165
2是谁吞了我，而我又吞了谁！
动手吧。
2026 年 8—9 月，具身智能行业出现了几条值得放在一起观察的信号。
GPT-6 Astra 为代表的通用大模型开始直接控制机器人，会不会让具身模型不再有价值；宇树科技上市，让人形机器人第一次有了公开市场的定价参照；Generalist、Skild AI 和 Dyna 等公司的新进展，则让行业开始认真讨论：具身基础模型能否像大语言模型一样，通过扩大预训练规模，获得更强的泛化能力和更高效的任务适应能力？
与此同时，Figure 开始向全球普通用户征集第一视角视频，小鹏机器人获得大额融资，特斯拉 Optimus 的量产进度也再次提醒行业：技术演示距离稳定部署，还有一段距离。
本期是「非标玩家·具身双月报」第一期。我和星连资本沈筱一起，从这两个月最值得关注的五个焦点出发，试着从喧嚣中辨认真正的技术进展、产业信号和商业化边界。
这期我们重点讨论：
如果通用大模型已经能够直接控制机器人，具身公司还需要训练自己的基础模型吗？
机器人自己的 ICL 和 Scaling Law，究竟出现了哪些可信信号？怎样区分真正的泛化与演示中的模式匹配？
Figure 为什么宁愿投入巨额资金搭建全球数据采集网络，也不继续向第三方购买数据？
宇树上市之后，一级市场的估值逻辑会发生什么变化？具身智能企业要如何证明自己的商业价值？
车企正在成为具身智能赛道的重要玩家。汽车行业积累的能力究竟能迁移多少，Optimus 又应该用什么指标衡量？
时间轴
00:39｜为什么要做「具身双月报」？
从密集的融资、技术发布和行业争论中，寻找值得持续追踪的信号。
01:45｜GPT-6 Astra 会不会吃掉具身模型？
通用多模态模型直接参与机器人动作决策，意味着什么？Astra 展现的是空间理解、任务规划，还是足以替代专用具身模型的能力？
04:44｜通用模型的能力从哪里来？
关于训练数据、定向训练和空间智能的讨论。哪些判断有公开证据，哪些仍然只是推测？
06:41｜通用模型与 VLA，可能是什么关系？
通用模型正在削弱专用模型在高层规划上的部分价值，但精细操作、实时控制、真实数据和部署体系仍然重要。
沈老师补充：其实可靠执行任务，规划只是一部分，运动能力很重要（身体的实现）
08:49｜通用模型能否加速机器人仿真？
如果 AI 能帮助构建更复杂的物理仿真，机器人训练是否可能获得新的规模化数据来源？
10:30｜未来 3—5 年，具身智能仍会是分层系统吗？
高层推理与底层动作控制对速度、模型规模的要求不同。Reasoner 与 Action Expert 如何协同？
12:17｜宇树上市：具身智能进入二级市场定价
宇树上市提供了什么样的估值和经营参照？公开财报将如何帮助市场判断本体企业的真实发展阶段？
15:26｜宇树股价回落，意味着行业预期发生了什么变化？
如何区分市场情绪变化、估值回归与规模化部署仍需时间的产业现实？
提到的播客补充：www.xiaoyuzhoufm.com
18:15｜机器人产业链里，谁在赚“卖铲子”的钱？
核心零部件与机器人本体的商业逻辑有何不同？供应链公司的价值应该如何衡量？
19:35｜王兴兴提出的机器人“GPT 时刻”，该怎么定义？
陌生环境中自主完成 80% 的日常任务，是一个足够清晰的行业目标吗？泛化能力又该如何评测？
20:57｜机器人自进化：从数字世界走向物理世界
自主检索论文、编写控制代码、仿真验证，再部署到真机测试——物理 AI 的自进化闭环离真正可用还有多远？
25:04｜具身智能开始出现 ICL 与 Scaling Law 的信号
机器人能否通过少量现场示范适应新任务？随着预训练规模扩大，这种适应能力能否持续提升？
26:12｜什么是 ICL？为什么它对具身基础模型很重要？
从大语言模型的上下文学习出发，理解机器人能否在不更新模型参数的情况下，从少量示范中学会新技能。
29:50｜怎么判断机器人真的具备泛化能力？
一次成功的演示与可迁移的能力之间，还差哪些证据？
31:28｜没有喷壶，就拿水杯浇花：这算真正的常识吗？
机器人能否找到替代方案，究竟体现了自主推理、任务恢复，还是训练数据中已有的模式？
32:30｜Zero-shot、One-shot 与 ICL，有什么区别？
没有示范、只有一次示范、通过上下文适应新任务，分别对应什么能力？
沈老师补充：
场景泛化：换物体、换房间，仍能完成原来的任务，不一定涉及学习新任务。
长时序自主性：连续完成多步骤任务，考验技能组合、进度跟踪和出错恢复。时长可以作为参考，但还要看成功率和人工干预次数。
上下文学习：模型利用输入的演示理解新任务，执行时不更新权重。S1 接收一段视频演示，因此更准确地说是 one-shot 上下文学习，不能因为没有微调就称为 zero-shot。
此前具身智能的泛化展示，很多集中在更换物体或场景后完成既有任务。Skild AI 的 S1 更值得关注之处，是据其披露，模型无需额外微调，仅凭一段视频演示，就能执行预训练中未见的、长达约十分钟的多步骤任务。其中，长时序执行为技能组合、进度跟踪和纠错能力提供了观察窗口；依据演示适应新任务且不更新模型参数，则体现了上下文学习能力。这为降低新任务部署所需的数据采集与训练成本提供了可能。
