其实不单是周末，物理AI上一周都在酝酿：南京开了国内第一个物理AI与世界模型大会，国家标准预研启动；英伟达在柏林GTC把物理AI列为主线；特斯拉在业绩会上确认Optimus进入早期量产；OpenAI官宣自研人形机器人；王兴兴在杭州的宇树生态大会上表态，随着GPT-6的发布，物理AI已经看到被击穿的苗头，快则1-2年，慢则2-3年。
之前机器人更多关注的是关节、灵巧手、减速器，比的是谁的动作更丝滑，表演得更天衣无缝；现在GPT-6让人看到了“大脑”的进展，所以开始憧憬机器人真能理解这个世界并完成复杂任务指令，能干活。
事实如何呢？
10月中旬的时候，商汤联合大晓机器人、Ropedia、新加坡南洋理工大学和东京大学的研究团队对GPT-6-Astra的具身能力进行了深入评测，覆盖 12 项仿真基准+8个真机平台，并发了一篇报告，《Has GPT-6-Astra Achieved Embodied Intelligence?》，里面的结论很有意思。
简单来讲就是，仿真端近乎满分，真实世界立刻现形。在各项仿真测试中，GPT6的表现都堪称优异；但在实际操作中，GPT-6-Astra指挥真实机器人完成一些看似简单的任务时，结果却让人失望。例如，将笔放进笔筒这一简单的动作，GPT-6-Astra耗时超过4个小时，且花费了55美元。更有甚者，在判断鸡蛋是否煎熟时，模型未能及时关火，导致鸡蛋烧焦；在打开冰箱放牛奶后，忘记关冰箱门，造成了不必要的浪费。
从好的方面讲，通用大模型展示出了不用专门训练就能碰物理世界的能力，这比过去每个任务、每种机器人都要单独训一个VLA模型要进步得多；但能想到跟能做到还差着一定的距离，模型能算出我抬腿32厘米可以跨过28厘米的门槛，但真实世界的电机有温漂、地面有倾斜、传感器有误差，很可能最后还是卡在了门槛前。
另外一个卡点还是训练数据，之前李飞飞在a16z访谈里也聊到过这个问题，没有足够多的高质量训练数据，再好的机器人也只是中看不中用。语言模型是有互联网把人类几十年的文本免费摆在了那里，而物理世界没有这个红利，每一秒数据都要用真机或者仿真去挣。目前全行业高质量具身数据存量大约50万小时，而真正可用的门槛是1000万小时级，缺口还很大。
物理AI作为产业方向，拐点叙事第一次有了通用大模型层面的技术证据，这值得憧憬。但即便是行业开拓者，王兴兴在给具身智能的ChatGPT时刻定的标准是，一句自然语言指令，在80%的陌生环境里独立完成80%的任务，乐观的预计是在2至3年内到来，慢则5至10年。路漫漫其修远兮，现阶段仍像是主题投资而非基本面投资。
流水不争，交给时间。
观点仅记录个人思考，难免有误，不代表任何意义上的投资推荐
本话题在雪球有123条讨论，点击查看。
雪球是一个投资者的社交网络，聪明的投资者都在这里。
点击下载雪球手机客户端 http://xueqiu.com/xz]]>
