当 Astra 开始控制机器人，具身智能还需要自己的基座模型吗？

狼来了，具身基模的位置反而更清楚了。

编辑丨李希

具身智能开始从 Demo 走向真实世界之后，一套面向物理世界原生构建的基座模型，正在试图回答一些越来越现实的问题：机器人如何理解一个持续变化的三维世界？如何知道自己的动作会让世界发生什么变化？如何把这种理解快速转化成动作？以及，当机器人真正进入工厂、门店和人的生活，这套智能能不能持续、实时、经济地运行？

无界动力选择的答案，是隐空间世界动作模型。

如果 π 系列让行业建立起了对 VLA 基座模型的直观认知，那么无界动力开源的MWA-Phoenix 将占据的，或许正是隐空间世界基座模型中的这一位置。

MWA-Phoenix，将多视角视觉、机器人状态，以及包含触觉在内的多模态信息放进统一的世界—动作学习框架，在隐空间中学习世界如何演化，以及机器人的行动如何改变世界。它的目标不是为某一个任务训练一套专用策略，而是形成能够被不同任务持续调用、适配和进化的基础能力。

但就在具身智能这个行业飞速向前的时候，一个更大的变量出现了。GPT-6 Astra 开始控制机器人了。

过去，大语言模型与具身智能之间还有一道清晰的边界：前者负责语言理解、知识调用、长程规划和社会推理，后者负责实时感知、空间理解、物理因果推演和动作生成等。但 Astra 的出现正在模糊这条边界。只要给它机器人当前的视觉观察、身体状态，以及对 action interface 和坐标系的描述，它已经可以把推理转化为机器人动作。

一个自然的问题随之而来：当大语言模型开始进入物理世界，具身智能就不需要自己的基座模型了吗？

01

狼来了，

具身基模的位置反而更清楚了

答案可能恰恰相反。

Astra 对具身智能而言看似是 “狼来了”，但也是一个值得欢迎的里程碑。它第一次直观地让行业看到，通用智能本身就可以向物理世界迁移。强大的语言能力、多模态理解、3D 空间智能、通用知识和长程推理组合在一起之后，一个没有按照传统机器人策略模型方式训练出的大模型，也开始能够理解机器人的身体和动作接口，并尝试完成真实世界任务。

这意味着，机器人未来能够调用的智能上限被大幅抬高。

尤其面对陌生任务，Astra 所展现出的强大泛化能力非常诱人。过去可能需要重新采集数据、重新训练的任务，未来有机会先由一个拥有海量通用知识的模型理解，再直接给出解决策略。

但“能够控制机器人”和“适合成为机器人的具身大脑”，仍然是两件不同的事。

▎第一道坎：机器人等不起 Astra 的“深思熟虑”

Astra 更像一个解题者，它可以穷举每一种可行性是否合理，不断观察、推理、判断，再调整策略，然后继续尝试。这种能力正是它泛化性的重要来源，但到了机器人身上，却不可能每移动几厘米、每一次接触发生变化，都重新经历一次昂贵的云端长思考。超大参数模型运行在云端，推理、token、网络和算力带来的成本与延时，在真正大规模部署机器人时都会成为现实问题。

即使尝试将大模型“蒸馏”，也并不能从根本上解决问题。蒸馏可以压缩参数和降低推理成本，却同样会丧失依赖“规模”获得的通用知识、复杂推理与 zero-shot 泛化能力；更重要的是，把一个擅长通用推理的大模型做小，并不会自动让它获得物理世界实时预测、推理与连续控制的能力，因为这些能力涉及到的是模型以什么方式表征物理世界、学习动作与世界变化之间的关系，以及能否在高频闭环中直接生成稳定、精准的动作。

▎第二道坎：想对一个动作，和把动作做好，是两回事

语义、空间关系和复杂策略是 Astra 的强项，但到了机械臂如何运动、两只手如何协同、发生接触之后如何进行毫米级调整，问题开始发生变化。从“知道要做什么”，到“推理出真正的操作策略，并连续生成稳定、精准、流畅的动作”，中间隔着的正是具身智能最难啃的操作智能。

