河马观澜

深读 · 01

Claude 学会动手了：AI 智能体开始自主操作实验设备

Anthropic's Claude Can Now Autonomously Run Science Experiments With Lab Equipment

Singularity Hub · Edd Gent · 2026-09-04 · 约 7 分钟 · 原文链接

导读与要点（建议先读原文）

痛点：实验室自动化存在几十年，但设备各说各的「方言」，跨设备集成需要专家写数周到数月的定制代码。
解法：MHS 用刻意简化的「读/写」命令统一设备方言，任何可编程设备都能向 AI 智能体自我描述；用户可用自然语言写明硬件细节，或让智能体访谈式采集，生成含安全限制的参考文件。
实证：Claude 会调整激光、通过摄像头观察光束移动、反复迭代以理解因果序列；在神经科学实验中自主操纵显微镜找到活体脑组织中的陌生结构，获现场科学家确认。
定位：这是 Anthropic 走出软件开发与知识工作两大核心市场、进入物理世界的关键一步——与 MCP 面向软件不同，MHS 面向硬件。
风险与节制：IBM 首席研究科学家提醒「小错误在物理世界可能很要命」；Anthropic 初期仅向少数合作伙伴开放，并承诺共建物理硬件 AI 的安全评估体系。
批判性阅读：目前只是研究预览，全部演示来自 Anthropic 自述；「几分钟完成集成」是理想条件，真实实验室的安全责任、事故归因与标准 adoption 都是未答题——方向重要，但别按发布会定价。

Scientific research often depends on complex laboratory equipment that only specialists know how to use. But Anthropic is now rolling out a system that allows AI agents to control lab devices and autonomously carry out experiments.

科学研究往往依赖复杂的实验设备，而会用这些设备的只有专家。现在，Anthropic 正在推出一套系统，让 AI 智能体直接控制实验设备、自主完成实验。

Laboratory automation technology has been around for decades but getting different bits of equipment to talk to each other has traditionally been a major headache. Most instruments use their own proprietary interfaces, so connecting a microscope to a robotic arm or a liquid handler typically requires bespoke software that takes specialists weeks or even months to build.

实验室自动化技术已经存在了几十年，但让不同设备互相「对话」一直是老大难。大多数仪器使用各自的专有接口，要把一台显微镜接上机械臂或移液工作站，通常需要定制软件，专家得写上几个星期甚至几个月。

Anthropic says its new Model Hardware Standard can reduce this process to minutes by giving devices a common language. It relies on a standardized "driver" that lets any programmable device describe itself to an AI agent, allowing the AI to handle the integration. The company announced it's opening the system up as a research preview to an initial group of labs and manufacturers.

Anthropic 称，其新的「模型硬件标准」（Model Hardware Standard，MHS）能给设备一种通用语言，把这一过程缩短到几分钟。它依靠一个标准化的「驱动程序」，让任何可编程设备都能向 AI 智能体描述自己，由 AI 来完成集成。公司宣布，该系统将以研究预览的形式，向首批实验室和制造商开放。

"Our hope is that the standard can be of use to researchers, engineers, and other practitioners in speeding up the process of discovery and experimentation in any domain that uses devices with a programmable interface," Anthropic said in a press release.

「我们希望这套标准能帮助研究者、工程师和其他从业者，在任何使用可编程接口设备的领域里加快发现与实验的进程，」Anthropic 在新闻稿中说。

The standard is similar to Anthropic's Model Context Protocol, which makes it easier for AI to interact with third-party software, but the new system is aimed at hardware instead. The driver at its heart is essentially a piece of software that sits between a computer and a piece of hardware, translating instructions from one into signals the other can act on.

这套标准与 Anthropic 的「模型上下文协议」（Model Context Protocol，MCP）思路相似——MCP 让 AI 更容易与第三方软件交互，而新标准瞄准的是硬件。其核心驱动程序本质上是一个位于电脑与硬件之间的软件层，把一方的指令翻译成另一方可以执行的信号。

Most laboratory instruments already run some form of driver, but each has traditionally spoken its own dialect, which is why connecting them has required custom code that can translate between devices. Anthropic's new driver standardizes that dialect using deliberately simple commands such as "read" or "write," which can refer to anything from checking a temperature to setting the length of an operation.

大多数实验室仪器本来就有某种驱动，但各自说着不同的「方言」，这正是设备互联需要定制翻译代码的原因。Anthropic 的新驱动用刻意简化的命令统一了这种方言——比如「读」（read）或「写」（write），它们可以指代从查看温度到设定操作时长的任何事情。

Because every device speaks in these same basic terms, machines can find each other on a network and exchange data without a custom program to translate between them. The driver also makes it easier for the company's Claude agents to learn how to use a device they've never seen before.

由于每台设备都说同样的基础词汇，机器可以在网络上互相发现、交换数据，无需定制翻译程序。这套驱动也让 Claude 智能体更容易学会使用一台从未见过的设备。

The standard lets users encode key details, like the weight of a robotic arm, using natural language. They can either write out their hardware setup themselves or have an agent interview them about it. The system then turns that information into a reference file covering what a device can measure, what can be adjusted, and what safety limits apply.

该标准允许用户用自然语言描述关键细节，比如机械臂的重量。用户可以自己写下硬件配置，也可以让智能体通过访谈来询问。系统随后把这些信息整理成一份参考文件，涵盖设备能测量什么、能调节什么，以及适用哪些安全限制。

Anthropic says this lets its agents orchestrate complex experimental processes across multiple instruments in often highly complicated and interactive ways. "We've found that Claude interacts with experiments and hardware in an exploratory manner, much as a scientist would," the company writes. "We observed Claude make an adjustment to a laser, observe the results through a camera to assess how its adjustment moved the laser beam, and repeat the process, seeking to understand the sequence of events."