35:04｜机器人自己的 Scaling Law，正在出现吗？
如何判断更多预训练数据是否真的带来了更强的泛化能力，而不仅是让模型在既有任务上表现更好？
38:29｜数据规模之外，什么决定具身模型的上限？
任务多样性、物体种类、环境变化与训练数据的可扩展性，如何共同影响模型能力？
39:20｜Figure 为什么开始向全球普通人采集第一视角视频？
从移动应用、众包网络到 Helix，Figure 想建立什么样的数据基础设施？
40:36｜第一视角数据的价值，究竟在哪里？
数据量之外，任务多样性、真实环境与物理交互信息，分别能为机器人带来什么？
43:30｜为什么失败数据也很重要？
机器人不仅要学会怎么完成任务，还需要理解什么情况下会失败，以及如何调整策略。
沈老师补充：这里稍微有些不准确，但无伤大雅。主要涉及模型条件输入的调整，但核心是训练方法和反馈机制的升级。
失败数据一直很重要，关键在于如何把失败转化为有效的学习信号。早期以模仿学习为主的 VLA，难以直接从失败行为中获益。Physical Intelligence 后续通过引入人工纠错、价值评估和强化学习，让模型能够区分动作好坏，从成功与失败的经验中改进策略。
比如Physical Intelligence 的 π*₀.₆／RECAP 对应的就是这个变化：结合人工纠错和强化学习，用价值评估区分动作好坏，再利用成功与失败经验改进策略。它涉及模型条件输入的调整，但核心是训练方法和反馈机制的升级。
44:25｜第一视角视频与真机遥操作数据，成本为什么差这么多？
低成本人类视频能否替代昂贵的机器人交互数据？两类数据之间的能力迁移还面临哪些限制？
47:09｜真实世界、第一视角视频与仿真数据，应该怎么组合？
具身模型的数据路线，究竟应该押注真实采集、合成数据，还是多种来源协同？
50:08｜公开视频与世界模型，能为机器人训练贡献什么？
人类视频如何帮助模型理解物理世界，又为什么不能直接等同于机器人操作数据？
51:04｜小鹏机器人获得大额融资，车企正在成为新玩家
汽车行业积累的感知、控制、制造和供应链能力，有多少能够迁移到人形机器人？
54:13｜为什么很多具身智能从业者来自自动驾驶？
两条技术路线共享哪些能力，又有哪些看似相似、实则无法直接复用的环节？
56:34｜电动车之后，机器人会成为车企的第二增长曲线吗？
车企进入具身智能赛道的优势在哪里，真正的难点又是什么？
57:27｜Optimus 的量产进度，应该怎么看？
量产是重要指标，但远远不够。工厂部署、实际承担的工作、可靠性和 MTBF，哪些更能说明机器人正在创造价值？
沈老师补充：Optimus 的量产节奏会影响市场预期，但对判断具身智能的核心能力进展而言，量产时间表本身提供的信息有限。量产涉及技术成熟度、供应链、成本及商业策略等多重因素。更值得关注的是机器人能否在真实场景中稳定、自主地完成任务，以及人工干预频率和部署成本是否持续下降。因此，量产进度应与智能能力、应用验证分别观察。
59:01｜比生产了多少台更重要的，是部署后发生了什么
机器人进入真实场景后，如何衡量稳定运行、任务完成与商业价值？
01:01:20｜十年后，宇树的营收能超过 Physical Intelligence 吗？
从本体公司与基础模型公司的不同商业路径，讨论具身智能产业最终的价值分配。
01:02:14｜这两个月，具身智能最被高估的进展是什么？
哪些技术演示容易被过度解读？又有哪些变化被行业低估了？
01:02:39｜游戏数据、世界模型与机器人训练
虚拟世界中的数据和交互经验，能在多大程度上帮助模型理解、预测真实世界？
01:06:53｜当通用基础模型持续进步，具身公司的护城河还剩什么？
模型能力不断提升之后，数据、系统集成、硬件、部署与真实场景积累，哪些仍然构成长期竞争优势？
本期关键词
具身智能、GPT-6 Astra、VLA、空间智能、Reasoner、Action Expert、ICL、Zero-shot、One-shot、Scaling Law、物理 AI、自进化、第一视角数据、仿真、世界模型、宇树科技、Figure、Helix、小鹏机器人、Tesla Optimus、Physical Intelligence、Skild AI、Generalist、Sergey Levine。
关于嘉宾
沈筱｜星连资本：长期关注具身智能与相关技术、产业机会，从投资视角观察技术路线、企业成长与商业化进程。
关于「非标玩家UnDefined」
「非标玩家UnDefined」是一档面向全球语境的深度对谈节目，记录在不确定中做决定的人。
我们关注中国科技创业、AI、具身智能，以及技术和商业变化背后的人与决策。比起追逐单个热点，我们更关心：一项技术究竟改变了什么，企业如何在变化中做选择，以及哪些信号值得长期跟踪。
「具身双月报」将持续回顾行业重要进展，与一线从业者和投资人一起辨认技术突破、商业化现实与市场预期之间的距离。