安全也是同样的问题。知道“什么不能说”，和知道机械臂“什么不能做”，是不同层面的安全。文本世界里的安全对齐，并不会天然变成物理世界中的碰撞约束、力控制、运动边界和实时避险。

因此，云端通用语义大模型 Astra 的出现反而让一种更清晰的定位开始浮现：机器人并不能够靠一颗大脑包打天下。

▎快慢脑，不是“大脑”和“手脚”的区别

如果把这种分工放进一个更直观的场景里，慢脑更像是在回答一个开放、抽象且长程的问题。

比如，面对“把房间整理好”这样的任务，首先需要理解什么叫做“整理好”，哪些东西是垃圾，哪些物品该归位；不同物品应该被送到哪里；如果用户又提出“桌上的文件不要动”，原来的计划又该如何调整。

这类问题需要调用大量通用知识和常识，理解人的意图，在较长时间尺度上拆解任务、规划步骤，并在出现指令变更时重新制定策略。强大的通用知识、语言理解、长程推理和泛化能力，让 Astra 更适合承担这样的云端“慢脑”——它不必介入机器人的每一次动作，却可以站在更高的任务层级上拆解指令。

但慢脑无法事无巨细。

大自然里的“乌鸦投石”饮水，正是快脑自主认知与推理的生动诠释。面对够不到的水，乌鸦不仅需要感知石头、瓶子和水的位置，还需要理解“投入石头能够让水位升高”的因果关系，自主形成“投石饮水”的策略；接下来，它还要选择石头、靠近目标、用喙或爪抓取、调整姿态、完成投掷，并根据水位变化继续下一轮行动。

这一整套能力都应该属于机器人的快脑，而不需要每一步都向云端请求一个更大的模型。

这也意味着，具身智能中的“快脑”绝不是一个听命令的执行器。它必须拥有认知与策略思考能力，能够理解时空关联和物理因果，在宏观目标之下自主形成具体操作策略，再根据环境的实时变化不断预测、推理、决策并输出动作。

慢脑与快脑的区别，并不是“一个负责思考，一个负责执行”，而更像是不同时间尺度、不同抽象层级上的智能分工：慢脑拥有更广泛的通用知识和更强的宏观推理能力，解决低频、开放、跨任务的复杂问题；快脑扎根物理世界，在更短的时间尺度里完成从物理认知、操作策略到具体动作的实时闭环。

而且它必须足够快——快到能够跟上物理世界本身。

如果说机器人离不开这样一颗原生理解物理世界、又能够实时运行的快脑，MWA-Phoenix的价值，也开始变得具体。

02

MWA-Phoenix：

把物理世界的推理、决策和行动，

放进一颗端侧“快脑”

MWA-Phoenix 最值得关注的地方，首先是“隐空间”。

真实世界包含的信息几乎是无限的。机器人面前一个杯子的颜色、纹理、反光，背后墙壁的细节、光影变化，都被相机完整记录下来。但当机器人真正伸手去拿这个杯子时，并不是每一个像素都同等重要。

真正决定行动的，是另一组信息：杯子在哪里，它以什么姿态摆放；机械臂与杯子的空间关系是什么；杯子是否正在移动；手接近之后可能发生什么；如果从这个方向抓取，下一刻的世界会发生怎样的变化。

MWA-Phoenix 在隐空间里做的，就像是给机器人戴上了一副“降噪滤镜”，它剥离了那些无关紧要的干扰信息，只用更紧凑、更抽象的内部表征方式保留那些对于预测和行动真正重要的关键信息。也正是因为“抽象”，才能带来更加泛化的可能。

此外，一个真正有价值的具身基座，不应该靠记住成千上万条具体轨迹来应对变化，而应该让过去的经验形成对未来任务有用的先验：经历的任务越多，对世界理解越充分，面对下一项新任务时需要重新学习的东西反而越少。