Anthropic 表示，这让智能体能跨多台仪器、以高度复杂且互动的方式编排实验流程。「我们发现，Claude 与实验和硬件的交互方式是探索式的，很像一位科学家，」公司写道。「我们观察到 Claude 调整激光，通过摄像头观察调整如何移动了光束，然后重复这一过程，试图理解事件的因果序列。」

Speaking to the Financial Times, Anthropic scientist Alek Kemeny described watching Claude locate a specific, unfamiliar structure in a live brain tissue sample during a neuroscience experiment by manipulating a microscope's mirrors and lasers on its own. "The neuroscientist sitting there said: 'Yep, that's right,'" said Kemeny.

Anthropic 科学家亚历克·凯梅尼（Alek Kemeny）在接受《金融时报》（Financial Times）采访时描述了一个场景：在一次神经科学实验中，Claude 自主操纵显微镜的反射镜和激光，在活体脑组织样本中找到了一个它从未见过的特定结构。「坐在旁边的神经科学家说：『对，就是它，』」凯梅尼说。

The new standard could be key to the company's ambition to move beyond its key markets of software development and knowledge work and allow its AI to start having an impact in the physical world. But allowing AI, which is still not immune to hallucinations, to control real-world hardware carries considerable risks.

这套新标准，可能是 Anthropic 走出软件开发与知识工作两大核心市场、让 AI 开始影响物理世界的关键一步。但让一个仍会「幻觉」的 AI 控制真实世界的硬件，风险不容忽视。

"It is an impressive proof of concept, but how do we ensure safety in the physical world? Because small errors can matter here," Kaoutar El Maghraoui, principal research scientist at IBM, said on the company's Mixture of Experts podcast.

「这是一个令人印象深刻的概念验证，但我们如何确保物理世界里的安全？在这里，小错误也可能很要命，」IBM 首席研究科学家考塔尔·埃尔·马格拉维（Kaoutar El Maghraoui）在 IBM 的 Mixture of Experts 播客中说。

That's probably why Anthropic is only releasing the standard to a small number of partners initially, and it has committed to working with them to build safety evaluations for AI systems that are operating physical hardware. If the early launch goes well though, AI agents could soon make an impact in far greater swathes of the economy.

这大概正是 Anthropic 初期只向少数合作伙伴开放的原因——公司承诺与他们共同为「操作物理硬件的 AI 系统」建立安全评估体系。但如果早期落地顺利，AI 智能体很快就会在大得多的经济版图上产生实际影响。

← 返回目录

深读 · 02

具身智能等不来自己的「ChatGPT 时刻」

具身智能等不来自己的“ChatGPT时刻”

智讯智库（虎嗅转载） · 陈宥文 · 2026-09-04 · 约 15 分钟 · 原文链接

导读与要点（建议先读原文）

框架：「ChatGPT 时刻」= 能力涌现 × 成本骤降 × 病毒式传播三条曲线的合取共振，缺一不可；GPT-3 到 ChatGPT 隔了两年半，GPT-6 Astra 能力跃升也未制造第二个时刻——技术里程碑 ≠ 产业时刻。
能力账：固定基准上 OpenVLA-OFT 97.1%、智元 GO-2 98.5%、Being-H0.5 98.9% 趋于饱和；但 GO-2 在 VLABench 只得 47.4 分，Being-H0.5 进 RoboCasa 成功率 53.9%；动作序列重组（A→B、A→C 重排为 B→C）成功率仅 0-15%——会执行和会组织执行之间，隔着真正的具身推理。
成本账：合成数据与人类视频在压低「见世界」和「搭考场」的成本（DYNA-2 用 100 万小时人类视频预训练，World Labs Atlas 把真实场景变成可生成考场），但真机校准与上岗验证是不可移除的锚点；真正的瓶颈是投入转化率——全行业融资近千亿，头部企业研发投入远低于此。
扩散账：上半年全球人形机器人出货超 2.2 万台、同比 +300%，但娱乐表演、数据生产、科研教育占六成以上；宇树科研教育客户占 73.6%，工业客户仅 9%——身体在加速出货，生产接口仍然稀缺。
时刻的形态：开发者层的「ChatGPT」是开源基座与工具链，客户层是可跨厂复制的标准化任务包，公众层的通用界面最远；「对话框不是第一份采购合同，而是第二份不再写试点的复购单」。
批判性阅读：作者立场明显偏谨慎，对宇树等着墨集中于负面信号（运动会垫底、招股书自承大脑未规模化）；但全部关键论断附公开来源（40 条参考资料），是做空叙事与做多叙事都该读的产业地图。

本文来自微信公众号「智讯智库」，作者：陈宥文。

从上市即巅峰，到股价近乎腰斩——可能只用“12.41秒”[1]。

8月22日，第二届世界人形机器人运动会百米大型组预赛，宇树跑出12.41秒的成绩，小组垫底[1]——一年前，这项赛事的400米冠军，正是宇树。就在此前两天，王兴兴刚在WRC主论坛上重申了他对具身智能“ChatGPT时刻”的预判：快则2到3年、慢则5到10年——届时，机器人的泛化能力将使其在80%的陌生场景中，通过语音或文字指令完成约80%的任务[2]。

愿景很大，但赛场表现的巨大落差，迅速将宇树科技推上了资本市场和公众舆论的风口浪尖[3]——“具身智能骗局论”再度升温：宇树还配不配“领衔者”的位置？大模型驱动的技术路线到底走不走得通？具身智能的“ChatGPT时刻”究竟会不会来？

