OpenAI具身智能入局：数据与算力壁垒下的行业洗牌

事件概述

2026年9月，OpenAI发布被称为“迄今能力最强”的模型GPT-6 Astra，并在具身智能测试中展现出显著优势。第三方机构Robocurve数据显示，在“把积木放进碗里”等简单任务中，GPT-6 Astra零样本成功率达95%，远超同期Claude Fable 5.1的40%。该模型不仅能从视频中理解动作并转化为机器人操作，还能通过类似强化学习的机制随尝试次数增加提升成功率。这一表现加剧了行业内关于通用大模型将取代专用具身模型厂商的恐慌情绪。

核心信息：OpenAI的领先逻辑

OpenAI的突破并非源于架构创新，而是长期积累的数据、算力和时间红利：

• 数据规模：实现通用具身大脑至少需百万小时高质量数据，而OpenAI已拥有超过千万小时的具身数据（包括数百万至上千万小时的自身体验数据ego data）。相比之下，行业可用数据刚触及百万小时门槛。
• 基础设施：OpenAI在旧金山建立机器人实验室，配备约100名采集人员，使用遥操作方式收集叠衣服、放入面包机等任务数据，构建了EB级规模的数据处理与多模态训练基础设施。
• 时间沉淀：自2015年起，OpenAI便遵循“模型规模+数据规模”同步扩展路线，虽早期因物理数据匮乏受挫，但保留了认知、团队和数据体系，历经十年终于补齐短板。

国内现状与挑战

尽管部分国内团队如原力灵机（由旷视系创立）正在加速追赶，但仍面临巨大鸿沟：

• 数据差距：原力灵机DM0.5模型目前使用15万小时数据，计划年底达到100万小时，与OpenAI的千万小时级仍差一个数量级。
• 成本高昂：高质量真机数据采集成本极高。估算显示，单小时有效数据成本约1600元，积累100万小时有效数据需投入约16亿元。此外，算力芯片投入也是关键门槛，业内观点认为未在算力上花费过亿的企业很难真正训练出具备竞争力的“模型大脑”。
• 技术局限：通用大模型在精细操作（如精密拼图插入、精细接触）上表现不佳，成功率仅约10%。物理世界的动力学交互具有高成本、低频率特点，缺乏大规模精准“身体记忆”导致模型落地困难。

行业展望：资源整合是关键

面对OpenAI的入场，行业共识指向以下趋势：

• 资源集中化：国内资本市场过度分散，资金摊薄导致内耗。未来可能经历“混战收束”，真正从事底层模型训练的企业将收缩至少数几家（预计四五家），其余中小厂商或被并购或出清，资源向头部集中。
• 通用基座价值：通用具身模型被视为机器人的“九年义务教育”，旨在培养逻辑能力和知识理解基础。在此基础上，再针对修车、物流等垂直场景进行微调将事半功倍。
• 竞争本质：未来的赛点不在于形态是否像人形，而在于能否将数据、算力、模型与真实场景拧成闭环。国内企业的危机不仅在于对手强大，更在于自身资源分散、投入深度不足及耐心缺失。