的新模型展现强上下文学习能力；FCC 7 月底宣布对部分境外生产的先进机器人实施新的授权限制，可能影响中美硬件研发与供应链。

2. 范式转变：先解决 AGI，physical AI 是子问题

• Peter 把美国之行总结成一句话：“以 OpenAI 为代表的前沿实验室，对物理 AI 的态度是先解决 AGI，再把物理 AI 当作一个子问题来解决。”传统上，大家认为语言模型缺乏空间与物理理解、因此需要专门的物理 AI 模型；Astra 让人看到通用模型也可能拥有空间推理与执行能力。
• 时间线可追溯到 2025 年初：Gemini Robotics 同时发布 VLA 版与空间推理版 ER，当时行业更关注 VLA；回看，Google 可能已经看到了通用模型在复杂空间理解上的能力。今年 7 月，Anthropic 用 Opus 调用机器人接口，实现了以前需要具身模型才能实现的能力——“语言模型进入物理世界，最开始是从工具调用切入的”，是一种新的 computer use 形态。

3. 关键一步：Astra 直接输出末端位姿，开源社区很快复现

• 与“上层 LLM 拆任务、下层具身模型执行”的旧分层相比，Astra 直接生成末端执行器位姿，经逆动力学模块转成电机控制信号——这一步“以前也被认为是具身模型应该做的事情”，相当于把一部分空间理解与动作输出做到了更下层。
• 发现路径：OpenAI 官方博客并未写机器人应用；7 月《Claude Plays Robotics》的管线被开源社区实现后，Astra 发布时“开源社区可能用了一两天的时间就适配好了”，复现发现成功率相比 Claude 显著提高。曼祺补充：Anthropic 那篇还测试了 GPT-5.24、GPT-5.21、Kimi K2.6、Qwen 3.6 等模型。她也提到《An Unexpected Robot Policy》等 Robot Dojo 对比中，Astra 的成功率高于部分顶尖具身模型。

4. IROS 晚宴 survey：约三分之一专家认为“机器人学已经没问题值得研究”

• 匹兹堡 IROS 2026 上，这反而是个有争议的话题：传统机器人学者仍在研究控制、触觉、力分析，对 Astra 的冲击感知不一。CMU 助理教授石观亚在晚宴上对一百多位研究人员做调查，借《三体》概念分出降临派、拯救派、工具派等。
• 两种极端观点中，一派认为语言模型能解决一切、机器人学已经没有什么问题值得研究；另一派认为通用模型永远解决不了很多物理学问题。陈哲说，最务实、人数最多的一群主张把大模型当工具来研究机器人学专门问题；认为机器人学已无问题可研究的那派在场合中“可能有三分之一”。
• 对“大模型太大太慢、不适合实时响应”的质疑，陈哲的历史判断是，找到合适的方法总能优化，“你也很难跟持续迭代的摩尔定律去抗衡”；以算力或速度为由长期否定这条路线的人“可能都会失望”。

5. 估值叙事受到挑战：physical AI ≥ digital AI 的假设可能不成立

• 极端一派的逻辑是：Physical Intelligence、Generalist 等具身公司在没有营收、没有商业闭环时获得超高估值，核心假设是“physical AI 是一个大于数字 AI 的事情”。若成立，这些公司可能像 2015、2016 年的早期 OpenAI，这支撑了行业极早期的百亿美元估值。
• Astra 的出现“在告诉大家通用模型是一个更可怕的存在，物理 AI 可能只是通用模型的一个子集”。若这个假设成立，许多物理 AI 公司的估值体系和价值链分布可能被打破。但陈哲补充，通用模型也可能让物理 AI 更早到来、放大市场规模，“不一定对每个创业公司来说都是一个坏事”。