层层追问，最终落在一个词上——“ChatGPT时刻”。

人们翘首以盼的，或许是一个划时代的机器人横空出世，或许是一个带着英雄光环、能一锤定音整个具身智能行业未来的“中国马斯克”。

但，事实真会如此吗？

本文要点速览

定义偏差：所谓“ChatGPT时刻”，本质是能力涌现、成本骤降、病毒式传播三条曲线同时触达阈值的共振产物。具身智能的物理交互属性决定其难度远高于大语言模型，直接套用C端一夜爆红的叙事属于根本性范畴误判。

发展现状：具身智能的能力、成本和扩散三条曲线分别卡在不同节点。其中，能力卡在跨场景泛化与安全执行关，固定基准普遍逼近97%-99%，换场景后指标明显下滑，如RoboCasa成功率53.9%、VLABench得分47.4；成本卡在投入转化率关，合成数据与人类视频大幅拉低练习成本，但真机校准与上岗验证仍是不可移除的刚性锚点，全行业融资近千亿，远快于研发投入和验证转化速度；扩散卡在跨客户复制关，上半年出货量同比增长近300%，但生产级场景占比不足两成，可跨厂复制的标准化任务包尚未形成。

“时刻”形态：具身智能的“ChatGPT时刻”不会是单点爆发。慢力量（技术、成本、扩散三条曲线）决定真实进度，尽管推进缓慢且刚性，却是这一时刻的真正决定因素；快力量（资本定价、公众情绪、人才潮汐）制造短期波动与时刻幻觉，但不决定真实节点。产业发展的节点会分层落地——先形成开发者层的基座模型标准，再出现客户层的可复制任务包，最后才是公众层面的通用途径，整体是渐进式渗透而非一夜奇观。

风险提示：本文为产业阶段性观察分析，不构成针对任何具体标的的任何投资建议。具身智能整体处于技术验证向规模化落地过渡的早期阶段，跨场景泛化能力、规模化交付经济性、可复制商用扩散的成熟度可能不及市场预期；同时全球技术迭代、本体产能与场景落地均在持续推进，长期产业成长逻辑具备支撑，实际演进节奏需依据核心技术突破、成本曲线变化、行业标准落地及下游需求释放等多重变量综合判断。建议理性看待产业周期与技术规律，注意规避基于单一事件或局部数据的极端判断风险。

9月3日，OpenAI发布GPT‑6 Astra，将多模态理解、抽象推理与电脑操作进一步融入统一模型，并在ARC‑AGI‑3测试中取得99.9%的成绩。如果一次能力跃升就足以构成“ChatGPT时刻”，那么GPT‑6理应已经带来第二个这样的时刻——但这并没有发生。这恰好说明，只有当能力同时转化为足够低的使用成本、足够普适的产品接口，并触发大规模采用与认知同步，技术里程碑才会成为产业时刻。数字世界尚且如此，在本体、部署与安全成本更重的物理世界，具身智能更难以凭一次模型发布完成三条曲线的合取[4]。

被误用的“ChatGPT时刻”

2022年11月ChatGPT的发布，重新定义了什么叫技术的“时刻”——48小时内全球讨论刷屏，约5天用户破百万[5]，两个月后月活过亿，成为史上增长最快的消费级AI应用[6]——“取代论”“奇点论”“泡沫论”随之轮番上演。

然而，构建这个“ChatGPT时刻”的底层架构，并非OpenAI首创。2017年诞生的Transformer架构，摒弃了以RNN、GRU为代表的循环神经网络逐词递归的计算范式，转而以自注意力机制对整段序列做并行建模，再通过位置编码补入序列顺序信息[7]。GPT系列沿用这一架构开展大规模自监督预训练，再经指令微调、RLHF（基于人类反馈的强化学习）两步对齐，其作为自回归语言模型的核心训练目标始终是：给定上文，预测下一个词元（Token）。也正是这条技术路径，第一次让数亿普通人直观感受到：机器的对话自然度已经逼近真人。

从架构论文正式发表，到ChatGPT之作为产品真正击穿公众认知，隔了整整五年。

事实上，技术史上的“时刻”，也从来不是单一技术突破的自然结果，而是技术本身跨过奇点级成熟度，同时产业与公众集体确认“它来了”——“时间的刻度”本身就是一种社会认知的产物。由此看来，如果给“ChatGPT时刻”一个精确的标准，那可能就是三条曲线同时触及阈值：①能力涌现、②边际成本骤降、③病毒式传播扩散。三者是合取关系，缺一不可——GPT-3早在2020年6月就已具备粗糙可用的能力，可直到两年半后，三条曲线才完成共振[8]。

如果用这把尺子衡量具身智能（本文主要围绕人形机器人），王兴兴在WRC上提出的“双80%”是目前行业传播最广的量化标准之一，但它其实也只覆盖了“能力涌现”这一条曲线，边际成本与传播扩散两个维度仍在视野之外。

可即便只看能力这一条曲线，具身智能的难度也比ChatGPT所代表的大语言模型高出整整一个量级——概言之，一个是词元，一个是多维力矩：语言模型预测下一个词，离散、容错，说错了重生成即可；机器人输出每一个力矩，连续、零容错，错一个就摔碎杯子，代价是真实的物料、时间与安全风险。前者每秒输出几个词，后者每秒输出几十到上百次动作，频率与容错率差着几个数量级。

拆解来看，语言模型的任务本质上只有一个动作：预测下一个词元。具身智能则要跑通感知、理解、拆解、规划、执行的五步闭环，技术栈从VLM、VLN、VLA一路延伸到世界动作模型，每一级都要新增一个此前不存在的能力模块。

