谁在为GPT‑6 Astra打造机器人操作系统？

36小时实测Astra+AOS生成App，真机率94%！

作者 | 独林

编辑 | 漠影

机器人前瞻10月28日报道，近日，星尘OS机器人黑客松总决赛在深圳收官，这场全国最大规模的机器人App黑客松，以“一句话生成App”为核心赛制，走过深圳、北京和总决赛三站，吸引了47支队伍的上百位选手。

他们背景多元，产品经理、设计师到科技爱好者，很多人此前没摸过人形机器人或经历过App完整开发流程。

而在深圳总决赛上，36小时内，17支队伍中有16个App，从仿真走向真机测试，真机率高达94%！

这个数字意味着多数团队完成了真机部署，也让AI如何参与机器人App开发，有了一批可以具体讨论的作品。

在这些作品中，摄影跟拍、老年护理、远程分身到DJ大师等机器人App，把同一套系统带到了截然不同的任务里。

星尘具身操作系统AOS有何独特之处？

一方面是降低开发门槛，为人设计；也为AI和Agent设计，让GPT-6和DeepSeek等大模型更方便理解机器人相关代码和知识，再把感知、移动、操作和交互等关键能力封装成丰富的Meta包，方便开发者和AI调用、编排和修改；最后进入仿真测试、真机验证，让App可以在真实世界“动”起来。

当这些底层能力由系统提前准备好，星尘想解决的，就不只是一个App怎样跑起来，而是无数个App能否由普通人持续创造。

这也是其“具身时代的苹果”这一设想的来处：绳驱机器人是iPhone，负责操作、交互和执行；AOS是操作系统，向上承接大模型与开发者，向下调度本体能力；Lumo系列具身模型，为自家系统设计，与硬件深度协同，而非通用拼装。

一句话生成 App 的创作者，正是2008 年的iOS的开发者，第一批上船的人拥有最大红利。

不过，生态想象首先要回答一个具体问题：开发者怎样把一个想法真正做成机器人App。

总决赛上的作品，恰好保留了其中的关键步骤——需求怎样被拆成任务，AI与AOS分别参与了哪些环节，应用又怎样跑上真机。“未定义”团队的项目，就是其中一个样本。

01.

一句话之后，谁来把想法写成App？

机器人应用开发的第一道门槛，往往不是缺一个想法，而是想法离机器人太远。

软件开发者熟悉界面、交互和业务逻辑，却未必熟悉关节控制、驱动、通信与真机部署。一个生活需求要先被拆成任务流程，才能进入机器人系统。

“未定义”团队的切口非常具体。他们想做一款3D打印自动收料机器人，让3D打印接着干，用机器人代替人工完成收尾。

团队成员程华峥介绍了他们的设想：打印结束后，机器人收到指令，自己去把打印完成的模型收下来，然后再重新发起打印。

看起来这一流程非常简单，实际上需要视觉算法和任务编排配合，机器人既要理解打印任务是否完成，也要能够识别已经打印好的模型。

在这个团队里，两名成员分别负责配件建模、创意和算法开发，还要设计夹具、衔接多个动作。星尘AOS并非替他们决定做什么，而是让他们把精力先放在这段流程是否值得做、能否做成最小可用作品。

进入开发环节，外部AI工具可以与AOS形成协同。开发者能借助GPT-6、Claude Code、Codex等工具理解接口、辅助编程和并行开发，星尘的AOS则提供机器人能力Meta包、开发框架与部署接口。

用通俗的话来说，前者帮助开发者提高开发效率，后者则为他们把代码接到机器人上提供了便利。

“质疑学习成为超越”队还提供了一种具体的分工模式。团队成员利用Claude多个端口并行推进，借助仿真mock机先验证全链路，再由导师协助排查问题。

他们没有把需求交给AI就结束开发，而是把创意细化到每个动作，反复调整生成结果，直到它符合任务需要。

这也是AOS“为AI设计”的意义：不仅让开发者使用，也让GPT-6、Claude等工具更方便理解和调用机器人设计信息。

AOS把感知、移动、操作、交互等复杂能力封装成Meta包和Skill，把简单留给创作者。模型与开发者面对的不再只是零散的底层接口，而是可以组合的机器人能力。

星尘将这套设计思路概括为Design for AI——既为人设计，也为AI设计。人能够更清楚地开发和使用机器人，AI工具也能理解并调用机器人的能力，持续进步的模型由此进入真实的应用开发过程。

开发方式的变化，也让软件经验得以进入机器人领域。CatDance的三名成员都没有硬件背景，仍按产品经理、前端和后端的方式协作，把旅行期间照看猫的需求做成软件，再与机器人动作联动。创意和场景理解随之变得更重要。

因此，“一句话生成机器人App”是这场黑客松的核心表达：星尘想让创作者从一个具体需求出发，借助AOS的能力调用与组合，把想法逐步变成可以真正运行的机器人应用。

02.