6. Astra 的三层用法：策略、监督者、研究员

• 第一层最直接：在开源具身任务测试集 Robot Dojo 上直接拿 Astra 做策略，生成位姿再反解关节动作。第二层让语言模型做动作模型的监督者和纠偏者：银河通用的混合控制案例里，10 个 Robot Dojo 任务中，Astra 直接控制的成功率是 26%，由 Astra 监督 π0.5 输出则提高到 48%。
• 第三层“最让人头皮发麻”：把 Astra 想象成真正的机器人学研究员——通过工具调用在 Blender 里搭仿真环境、生成物体与属性，再调试运动控制策略，独立完成策略建模、训练、优化；“在物理世界里 AI 可以自己训练 AI”，即 physical RSI。
• real-to-sim-to-real 已有早期尝试，但还没有特别显著的工作，相关资源此前主要投在 VLA、World Action Model 路线上。曼祺问这是否是创业公司的理念，陈哲称这是“最新的融资概念”；他认为 physical RSI 肯定会来，也是 Q4 值得期待的方向。

7. 擅长与短板：空间推理、泛化强；物理精度弱

• 陈哲说，Astra 在需要推理与空间理解的任务上表现突出，泛化也更强：以前 VLA 换个杯子颜色或位置“就完全懵了”；Astra 则能处理更大的变化。它不擅长对物理精度或执行有要求的环境，比如非常精细地扣纽扣；VLA 针对这类动作有专门的遥操作和后训练数据，而语言模型里这类数据可能比较稀缺。
• 这似乎支持分层使用，但陈哲强调，分层的主要原因不是大模型永远做不到，而是通用机器人部署大概率需要本机实时、高速计算。像 Robotaxi，低频决策可接受一两秒延迟，大量计算则要在本地完成。关键转折是：“VLA 模型的位置可能依然存在”，但未必由独立 VLA 公司交付；未来 GPT 也可能蒸馏出端侧模型部署到设备上。

8. 能力从哪来：Blender 艺术家、跨模态数据与算力差距

• 陈哲拆出 Astra 三个强能力：空间理解、复杂任务推理、调用抽象机器人接口（编程）。空间能力“应该都是数据”；他听到的消息是，OpenAI 可能 5 月就雇了很多 Blender 艺术家，做建模轨迹与数据标注，这也可能解释 Astra 的 Blender 生成能力进步。搭建专有测试环境后，Blender 也容易验证结果、测量效果。
• 更高维度的解释是：“如果 OpenAI 的目标是做 AGI，那么所有模态的数据都需要学习和吸收。”至于预训练是否用了具身数据（如第一视角数据），陈哲说自己没有明确信息确认，但听到的消息都指向“肯定用了”，或者从 Scaling Law 角度“没有理由不用”。
• 算力差距是结构性的：最领先的具身模型用到的 GPU 可能是千级，头部通用模型公司是十万甚至百万级，“差了可能两到三个量级”。

9. 具身数据公司：阶段性生意，最大潜在客户可能是通用 AI 公司

• 对数据商利空利好之争，陈哲的态度是：“做数据的公司，谁有预算我们就服务谁。”做具身数据的公司今天最大的潜在客户可能是通用 AI 公司；第一视角或真人操作数据的供给不充足，人工采集的数据积累到一定量后，也可能和其他模态交叉增强能力。
• 更冷峻的判断是：“所有数据生意都是阶段性的。”他以 Scale AI 为例，从人脸识别、自动驾驶到语言模型，数据服务公司的数据模态会随模型能力提高而变化；“你总要提供一些今天 AI 还不能解决的问题的数据”。

10. VLA 更像直觉模型：几十 B 对几个 trillion

• 对一些 VLA 研究者而言，VLA 更像 VA 模型：语言只是场景描述与提示，不是关键推理环节；这也是此前访谈里把它批评为“更高级的行为克隆”的原因。WAM 以视频生成模型为 backbone，使用通用视频数据，泛化性可能比 VLA 大幅提升；但陈哲认为它仍是动作模型，“它是一个生成器，不是理解器”。
• 曼祺提出，人类还不够高级时似乎就已有运动操作能力。陈哲用昆虫等低级动物回应：少量神经元就能完成本能动作，复杂推理和问题拆解能力则随神经元、脑容量增加而涌现。“主流 VLA 和世界动作模型的参数量大概是几十个 billion，主流语言模型已经到了几个 trillion，甚至十个 trillion 以上。这就是初级动物和高级动物的区别。”