幸运的是，具身智能的技术推进，可以直接继承大语言模型五年的技术积淀——同一个Transformer骨架，同一条scaling路线。主流VLA架构更是把动作离散成词元，让机器人像“说”一句话一样输出动作序列——动作即语言，机器人控制就此转化为序列生成问题。除此之外，自动驾驶趟出的真机采集方法论、快速成熟的本体制造产能，也分别为数据回流和物理落地提供了基础——当然，这几者有一个共同点：没有一件是这四年里从零突破的。具身智能过去四年的加速，本质上依托的是人类上一个产业周期攒下的存量资产——模型、数据、本体三条线咬合转动，才是真正的加速飞轮。

也正因此，过去四年具身智能以极度压缩的节奏走完了语言模型从Transformer到ChatGPT的五年路径：2022年SayCan与RT-1范式奠基[9][10]，2023年RT-2为VLA正名[11]，2024年π0与OpenVLA完成开源与数据基建[12][13]，2025年进入模型元年，2026年迎来路线融合与考场迁移。（“四年走完五年”是结构类比，非严格定量结论。）

这条时间线的首尾，刚好框定了一场贯穿四年的架构路线之争：2022年SayCan走分层路线（大模型思考、小模型执行），RT-1走端到端路线（单网络直接输出动作），分歧根源是慢速推理与高速控制的时延差着两三个数量级，硬塞进同一网络必然互相拖累。到2026年，答案已经不是简单的路线纷争抑或合流，而是多时间尺度的混合——分层没有消失，而是向更细的时间尺度下沉。路线之争尚未终结，但行业已进入更具当下实操意义的“把多条路焊在一起”的融合阶段，路线争议本身正在被更复杂的系统工程问题收编。

但是，技术演进可以压缩，能力、成本、扩散三条曲线的合取却无法单方面实现压缩——我们逐条来算。

三条曲线，逐条算账

事实上，具身智能的三条曲线卡在三个不同位置：能力卡在跨场景，成本卡在真机闭环，扩散卡在跨客户复制。

先看能力

同一届运动会闭幕时，人形机器人百米纪录已推至8.64秒[14]，原地跳高达到3.40米[15]，首次在专项指标上跑赢、跳赢人类。但冠军冲线后撞上防护设施的细节，恰好暴露了另一半问题：百米成绩只计算到达的速度，却并不计算减速、停稳与恢复的完整动作链[14]。

换言之，人形机器人能把单一封闭目标优化到超越人类极限，却还没把任务完成、安全执行、异常恢复稳定地压进同一套系统。这场比赛照出的本质，是专项能力与系统能力的发展不同步——运动控制（小脑）已经跨过“能到达”的门槛，操作泛化（大脑）仍停留在“能不能完成”的初级阶段——但市场习惯拿第一张成绩单，给整个系统定价。

操作能力的完整可用性，归根结底要看五项指标：看懂环境、听懂指令、规划步骤、执行动作，以及换场景后持续安全稳定运行。最容易被高分掩盖的，恰恰是最后两项。

在固定测试基准中，头部VLA的表现已逼近满分。OpenVLA-OFT在LIBERO四套任务上平均成功率97.1%[16]，智元GO-2达98.5%[17]，2026年的Being-H0.5更是达到98.9%[18]。不同团队、不同架构的模型先后进入97%~99%区间，说明固定任务场景下的性能已趋于饱和。在既定本体、既定任务、既定数据分布的边界内，VLA已经能把一套动作练得非常熟。

但能力曲线真正的考验，在于换了考卷之后成绩不跳水。

但现实是，考场一换，分数立刻分层。GO-2进入加入环境扰动的LIBERO-Plus后，零样本成功率86.6%；面对陌生物体类别、更复杂操作关系的VLABench，得分仅47.4[17]。Being-H0.5在LIBERO拿到98.9%，进入包含陌生物体、陌生厨房布局的RoboCasa后，成功率落到53.9%[18]。这些测试口径存在差异，不能直接横向对比，但都指向同一个结论：熟悉场景里接近“会做”，一旦环境、物体、指令、任务长度同时变化，能力还无法完整迁移。

再把考验从“环境变化”推进到“任务逻辑变化”，断点就更加明显了。

2026年4月的BeTTER预印本做了更极端的测试：π0.5、GR00T N1.6、Being-H0.5三款模型分别学会“A→B”和“A→C”两套动作序列后，被要求重组为“B→C”，最终成功率分别只剩5%、15%和0%，较原序列下降42.5~52.5个百分点；真机实验也复现了同类失效[19]。动作都会，顺序一换，能力几乎归零。

VLA已经积累了丰富的“技能库存”，但调用技能、重排技能、根据任务状态动态调整技能，完全是另一个层面能力。会执行，和会在陌生条件下组织执行，中间隔着一层真正的具身推理能力。

产业端的数据，标出了同一道断层的另一端。

据优必选2026年中期业绩报告披露，其VLA在工业上下料任务链的实验室环境中成功率为75%[20]。这个数据和LIBERO的近满分放在一起，恰好标定了能力曲线的两端：固定基准测的是“能不能学会动作”，产业场景还要叠加动态来料、连续工序、真机控制的复杂度。75%这个数字，说明VLA已经摸到工业任务链的门槛，但远没到可以只谈效率、不谈失败的阶段。

而“做完任务”，仍不是物理世界的最终及格线。

2026年的SafeVLA-Bench显示，一些任务成功率较高的桌面操作策略，仍有13%~15%属于“完成了，但过程不安全”；在RoboCasa厨房任务中，36%~56%的成功轨迹至少违反一项安全约束[21]。成功率只回答“有没有到终点”，而安全测试还要继续追问，沿途有没有撞人、碰物、损坏东西？有没有执行本应拒绝的危险指令？否则，人形机器人无法基于现有社会制度与人有机共存。

另外值得一提的是，多模态模型强，和机器人动作不稳定，二者完全可以同时成立。多模态解决的是看到、听到、摸到的问题，而动作模型则更要据此把动作做对——知道杯子该抓哪里，和控制机械臂避开旁边的人手、保持合适力度、平稳放下杯子，是两道完全不同的题。