代码跑起来之后，

AOS让机器人APP开发更加简单

但软件里的正确逻辑，到了真机上还要过物理世界这一关。

任务完成与否、完成度高低，都不是代码跑通就能回答的问题。黑客松把仿真、数据采集、真机部署和现场调试连成一条链路，现场作品的完成度，也要由任务的完成度和成功率来判断。

星尘的全栈思路就在这里展开。Lumo等自研通用具身智能持续发展物理理解、预测与行动能力，AOS负责组织任务、接入模型、调用能力与部署应用，机器人本体完成物理执行并反馈结果。

从分工来说，这三个部分分别对应“理解行动”“组织连接”“执行反馈”的能力，AOS正是关键的中间层。它向上承接模型，向下连接本体，让开发者不必分别处理所有底层环节。

这套分工也保留了模型协作的空间。据星尘智能介绍，参赛者在开发阶段可以使用不同AI工具，应用运行时则按任务需要组织Lumo等自研模型、其他模型与机器人技能。

具体采用哪些能力，取决于应用本身，而不是所有任务都套用同一种模型组合。

本体在这个过程中，也不再只是被动等待模型指令。

Gowithflow团队最初只想做浇水任务，接触AOS和本体后，发现操作灵活度与已有能力可以支持更复杂的运镜，便改做“摄影运镜跟拍大师”。

这也是Design for AI影响应用选择的一个具体例子：硬件能提供什么动作，会反过来决定开发者敢于设计什么任务。

为人设计的本体要面向真实使用需求，为AI设计的系统则要让这些本体能力更容易被理解和调用。

反过来看，AOS把已有能力准备好，开发者才可能在36小时内组合出完整流程。

CareLoop团队将送药送水、收垃圾袋等护理任务拆开并行开发，调用现成Skill形成应用。

对于开发者来说，可复用的部分越多，团队越能把时间留给场景特有的问题。

17个App中16个跑通真机，上机率达到94%，是这套产品链路目前最直观的一次集中验证。它说明多数团队不只完成了界面、录屏或仿真，而是跨过了真机部署这一步。

但36小时内跑通，不等于长期稳定运行。AOS当前降低的是底层开发与部署门槛，任务设计、数据采集、现场调试和持续验证的要求并没有消失。它的下一步，仍是根据开发者的反馈逐步拓展能力边界。

03.

16个真机作品之后，

怎样留下开发能用的东西？

一场黑客松的价值，也不会停在开发和颁奖时。

在17个作品里，参赛者把宠物照护、3D打印、摄影、陪伴、护理等需求带进同一套系统，也让星尘看到不同开发者会在哪一步卡住、哪些能力被反复调用、哪些任务还需要新的工具。

这种反馈可以形成两层积累：一层是应用层，团队围绕真实需求继续打磨任务流程和用户交互。

另一层是平台层，星尘把共性问题沉淀为更好用的接口、Skill、Meta包和部署工具。

这样一来，一支团队解决过的问题，才有机会变成下一位开发者不必重复做的工作。

对开发者来说，星尘提供的也不只是一次比赛环境，而是一条能持续进入机器人应用开发的路径。

他们可以复用已有经验继续开发，产品经理和行业从业者也能从中汲取应用灵感，并根据产品应用的情况，为开发者带来具体反馈。

如果以产业定位来看，星尘希望做的是具身时代的苹果。这条路径，可以借iOS与App Store来理解。

在苹果公司的产品中，iOS连接了设备的能力、开发者和应用，不同开发者再通过App Store创造出手机厂商无法独自穷尽的用途。

星尘想做的，正是让AOS在机器人上承担类似的系统角色：模型、AOS和本体共同提供基础，开发者围绕具体需求创造App，再让更多用户能够使用。

这一类比指向的是长期产品与生态方向，并不意味着星尘现在已经拥有应用商店或分成机制。但是，今天让机器人照看宠物，明天它才可能进入更多家庭任务。

而用户是否愿意持续使用，仍要看任务是否完成、运行是否稳定，以及反馈能否推动下一轮产品改进、提升使用体验。

这也是星尘作为全栈AI产品公司的长期商业想象：自研模型持续进步，AOS让外部与自研能力进入应用，本体承接真实任务，开发者和用户再带来新的需求，形成真正的产业应用飞轮。

04.

结语：模型会继续迭代，

真正留下的是应用与开发经验

大模型会持续迭代，机器人公司要回答的并不只是“接入哪一个模型”，而是新能力出现后，能否快速进入开发和真实任务。

星尘智能的选择，是把自研模型、AOS和本体放在一起做产品，让模型能力有接口可调用、有系统可组织、有本体可执行。

星尘黑客松47个App作品，已经证明这条链路能让不同背景的开发者做出应用，但也留下了更难的考题，即一次演示如何变成持续使用，一个团队的调试经验如何变成所有开发者可复用的能力。

融资带来的关注之后，星尘需要拿出的也正是这样的产品证据。

下一场值得观察的，就是AOS能否减少开发者的重复工作，以及开发出的机器人App是不是会真正留在用户的生活里。