11. 创业公司怎么办：停止路线之争，做好接口、留住闭环

• 陈哲的判断是：“智能是一个通用问题，通用模型有可能先解决智能问题，再解决物理问题”；未来具身公司应与通用模型长期互补合作。第一步是停止争论 VLA 和 WAM 哪条路线更好：在超级智能面前，模型架构上的差异可能没那么重要。
• 实操建议是想清楚哪些能力通用模型已能提供、哪些仍要自己训练或获取；做好接口——通用模型作为调度器调用物理世界的接口和能力，创业公司要把自己做成可反复调用的工具；同时留住自己的闭环，如触觉、力觉、工艺约束、硬件可靠性、失败任务恢复，以及持续积累的任务数据。
• 智能汽车类比：主机厂、Tier 1、核心零部件分为三层；中间层要么下沉做芯片，要么像华为智驾那样向上影响主机厂。“如果它只是停留在中间，就会被两端挤压。”垂直领域可以参考 Harvey、OpenEvidence，利用行业准入或数据合规门槛建立大公司。

12. 十年自动驾驶 benchmark “在 Astra 面前灰飞烟灭”

• 一位有自动驾驶背景的具身创业者告诉陈哲：自动驾驶十多年积累的 corner case benchmark——轮椅老人横穿马路、临时施工锥桶——“今天在 Astra 面前都灰飞烟灭”。他认为这些真人司机都容易犯错的问题，对 Astra 是简单问题。陈哲接着追问：“如果自动驾驶出现了这样的情况，为什么在具身智能里不会出现同样的情况呢？”
• 陈哲的净效应判断是，具身创业公司的空间可能被挤压，但通用模型进展会加速物理 AI 落地，领域也会更快出现大体量公司：“今天通用机器人的硬件基本上已经准备好了，剩下不能解决的问题其实都是智能问题。”

13. World Labs 与 AMD 达成收购协议：82 亿美元股票交易方案

• World Labs 是典型的 World Model 公司。李飞飞成立公司时的使命是做全模态空间智能模型；Atlas 模型侧重空间重建与视角再生成，可用于游戏或机器人仿真环境。今年 World Labs 还收购了李飞飞以前的学生创办的 Synyx，做机器人仿真验证和真机测试。两者结合可作为 real-to-sim-to-real 的一个环节，与 VLA、World Action Model 并非竞争关系；通用模型更强后，空间重建或仿真环境公司可能反而更有价值。
• 陈哲对交易动机作第三方揣测：李飞飞和 World Labs 仍想探索前沿研究，但独立研究实验室在缺乏明确商业模式时需要大量算力和资源；AMD 可以提供相应能力。AMD 则缺少 AI 领域的口碑和资源，若借收购搭起顶级物理 AI 研究团队，“这笔收购对 AMD 来说就是很划算的交易”。
• 82 亿美元未必反映业务的直接贡献，但“体现了一个万亿市值的头部公司愿意为这件事在战略上付出的代价”。曼祺补充，当前方案是股票交易；陈哲笑言：“那就更好，现金都不用花。”双方虽已达成协议，交易尚未完成。

14. 卖身有窗口期：Physical Intelligence 收购传闻与中国的退出困境

• 行业一直有传闻说 Anthropic 可能收购 Physical Intelligence，连估值和对价都传出来了。陈哲认为 World Labs 的交易起到了锚定作用，并猜测它是在提醒同类公司：“中短期来看，最好的出路可能是尽快找到大厂收购”；对大厂来说，也可能只有第一个被收购的公司有价值。卖身有窗口期。
• 中国的对照是“基本没有像样的收购案例”，陈哲说自己也不知道这些公司怎么退出，因为没人愿意付那么高的价格，大家可能认为可以自己做或挖人。他引述一位头部具身创业者的访谈：公司已融 30 亿现金但不会怎么花，想等泡沫破碎后用极低价格收团队和公司。
• 陈哲认为美国资本市场支持长期独立的模型公司，即使尝试不成功也常能谈到不错的收购报价；这让 Physical Intelligence、Generalist 等公司愿意在相信的方向上大额投入。中国的世界模型公司则可能更早追求落地和商业化闭环。