但只有隐空间还不够。

▎让机器人理解，行动如何改变世界

机器人面对的从来都是一个持续变化的四维时空世界。MWA-Phoenix 的视觉编码器同时吸收空间几何与时间动态信息，让模型一方面学习“世界长什么样、东西在哪里”，另一方面学习“世界正在怎样变化”。多视角视觉、机器人自身状态、语言和本体信息进一步进入统一体系，让模型获得的不只是物体识别，更有与行动有关的时空状态表征。

在此基础上，MWA-Phoenix 做了另一件关键的事：把“世界”和“动作”放在一起，学习“因为我做了什么，所以世界发生了什么。”通过联合学习未来视觉隐变量和动作序列，它既预测了世界下一刻可能怎样变化，也学习了机器人此刻应该怎样行动。

这让它与一个单纯“看图出动作”的策略模型有了本质区别：世界预测不是动作之外的附加能力，而是动作决策本身的一部分。

▎让每一份物理经验，产生更大的价值

这种能力最终还是从数据里长出来。

但 MWA-Phoenix 对数据的思路，并不是让机器人把每一个任务重复成千上万次，再把轨迹背下来。如果在任务 A 中积累的物理经验，只能让 A 做得更好，那么它仍然更接近一个任务模型；只有当这些沉淀的经验能够让未来的新任务需要更少的数据，“基座”两个字才真正成立。

它的预训练数据包含互联网数据、机器人示范、人类 Ego 和 UMI 等不同来源的物理交互经验。不同数据经过统一的格式转换、质量筛选、时间同步、状态与动作对齐，以及语言标注，再进入同一个训练体系。

这些看起来像数据工程的工作，实际上直接决定了一个世界模型能学到什么。同样是一段“把杯子放进盒子”的视频，如果模型不知道动作从什么时候开始、哪只手在动、机器人状态如何变化、视觉中的变化与动作如何对应，那么它看到的只是连续画面；当这些关系被准确对齐，它才有机会从中学习“一个行动如何让世界从状态 A 变成状态 B”。

MWA-Phoenix 还通过统一的状态和动作空间，让来自不同机器人、不同任务的数据能够进入共享的学习框架。

▎端侧的意义，是为身体配上自主实时的智能

MWA-Phoenix 的另一个关键选择，是把这样一套世界模型做到约 7B 级，让它在机器人本地快速运行，实现端侧 100ms 左右的毫秒级响应。

参数更少，对于机器人而言的意义在于，这种规模能不能换来一个足够强、又真正跑得起来的物理智能。

MWA-Phoenix 在真机上采用闭环执行方式：模型生成一段动作，机器人执行其中一部分，再重新观察环境，根据新的状态继续推理和规划；异步推理与执行进一步减少“机器人停下来等模型思考”的时间。

这种的闭环的意义在于，它不需要“思考完一整个任务再执行”，而是在本地完成“观察-理解-推理-决策-行动-再观察”的极速飞轮。环境发生变化，它能迅速判断；物体位置出现偏差，它能重新规划；动作执行之后得到新的状态，再实时决定下一步。

如果慢脑负责找到“正确的宏观策略”，那么端侧快脑最核心的意义在于，如何准确地理解物理世界、迅速推理操作策略，并实时转化成一连串精准行动。

▎从看见世界，到触碰世界

但当机器人真正开始操作之后，迟早会遇到视觉难以完全解决的问题。

插头与接口是否已经发生接触？插入方向有没有轻微偏差？继续向前会成功，还是会卡住？抓取柔性物体时，手里的受力发生了什么变化？这些信息很难仅靠视觉完整获得。

无界动力在 MWA-Phoenix 基础上进一步提出 Phoenix-ILA，通过带力触觉信息的后训练方法，让模型学习与 interaction、contact 有关的信息，把物理交互进一步带入策略学习。

值得注意的是，MWA-Phoenix 的架构为这条路线留下了继续扩展的空间，其 Action Encoder 可以进一步接入包含力触觉信息的编码器，让其进入行动表征与决策。

如果说视觉解决的是机器人如何“看见”并接近世界，那么操作发生之后的“最后一厘米”，只有靠力触觉才能解决。而对于精密插接、双臂协同、柔性物体和复杂接触任务，这“一厘米”，恰恰决定任务究竟有没有“做成”。

