“大规模后训练，是具身公司最重要的事”。 特约记者丨王与桐 2018 年 11 月 27 日，当蔚来汽车第 1 万辆 ES8 在合肥工厂下线，李斌赢了。四个月前，他曾和何小鹏为新造车公司当年能否交付 1 万辆汽车打赌。彼时，多数新势力车企刚刚进入量产阶段，从样车走向万辆交付，不仅需要解决供应链配套、产能爬坡和质量控制等问题，还要建立覆盖全国的销售与交付体系。 8 年后，类似的 “万台” 节点在人形机器人赛道重演。 2026 年 11 月，上纬新材旗下的消费级品牌 “启元机器人” 将迎来第 1 万台机器人下线。 同样是 1 万台的节点，新能源汽车在 2018 年面临的挑战，机器人行业如今也要经历；新能源汽车当时不必攻克的技术难关，此刻恰是机器人行业的瓶颈。 尽管新能源汽车在当时仍需要突破续航、成本和规模化生产等限制，但有积累上百年的全球汽车工业体系支撑，控制车辆行驶、保障驾驶安全，已经有了经过长期验证的技术和工程方案。 人形机器人则不同，这个至今只有几岁的新兴行业，即使跨过了万台关口，如何让机器人理解千差万别的物理环境，稳定完成复杂操作，并在意外发生时及时调整，仍然没有成熟、可靠、被充分验证的技术路径。 最近，启元机器人展示了将 GPT-6 Astra 与自研具身模型结合的成果，让机器人能够参与大富翁等游戏；开源生成式世界模型 PrimeSim，尝试让机器人在虚拟环境中进行强化学习；同时通过 HIL-UMI 降低数据采集对机器人本体的依赖，探索大规模后训练的可能性。 在技术路线之外，启元机器人也开始将衣物整理、洗衣等具体家务任务作为重点探索方向，并提出先将有限场景中的任务成功率提高到 95% 以上，再逐步扩大泛化范围的研发思路。 这些技术探索看似分散，实际上指向家庭机器人的核心瓶颈：当通用大模型越来越强，机器人如何以足够高的成功率、可承受的成本，在千家万户中稳定完成物理劳动？ “快慢脑的分工，会长期存在” 2026 年 9 月 GPT-6 Astra 发布后，一段演示视频迅速传播。第三方机构 RoboCurve 的测试显示，未经针对性微调的 Astra 仅凭视觉输入与硬件实时状态，便能直接输出机械臂动作指令，在将红色方块放入碗中的任务中， 20 次尝试成功了 19 次。 95% 的零样本成功率，将一个曾困扰 NLP、法律与医疗 AI 的行业命题，正式推到了具身智能面前。自 2023 年以来，通用大模型不断侵蚀过去依赖专项训练的专业边界——编程端直接接管代码生成与修改，法律端未经专项准备即通过美国律师资格考试，医疗端也在多国执照考试中跨过及格线。 当通用大模型已经能够理解物理环境，甚至直接控制机械臂，机器人公司还有多少智能能力需要自己研发？ 启元机器人用一段机器人玩 “大富翁” 的演示视频回应了这场讨论。 视频中，机器人能够理解规则、根据骰子点数决策，并通过机械臂抓取棋子完成移动。这一方案背后，是 Astra 与自研具身模型的结合——启元机器人将二者分别定义为 “慢脑” 与 “快脑”：Astra 负责环境理解、推理与任务规划，自研具身模型则专注于物理动作的实时执行。 启元机器人首席科学家、北大长聘副教授董豪告诉《晚点 LatePost》，若不接入 Astra，仅凭自研模型，机器人因缺乏复杂规则理解能力而无法完成游戏；但若完全交给 Astra 同样不可行。团队测试显示，让通用大模型直接操控机械臂抓取一次棋子，耗时超过半小时，单次推理成本约 1 美元；而由启元机器人的自研模型完成同一动作，仅需数秒。 董豪认为，Astra 的出现，正在推动机器人 “慢脑” 的技术路线逐渐收敛。过去需要具身模型独立解决的场景理解、复杂推理和任务规划问题，如今可以越来越多地交给通用大模型。机器人公司也不必再从头研发所有层次的智能能力。 不过，通用大模型能够承担更多思考和规划工作，并不意味着它可以取代机器人的全部智能。 董豪将机器人智能分为三个层次：思维智能、作业智能和运动智能。思维智能负责理解、推理和规划；作业智能负责抓取、整理等物理操作；运动智能则负责行走、奔跑、跳舞等身体运动。 董豪用人的肌肉记忆解释这种区别。一个人伸手拿起杯子，并不需要每移动一点距离，就重新思考手和杯子之间的关系。但如果让通用大模型直接控制机械臂，它可能需要不断观察、推理，再生成下一步动作。 大富翁演示中半小时与几秒钟的差距，正是这种分工在特定任务中的体现。 “用慢脑覆盖掉快脑，首先是不现实的，而且不经济的。” 董豪说。 因此，启元机器人采用的 “快慢脑” 分工，既能发挥通用大模型的推理能力，又能保留专用模型在物理操作上的执行效率。董豪判断，这种分工将在未来长期存在。 这种全新的快慢脑分工，对多数具身智能公司未必是好消息。它意味着具身智能公司过去投入研发的 “大脑” 正被通用大模型吞