验证体系也在追赶。2026年6月1日实施的YD/T 6770—2026，已将仿真与真实环境纳入同一框架，覆盖环境设置、任务库、测试流程和“感知—决策—执行”全链条指标[22]。

所以说，能力曲线真正的拐点，在于同一套系统换物体、换布局、换指令、换任务顺序后，仍然能安全、稳定、反复地完成任务，而不再仅仅是第N个接近满分的固定任务成绩。

再看成本

这笔账首先要换计量单位——因为具身智能真正要降的，不只是单台产品售价，也不只是单条轨迹的生成成本，而是新增一个可稳定交付任务所需的全链条成本——数据采集、模型适配、真机验证、现场集成、后续运维，一环都不能少。

DROID给出了目前最具代表性的真实数据的样本框架：为产出7.6万条成功示教轨迹、350小时交互数据，项目动用18台机器人、50名采集者、13家机构，跨三大洲，12个月覆盖564个场景、84类任务[23]。每一段有效数据的背后，都要有人工操作、机器运行、场景布置、相机校准、物体复位、结果核验。语言数据可以从互联网批量爬取，动作数据首先要在物理世界里真实发生——复杂的成本要素聚集于此。

现状是，这条成本曲线已经开始弯折。

英伟达曾在11小时内生成78万条合成轨迹，相当于6500小时人工示教数据[24]；2026年6月的RoboDream给出了更可控的对照：采集50条传统真机遥操作轨迹约需2小时，无实物遥操作仅需55分钟，速度提升约2.2倍；两者训练出的策略平均成功率分别为36.3%和32.5%，生成数据与少量真机数据混合后，平均成功率进一步提升至62.5%[25]。

但同一实验也证明另一个现实：数据多≠数据好用。把100条异域场景的DROID原始轨迹直接搬到目标环境，四项任务平均成功率为0%；经目标场景重生成并与真机数据混合后，才回升到62.5%[25]。生成模型可以廉价复制动作，却无法自动消除本体、视角、物体、接触关系带来的域差异。

当前更核心的变化，是通用能力不再需要全靠机器人亲自跑出来。DYNA-2（美国具身智能公司Dyna Robotics于2026年8月发布的新一代机器人基础模型——官方定义为世界动作模型（World-Action Model,WAM））披露，用超过100万小时第一视角人类视频做预训练，预训练阶段可以不依赖机器人动作数据[26]。

9月1日，另一条降本路径再进一步。李飞飞创办的World Labs发布新一代多模态世界模型Atlas，支持将文本、图像、视频、相机位姿、3D深度纳入统一空间上下文，基于少量真实影像即可完成三维场景重建，并生成机器人沿不同路径运动时的视角数据。其核心价值在于优化世界建模、空间重建与Real-to-Sim（真实到仿真）转换流程，可用于机器人训练与规划工作——过去需要逐项扫描、建模、布置的真实场景，开始能被扩展为物体、位置、光照、背景、机器人运动均可调的模拟考场[27]。

但截至目前，Atlas仍处于合作伙伴早期访问阶段，公开量化评测仅集中在相机控制与3D重建领域，尚未披露其生成环境训练出的策略在真机上的实际收益，难言全行业级别的技术拐点——它更准确的定位，是进一步将训练场本身转化为可生成的对象。

DYNA-2压低的是“见过世界”的成本，Atlas压低的是“搭建考场”的成本：前者扩充经验边界，后者扩充试错规模。过去是把机器人送进一个个真实场景采数据；现在可能是反过来，把一个真实场景复制成大量可控变体，送到机器人面前。

这就把数据成本结构拆成了四层：人类视频教机器人见世界，仿真让它反复练习，本体数据把动作对准身体，真机验证决定它能不能上岗。前两层的边际成本正在快速下行——仿真可以在虚拟环境里反复摔杯子、碰障碍、重开；后两层仍受制于物理世界——新任务真正落地前，仍要在真机上过节拍、安全、稳定性、异常恢复四道关，这些是无法一键生成的“上岗成本”。

真机数据已经从“所有知识的唯一来源”，退化为“控制校准与上岗验收的最后锚点”——但这是一个不能拔掉的锚。

更深一层看，成本曲线的核心瓶颈甚至不是“绝对金额太高”，而是“投入转化率太低”。

具身智能赛道上半年融资近千亿[28]，但头部企业全年研发投入加起来远低于这一规模——钱进来了，却没花出去。不是花不起，更可能是不知道怎么花才能有效转化为能力。穹彻智能在累计采集超过10万小时真实世界数据后，通过预训练对照实验发现，数据量的线性堆叠并非模型能力提升的唯一变量，问题更在于标注质量、数据清洗与架构设计本身[29]。

钱花了不一定换得来能力提升，数据堆了不一定换得来模型进步。如果行业不知道怎么把钱花在刀刃上，融资再多可能也不会加速“时刻”的到来。

概言之，当前阶段，成本瓶颈更在于从数据到合格动作、再到生产责任的整条链——以及链上每一个环节的投入产出比。

最后看扩散

如果说扩散的本质，是把复杂能力封装成用户可直接调用的产品，那么ChatGPT的扩散接口是一个文本框，具身智能的扩散接口则是一套可采购、可接入、可验收、可运维的任务单元。客户最终买的不是“一台会动的机器”，而是某项工作能以什么节拍、什么成本、什么故障率持续交付。

这就决定了具身智能不可能像大语言模型那样零成本试用——ChatGPT发布后任何人打开网页就能用，无需采购、部署、培训、安全审批——边际成本趋近于零是病毒式传播的经济学前提。具身智能是物理实体，比如每一台人形机器人都有硬件成本、部署周期、安全要求，“免费试用”在这个领域是结构性不可能的。这决定了它的传播曲线不会是病毒式的。