03

SOTA 让 MWA-Phoenix 被看见，

开源且“开全”才是成为基座的开始

MWA-Phoenix 已经在多个仿真和真机操作评测中展示出领先表现。从长时序任务、双臂协同到真实机器人操作，这些结果至少说明：隐空间中的世界预测，最终能够转化为真实动作，而不是停留在一个漂亮的中间表征里。

但对于一个基础模型而言，SOTA只是被行业看见的入口。真正决定它能否成为“基座”的，是其他人能不能站在它的肩膀上。

新的数据如何被处理成模型能够学习的物理经验？基础模型如何针对新的机器人和任务继续训练？当视觉不足以解决接触操作时，如何进一步引入交互信息？进入具体任务后，又如何通过强化学习继续优化策略？

这也是无界动力此次开源更值得关注的地方，一次性开源了 MWA-Phoenix 隐空间世界模型基座，以及将运动与接触共同纳入动作学习的 Phoenix-ILA 后训练方法和用于强化学习的交互式仿真世界模型 Phoenix-PhysCanvas，配套的数据处理与标注管线也同步开源。

就像 π 系列建立行业认知，不只是因为某几次的 benchmark 成绩，基座模型真正形成行业影响力，靠的是更多研究者、开发者和企业可以理解它、验证它、继续训练它，并把它带到更多机器人任务中。

从这个意义出发，如果说 MWA-Phoenix 将占据“隐空间世界基座模型中的 π”这一位置，榜单成绩只能让它被看见，从基模、后训练组件到数据管线的“全链路开源”，才决定了别人能否真正站在这个起点之上。

04
快脑最终要去的地方，是真实世界

无论做出怎样的技术选择，具身智能需要回答的问题，已经进入了新的阶段：

机器人能不能稳定做、快速做、连续做？失败以后能不能自己恢复？换一条产线、换一家门店，需要重新投入多少数据和人力？

到了这个阶段，一个模型已经不再只是论文里的技术指标。它们会被换算成节拍、成功率、人工干预次数、连续运行时间和每一次有效操作的成本。

这也解释了无界动力为什么一直强调“工业练技能，商业练泛化”。工业现场不断逼迫机器人面对精度、节拍、稳定性、长时间运行和复杂操作；商业空间则把机器人放进更加开放、动态、有人参与的环境里，让模型处理变化、交互和不可预设的问题。

当然，真实场景也是下一轮模型进化的起点。机器人进入现场，产生新的物理交互；这些数据回到训练过程，让模型能力继续提升，再进入更多任务和环境，最终形成不断转动的数据飞轮。

05

站在这个角度再看 Astra，它的出现不会让具身智能失去构建自己基座模型的意义。恰恰相反，Astra越强，端侧具身基模的不可替代性反而越清晰。

语义智能可以无限抬高“知道”的上限，但物理世界里的“做到”，从来不是把语义简单翻译成动作这么简单。它需要在毫秒级闭环中理解物理因果、推演动作后果，在动态博弈中实时决策，在环境变化时及时调整，在失败之后自主恢复。这是一套面向物理世界的、独立的具身认知能力，无法外包给云端语义慢系统。

Astra 更像是一个几乎没有知识边界的“语义慢系统”，负责想清楚“为什么做、大体怎么做”；而以 MWA-Phoenix 为代表的端侧具身基模，则需要把这种宏观意图带进真实世界，在持续变化的物理环境中实时认知、实施决策、实时行动。

Grok 与 FSD 的关系，某种程度上就是这种分工在智能汽车上的语言。语义慢系统决定机器人能够想多远，端侧具身认知系统决定机器能否在真实世界里想得明白、做得准确、拿到结果。

况且，真实世界从来不按参数规模结算，而是节拍、成功率、连续运行时间和每一次有效操作的成本。

榜单成绩，让 MWA-Phoenix 被看见，全链路开源让更多人有机会站在它的上面继续向前。

未来，通用大模型还会不断抬高符号与语义智能的上限，而端侧具身基模要做的，是让持续进化、不断变强的物理智能生长在身体里——自主认知、实时决策、可靠行动。

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。