15. 见过神迹与没见过的人：思维有断代差别

• 陈哲在欧美之行的感受是：“见过 OpenAI 在做什么的人，和没有见过的人，思维完全不一样，存在断代差别。”他所见的 Frontier Lab 认为，公司解决的是通用智能问题，其他都是子问题；他称这是整个公司的大共识。“没有见到神迹的人，就是不会信的。”
• 例证是 2024 年初特斯拉发布端到端 V12 模型。国内很多公司当时还不能复现结果，2024 年中自驾领域一度有人认为特斯拉在放烟雾弹、误导市场。陈哲说：“可能当你真正解决过这个问题，对问题的视角就会完全不一样。”
• 盲区也要记着：一位 Frontier Lab 的朋友提醒，自己的推导建立在巨大数据量和算力之上，“对绝大部分创业公司可能并不成立”。自动驾驶领域有中国公司能一年投入四五十亿元人民币训练模型；但如果具身是通用智能的子问题，规模就完全不同。曼祺说只能托梁老板挑战，陈哲回应：“我觉得梁老板他们会做的。”

16. 国产通用模型公司可能加速入场

• 九月有 Kimi、智谱要做机器人的传闻；梁文锋也提过 AGI 下一步要做物理 AGI。陈哲认为趋势明显：“所有力图解决通用智能或 AGI 的公司，都有能力和意愿解决一部分物理 AI 问题”，未来一段时间头部大模型公司都会有动作。他认为中国公司也会参与，因为投入物理空间理解的数据和算力可能在其他方向受益。
• 更理想化的说法是，真想做到 Astra 那样的空间理解，就必然会训练相关数据；机器人甚至可能是这种技术能力实现后的自然涌现。智谱很早以前就采购过机械臂，但陈哲认为 Astra 出来之前，机器人不会是各家特别重要的问题。Q3 的启发是：“我们真正要理解和尊重 Scaling Law。”

17. 宇树 IPO：暴涨暴跌“没什么感觉”，千亿逻辑反而增强

• 上季度陈哲给出的数字是千亿；宇树发行时市值六百多亿，开盘冲到四千四百多亿，之后回落至一千七百多亿。他对冲高“没什么感觉”——新股上市有短期炒作，不能反映长期价值；他更关注明年 8 月科创板解禁后长期机构投资者的判断。
• 基本面上，宇树 2026 年上半年收入同比增长 48%（曼祺补充为 48%），人形机器人出货占比大幅增加；销售费用为 1.64 亿，曼祺推测春晚营销投入可能有大几千万，陈哲回应“可能”。他认为公司经营质量在国内具身领域首屈一指。Astra 之后，他对宇树判断反而增强：通用智能加速进一步加强稳健本体和硬件公司的价值。
• 英伟达类比是：“OpenAI 再发达，英伟达也是受益的。”宇树可以把开源具身模型的领先研究和工具链接到自家本体上，让用户更低成本地部署完整任务。它 9 月发布的 6B 参数 VLA 模型主要做桌面操作和全身移动操作；价值在于降低使用宇树硬件完成完整任务的难度与成本。陈哲认为传统估值方法难以为行业领先公司定价，关键要看稀缺性、领导力与未来增长潜力。

18. 上市收紧与“金钱游戏”：GPT-1 时代就逼收入是本末倒置

• 宇树之后，监管对排队上市的具身公司收紧，重点考察可持续收入、技术突破与上市必要性。陈哲回看 2020、2021 年那轮机器人热：送餐机器人擎朗与普渡两家头部公司，可能各自在一年内烧了 10 亿元人民币；资本过剩领域的补贴式竞争很难避免。
• 陈哲区分两种危险行为：用财技虚设收入；以及为了满足收入要求，“做很多违反行业发展规律的事”。类比是，如果在 GPT-1、GPT-2 时代逼 OpenAI 创收，就可能让它投入资源做各种奇怪的 harness、微调。2018、2019 年中国公司在 BERT、Google T5 上做智能客服、智能医疗等商业落地，最后被证明与解决通用 AI、甚至 ChatGPT 的方向背道而驰。曼祺总结：“捡了芝麻，丢了西瓜。”
• 什么是真收入？陈哲认为，如果通用智能是主赛道，许多真实收入来自服务通用智能公司，如灵巧手、数据服务、本体。关键是业务是否与通用智能和 Scaling Law 正相关；拿大额融资去工厂做传统计算机视觉也能解决的专机问题，则享受不到这类红利。他担心外部激励会导致“劣币驱逐良币”。