从出货量看，这条曲线好像已经陡起来了。

Counterpoint统计显示，2026年上半年全球人形机器人出货量超2.2万台，同比增长近300%，但娱乐表演、数据生产、科研教育合计仍占六成以上，智能制造占13%，仓储物流仅占5%[30]。宇树披露的结构更极端：2025年前三季度人形机器人收入中，科研教育客户占73.6%，工业客户仅9.01%[31]。优必选2026年上半年全尺寸人形机器人收入5.903亿元、销量921台，同比增长1445%，首次成为占公司总收入近半的核心品类[32]。

三组数据，共同标定了产业化的两个阶段：一边是人形机器人开始形成报表级交付，另一边是相当一部分真实需求仍来自“研究机器人本身”。身体在加速出货，生产接口仍然稀缺。

但最有含金量的进展，不在于机器人第一次走进工厂演示、测试乃至干活，而更在于客户愿不愿意给它在第二个场景运行的机会。

据公开披露的产业合作信息，Figure 02在美国宝马斯帕坦堡工厂运行10个月，参与支持超3万辆BMW X3的焊装环节，后续宝马进一步引入Figure 03拓展物流排序场景；GXO物流在2023年完成概念验证后，于2024年与Agility Robotics签订多年期RaaS（机器人即服务）协议，落地Digit机器人的仓库搬运场景，并接入既有AMR与输送线系统[33]。

一个从单项生产任务走向第二个场景，一个从概念验证走向多年合同。两条路径指向同一种扩散模式：机器人不是被单独卖进工厂，而是被嵌进既有流程。任务边界清晰，环境相对稳定，部署周期是以月、以季度来计算的。

这代表着一种通用技术（人形机器人的泛化能力预期）进入产业的标准路径：先把开放世界收缩成一个可验收的任务，再用真实运行产生的数据逐步扩大能力边界。

具身智能最先成熟的扩散形式，更可能是一套经过工程收缩、能够承担明确责任的任务包——本体、模型、系统集成、安全机制、运维服务封装在一起，客户只需要验收结果。

这其中，合同也分深浅。

一份试点订单只能说明客户愿意试，一次批量交付只能说明产品能进场；持续运行证明任务能被验收，复购续约证明客户愿意持续付钱，跨客户复制才证明传播的真正开始。

当然，行业中存在战投绑定采购、政府订单支撑收入的现象，这也提醒我们：订单、出货、收入和真实落地，不是同一个层级[34]。

传播曲线的阈值，不是“所有人都能和机器人对话”，而是同一任务包能跨产线、跨工厂、跨客户复制，并持续产生续约、复购和场景扩张。

国际机器人联合会把2026年人形机器人的核心命题概括为“证明可靠性与效率”，衡量项包括节拍、能耗、维护成本、安全、耐久性、持续一致的表现[35]。

目前，出货量爆发，说明入口已经打开，但生产应用仍占少数，说明真正的规模化传播尚未完成。

三笔账合在一起，具身智能当前的位置就非常清晰了

固定考场的能力逼近满分，但跨场景、安全、重复执行的稳定性不足；合成数据的成本快速下行，但真实闭环与交付成本仍然刚性；整机出货的节奏持续加快，但可规模化复制的生产任务接口仍然稀缺。

行业整体已经跨过Demo验证的初级门槛，正处在向系统级能力冲击的中间阶段。

只有当同一套系统能把这些进展同步复制到陌生场景、陌生任务、陌生客户身上，第二次换了场地、换了指令、换了客户，它还能稳定完成，单点的小增量才会累积成全行业的大质变。

谁在等待，谁会是那个“ChatGPT”

归根结底，“ChatGPT时刻”，可能并不是一种具体的“时刻”，而更多是一种产业共识形成方式。

那么，究竟是谁在期待抑或等待？其实，这背后的力量分属完全不同的两个层级。

决定“时刻”到来早晚的力量在慢的一侧。技术成熟度、成本曲线、传播扩散三条环环相扣，彼此咬合推进。它们推进缓慢，不以人的意志为转移，不会因为一次Demo、一场发布会就跃迁。技术往前推一点，商业跟进一步，商业再反过来给技术提新约束，两者交替上升、螺旋推进。

只不过，干扰判断的力量在快的一侧。资本用真金白银定价，公众用注意力投票，人才市场随融资潮汐剧烈波动——2024到2025年行业从智驾批量挖人，有资深产品经理每周收到四十余份邀约；国内425家创业公司七成以上成立于2023年之后；到2026年头部公司又开始控预算、缩招聘，入职半年离职率达10%~20%[34]。

映射到二级市场，一个Demo能拉涨停，一次跑慢也能让股价跌去近半——预期拉满时人人喊时刻到了，预期回落时又人人说骗局——市场一旦发现“机器人做那么慢，不如自己来”，失望也同样极致。

快曲线不能决定“时刻”是否、如何到来，但会制造关于“时刻”的幻觉——资本热度冲顶时的集体亢奋，和预期回调时的集体失望，都是同一个情绪钟摆的两端。“ChatGPT时刻”这个词，也就在这个摆动里从技术定义变成了情绪容器——真正的产业节点，往往嵌在三条慢曲线的交汇处，而非快曲线的波峰波谷里。

那么，那些真实发生的进展算什么？它们是单点突破的小进展——小增量积累到什么程度才会变成大质变？中间隔着比单一技术更难的东西：同步：叙事同步、验证同步、采用同步。

具身智能并不缺“所有人都知道它重要”的叙事同步，即共识。高估值、密集融资、大厂布局，以及高盛最新又把2035年人形机器人出货量预测从140万台上调至650万台——“它将很重要”这件事早已达成共识[36]。