19. ICL：示范视频可能替代数小时、数天的后训练

• GEN-1.5 与 S1 系统性展示了具身 in-context learning：不改参数，而是给模型第一或第三视角的示范视频来传达具体任务。过去落地常要用真机遥操作采集轨迹，再后训练数小时、数天甚至一周；有 ICL 时，陈哲认为可能一分钟的视频就能让模型学会某个具体任务。
• 两个出人意料的发现：一是分布外任务可能示范一次就能上手；陈哲举例，没训练过系鞋带或魔术贴鞋带的人，示范一遍后大概率就会。二是 ICL 适合长序列技能组合：打包、搬运等多工序任务包含原子技能重组，单靠文字 prompt 不一定能精准描述。
• 两家公司做法不同：Generalist 的示范轨迹更短（报告写 3 到 10 秒），接受带关节信息的机器人视角原始轨迹；Skild AI 更强调第三视角和长时序视频，报告里有 10 分钟视频的例子，突出 long-horizon 的技能组合。陈哲认为 ICL 在中国受关注，也和市场对商业化落地有更高诉求有关。

20. Dyna 2.1 与数据管线：架构未必最关键

• 9 月底 Dyna 发布 2.1，亮点不一定是模型突破，而是完整工作流：半人形机器人、全身控制策略，以及洗衣房作业从规划、执行到反馈的工程闭环。此前 Dyna 2 称使用超过 100 万小时第一视角数据，但行业朋友反馈，数据量这么大，Scaling 的体现并不特别明显；是否遇到性能提升瓶颈，大家还不确定。
• 陈哲认为，网络架构可能不是最关键要素，更重要的是数据配比、清洗和处理；“无论是 VLA 还是 World Action Model，如果给它们同样质量、同样规模的数据，都有可能训出一样好的策略模型。”
• 自动驾驶公司创始人王倩认为，为理解物理空间所需的数据处理管线，OpenAI 与具身模型公司要做的工作可能一样，因此前者未必有额外优势。陈哲认同对管线的描述，但不一定认同结论：头部大模型公司的数据处理经验、算力和工具可能更先进；今天很多具身模型公司处理数据时，调用的“大脑”还是 GPT 和 Llama 3。曼祺也指出，具身公司在数据管线方面可能没有优势，甚至处于劣势；前沿实验室内部使用的模型可能比公开版本更强。

21. Google 的“暴论”：越懂机器人，越可能受旧经验束缚

• Google 很早就做机器人，也推出 Gemini Robotics ER、7 月底发布的 Robotics 2（含 ER 2 与本地运行的 on-device 模型），为什么先带来冲击的是 OpenAI？陈哲提到 Google 的组织惯性、内部资源分布等因素，也认为其基础模型当时处于追赶状态。
• 他自称的“暴论”是，团队越了解机器人、越有相关经验，反而越可能妨碍他们尝试让通用模型达到相应能力。真正接触过硬件的人对复杂度和物理世界不确定性有敬畏，这也可能让他们抵触新方法。“最懂 NLP 的那群人，一开始也是最反对 LLM、最不相信 LLM 能 work 的那群人。”
• 陈哲在 Google 工作时，隔壁就是 Everyday Robots 实验室，“那个时候他们就在办公室里捡垃圾”。他认为，十几年的研究经验有时会成为历史包袱。他观察到，Frontier Labs 做机器人的研究人员整体更年轻，年龄普遍比 Gemini Robotics 同事年轻 5 到 10 岁；访谈中提到的研究者出生年份包括 1999、1980 和 2000，也有博士刚毕业的成员。