真正没完成的，是后两层同步：不同基准、不同主体对“可用”形成共同口径的验证同步，以及同一任务包被持续采购、复购、跨客户复制的采用同步。

ChatGPT的特殊性，就在于三层同步被一个文本框压进了极短时间窗口：人人都觉得重要、人人都能验证好不好用、人人都能用，几乎同时发生。具身智能则把三层完全拆开：预期最先到位，能力验证随后跟上，规模化采用最后发生。

公众不是认知得太慢，而是预期冲得太快。

当所有人都在等一个“时刻”时，真正的变化，有可能已经以另一种形态发生——只是它不病毒式传播，因此在公众视野里近乎隐形。

随后，当这些隐形进展累积到一定程度，终究会逼出那个问题：谁，或者谁们，会是具身智能的“ChatGPT”？

这个问题本身就该打个问号。人们总期待一个带有英雄主义光环的产品，但ChatGPT自己就不是孤胆英雄——它的底层架构是别人的Transformer，它的爆发是技术、成本、扩散三条曲线共振的结果，不是单家公司的奇迹。

现实来看，关于“谁是ChatGPT”，可能至少有三个层级的答案。

开发者层的“ChatGPT”，是一套成为行业事实标准的开源基座、数据范式与工具链——底层能力与成本曲线的核心载体。互联网大厂接连下场具身赛道却无一造整机，全部聚焦大脑、数据与平台层，恰恰印证了这一层的战略权重[37]。但机器人本体、传感方案、控制频率、安全规范的高度异构性，决定了即使某家模型拿下开发者生态的主导权，也不会成为终端产品与商业接口的唯一赢家。

客户层的“ChatGPT”，是一套跑通ROI门槛、可跨场景复制的标准化任务包——对应扩散曲线的成熟形态。客户无需理解VLA或世界模型的技术细节，只需要面向结果的验收标准与交付保障。

公众层的“ChatGPT”，是大众可直接感知、低门槛使用的通用消费级界面——这一层距离规模化落地最远，也并非当前产业演进的核心驱动。

横切2026年的产业格局，没有任何一家公司能同时占住三条曲线的制高点：英伟达做算力与工具链，谷歌输出大模型能力，Physical Intelligence赌通用大脑脱离本体，Figure走全栈垂直整合，中国庞大阵营靠本体产能、数据采集、应用场景三位一体推进。几方各守一个生态位，真正的节点更可能是生态协同的结果，而非单点爆破。

值得一提的是，被寄望为“领头羊”的宇树，披露的文件就比市场情绪冷静得多：招股书坦承“自研通用具身大模型尚未规模化应用于产品”[38]，王兴兴也坦言大脑模型自研成功率仍不足50%[39]。这不是宇树一家的问题，而是整个行业的水位，就还只是在这儿。需要祛魅的，是对“单点英雄”的想象。

这也是星海图高继扬判断具身智能“可能没有ChatGPT时刻”的核心依据——它的落地是工厂和仓库里一寸一寸铺开的渐进过程，不是C端的一夜爆红——等到公众普遍意识到时，技术可能已经无处不在[40]。

而“所有人同时意识到”需要的，终究是一个能被所有人理解的界面。在物理世界里，那个“对话框”不是第一份采购合同，而是第二份不再写“试点”的复购单—靠同一个任务包从一家工厂不断复制到下一家。

具身智能不是没有自己的“时刻”，而是不会把所有时刻压缩进一次产品发布。

模型会先出现开发者时刻，任务会再出现ROI时刻，产业最后出现跨客户复制的时刻。ChatGPT把三次跨越折叠成了一个产品事件，具身智能则会把它们摊开在更长的产业周期里——一种以跨场景任务成功率、安全违规率、单任务部署周期、单位任务全链路成本、标准化任务包复购率为核心观测维度的渐进升级。

人们期待一个石破天惊的“ChatGPT时刻”，但或许恰恰是当我们不再把一段连续演进的工业化进程，误认成必须一夜爆发的产品奇观——那个真正定义产业的节点，反而会自然“浮现”。

参考资料：

[1]虎嗅.机器人运动会：智元、天工、银河通用赢麻了[N/OL].（2026-08-27）.

[2]新华日报·交汇点.王兴兴现身世界机器人大会：人形机器人的"下一个十年"什么样？[N/OL].（2026-08-20）.

[3]金融界.宇树科技股价收跌10.31%：总市值2439亿元，跌至全球人形机器人市值榜第二[N/OL].（2026-08-24）.

[4]OpenAI.GPT-6 Astra[EB/OL].（2026-09-03）.

[5]财联社.上线不到一周用户突破100万ChatGPT为何火爆全网？[N/OL].（2022-12-06）.

[6]澎湃新闻·机器之心.史上增速最快消费级应用，ChatGPT月活用户突破1亿[N/OL].（2023-02-03）.

[7]Vaswani A,Shazeer N,Parmar N,et al.Attention Is All You Need[C/OL].Advances in Neural Information Processing Systems 30(NeurIPS 2017).（2017-06-12）.DOI:10.48550/arXiv.1706.03762.

[8]Brown T B,Mann B,Ryder N,et al.Language Models are Few-Shot Learners(GPT-3)[C/OL].Advances in Neural Information Processing Systems 33(NeurIPS 2020).（2020-05-28）.DOI:10.48550/arXiv.2005.14165.

[9]Ahn M,Brohan A,Brown N,et al.Do As I Can,Not As I Say:Grounding Language in Robotic Affordances(SayCan)[C/OL].Conference on Robot Learning(CoRL 2022).（2022-04-04）.DOI:10.48550/arXiv.2204.01691.