22. Optimus 失焦、自驾与机器人智能“有关系，也有差异”、灵巧手成为训练基础设施

• 陈哲认为 Optimus 目前不太受关注，也没被放在优先级上；Q3 特斯拉的主要精力在 Robotaxi 落地，团队人才有共用。自动驾驶能否迁移到机器人，他的回答是“yes and no”：特斯拉早期的世界模型就是 video-to-action，驾驶更像本能反应、语言权重低，这条思路确实被很多具身公司沿用；但自动驾驶模型受算力和数据限制，参数量可能只有几十亿，通用模型则在不同的数据尺度上做更复杂的推理和理解。
• 陈哲认为第一梯队公司没有变化，但有更多公司开始做灵巧手。他把灵巧手视作 AI 训练的必要设备：有更多硬件就能测试更多场景、做更多真机验证；“假设我有 1000 只手，你有 100 只手，即便 GPU 算力不受限，我也可能训练模型比你快 10 倍。”

23. FCC 限制：原产地比例约 65%，范围也引发异议

• 范围方面，FCC 负责相关商品和电子产品的合规认证；这次把境外生产的先进机器人纳入认证管辖。按公开说明，超过 2 公斤且具备移动感知、联网和控制能力的机器人可能在范围内，不只人形和四足，也包括部分割草机和扫地机。陈哲说核心零部件原产国占比“应该是有 65% 这个比例”；美国品牌若核心零部件有超过 65% 在中国或第三国生产制造，也可能受限。
• FCC 征求意见时，Boston Dynamics、美国扫地机器人创业公司 Matic、Figure 等曾表达支持。限制公布后，一些支持禁令的美国公司也提出异议，认为范围过广；Boston Dynamics 因大量生产制造在韩国，正试图沟通豁免或例外。友好国家产能按一定比例折算为本土产能仍只是议案，并非最终决定。
• 短期影响有限：7 月底前已获得认证的产品，在没有主要软硬件修改时可以继续销售。宇树 G1、R1、H2 和一些机器狗型号已获认证；如果完全排斥中国品牌，陈哲认为短期美国本土市场很难找到替代方案。长期要在美国建厂并使用美国本土生产的核心零部件，可能还要带供应商建厂。曼祺将其类比中国汽车企业出海建厂，陈哲认为这是需要长期布局的目标；中国多年迭代形成的供应链优势“很难靠短期限制性政策改变”。

24. Q4 展望：physical RSI、组织调整与利润流向之问

• 陈哲预计，围绕通用模型的 physical RSI 会出现更多尝试，包括策略监督、自我迭代、仿真环境与素材生成，以及用 agentic 方法编排机器人能力。他还预计 Q4 中国通用模型公司会更多进入具身研究或机器人市场。
• 曼祺提到字节 Seed、腾讯 RoboticsX 等团队；陈哲认为这些小组会调整，转向“以生成式 AI 为指引来做机器人”。他还预计会有更多 ICL 相关工作，因为 ICL 容易展示，也符合中国市场对部署落地的诉求。
• 对抵触新范式者，陈哲的历史类比是：四五年前仍有资深机器人学者否定深度强化学习作为控制算法；到 2022、2023 年，深度强化学习改变了人形机器人和机器狗的运动控制效果，替代了部分传统手写规则或 MPC 方法。他认为面对通用模型时，人们也容易本能怀疑，但可以用现实结果检验。
• 悬而未决的问题是：“如果通用智能持续加强，机器人产业里的稀缺性和利润到底会流向哪里？”曼祺的结语补充，Astra 当前做策略仍慢、成功率绝对值低，无法真实部署；她倾向于认为真实环境中的系统未来可能分层，但通用模型能解决的部分已足以让人重新思考独立具身公司的发展。她还提到近期灵巧手需求正在增长，并提出两条长期观察线索：大脑由谁提供——具身创业公司还是 OpenAI 这类公司；以及 OpenAI 是否会走向 Optimus 式的全栈垂直整合，自己做硬件本体。