[10]Brohan A,Brown N,Carbajal J,et al.RT-1:Robotics Transformer for Real-World Control at Scale[C/OL].Robotics:Science and Systems(RSS 2023).（2022-12-13）.DOI:10.48550/arXiv.2212.06817.

[11]Brohan A,Brown N,Carbajal J,et al.RT-2:Vision-Language-Action Models Transfer Web Knowledge to Robotic Control[C/OL].Conference on Robot Learning(CoRL 2023).（2023-07-28）.DOI:10.48550/arXiv.2307.15818.

[12]Black K,Brown N,Driess D,et al.π0:A Vision-Language-Action Flow Model for General Robot Control[EB/OL].（2024-10-31）.DOI:10.48550/arXiv.2410.24164.

[13]Kim M J,Pertsch K,Karamcheti S,et al.OpenVLA:An Open-Source Vision-Language-Action Model[C/OL].Conference on Robot Learning(CoRL 2024).（2024-06-07）.DOI:10.48550/arXiv.2406.09246.

[14]新华网.工程师解密人形机器人百米跑，为啥最后都要"撞墙"[N/OL].（2026-08-27）.

[15]新华网.第二届世界人形机器人运动会多项纪录被破[N/OL].（2026-08-27）.

[16]Kim M J,Finn C,Liang P,et al.Fine-Tuning Vision-Language-Action Models:Optimizing Speed and Success(OpenVLA-OFT)[EB/OL].（2025-02-27）.DOI:10.48550/arXiv.2502.19645.

[17]智元机器人（IT之家刊发官方发布稿）.智元发布新一代具身基座大模型GO-2，让机器人"知行合一"[N/OL].（2026-04-09）.

[18]Luo H,Wang Y,Zhang W,et al.Being-H0.5:Scaling Human-Centric Robot Learning for Cross-Embodiment Generalization[EB/OL].（2026-01-19）.DOI:10.48550/arXiv.2601.12993.

[19]Xu H,Yuan H,Zhang C,et al.Unmasking the Illusion of Embodied Reasoning in Vision-Language-Action Models(BeTTER)[EB/OL].（2026-04-20）.DOI:10.48550/arXiv.2604.18000.

[20]深圳市优必选科技股份有限公司（9880.HK）.截至2026年6月30日止六个月之中期业绩公告[R/OL].（2026-08-28）.

[21]Fan J,et al.SafeVLA-Bench:A Benchmark for the Success-Safety Gap in Vision-Language-Action Models[EB/OL].（2026-05-30）.DOI:10.48550/arXiv.2606.00773.

[22]新华网.加速产业规模化具身智能标准持续完善[N/OL].（2026-06-01）.

[23]Khazatsky A,Pertsch K,Nair S,et al.DROID:A Large-Scale In-The-Wild Robot Manipulation Dataset[C/OL].Robotics:Science and Systems(RSS 2024).（2024-03-19）.DOI:10.48550/arXiv.2403.12945.

[24]NVIDIA.NVIDIA Announces Isaac GR00T N1—the World's First Open Humanoid Robot Foundation Model—and Simulation Frameworks[EB/OL].（2025-03-18）.

[25]RoboDream团队.RoboDream:Compositional World Models for Scalable Robot Data Synthesis[EB/OL].（2026-06-01）.DOI:10.48550/arXiv.2606.02577.

[26]澎湃新闻.前DeepMind研究科学家发布具身模型，可在13分钟内适配新任务[N/OL].（2026-08-10）.

[27]World Labs.Atlas:A World Model for Spatial Intelligence[EB/OL].（2026-09-01）.

[28]中国证券报.具身智能融资半年破900亿投资逻辑从"后空翻"转向"搬砖头"[N/OL].（2026-07-10）.

[29]36氪.一家具身模型公司"沉默"的三年[N/OL].(2026-08-31).

[30]Counterpoint Research.2026年上半年全球人形机器人出货量同比增长近300%，商用落地持续提速[R/OL].（2026-08-20）.

[31]《财经》杂志.宇树科技上市在即，上涨空间几何？[N/OL].（2026-08-18）.

[32]财联社.三箭齐发，卫冕全球第一！优必选2026年上半年营收12.7亿元，人形机器人销量16123台[N/OL].（2026-08-28）.

[33]36氪.机器人还不会做家务，先学会了说"爱"你[N/OL].（2026-07-02）.

[34]晚点LatePost（郭瑞婵、曾兴）.具身智能还在抢人，第一批跳槽者却想走了[N/OL].（2026-08-31）.

[35]International Federation of Robotics.Top 5 Global Robotics Trends 2026[EB/OL].（2026-01-08）.

[36]财联社.海外研选｜高盛上调人形机器人预期：2035年出货650万台物流仓储率先规模化[N/OL].（2026-08-31）.

[37]钛媒体.进入2026年，每天至少有5亿元砸向具身智能[N/OL].（2026-03-07）.

[38]宇树科技.首次公开发行股票并在科创板上市招股意向书[R/OL].（2026-07-31）.

[39]虎嗅.宇树科技IPO背后的全球具身机器人"大脑"暗战[N/OL].（2026-08-13）.

[40]中新经纬.多位创始人齐发声：具身智能的"ChatGPT时刻"何时到来？[N/OL].（2026-08-22）.

← 返回目录

Claude 学会动手了：AI 智能体开始自主操作实验设备

具身智能等不来自己的「ChatGPT 时刻」

周五放量分歧：硬件去估值、应用找增量，非农超预期添变数

Claude 学会动手了：AI 智能体开始自主操作实验设备

具身智能等不来自己的「ChatGPT 时刻」

被误用的“ChatGPT时刻”

三条曲线，逐条算账

三笔账合在一起，具身智能当前的位置就非常清晰了

谁在等待，谁会是那个“ChatGPT”

周五放量分歧：硬件去估值、应用找增量，非农超预期添变数