股票 
板块 
用户 
资讯 文｜连一席 杨皓天 刘海博
李辰霄 周荣炎
通用大模型正在从机器人的高层任务规划，进一步向动作生成和执行控制延伸。机器人大脑主要依赖经过机器人动作数据训练的VLA、WAM等专用模型，将视觉和语言指令转化为动作。近期，NVIDIA、Stanford等研究机构陆续探索将GPT-6 Astra应用于机器人控制，尝试利用通用模型已有的视觉理解、空间推理和任务规划能力，减少对专用策略训练的依赖。Astra在具身任务的数据集上展现出了较好的泛化性，我们认为，展望2027年，通用模型进入具身任务领域将成为AI行业的下一个投入方向，而通用模型与专用模型短期更可能形成分工协同的局面。
▍技术路线：Astra参与机器人控制主要形成直接动作生成、监督专用策略和组织已有技能三种方式。
（1）直接动作生成：Astra根据视觉、语言和机器人状态直接提出动作目标，再由底层控制器执行，重点验证通用知识能否转化为物理动作；
（2）监督专用策略：Astra负责检查、修正专用VLA或WAM提出的动作，专用模型继续承担具体执行，重点验证通用推理与专用控制的协同效果；
（3）组织已有技能：Astra通过任务分解、空间记忆和工具调用，安排导航、抓取、放置等已有技能完成复杂任务，重点提高技能复用与长流程执行能力。
三条路线并非互斥，其中Agent工作流既可以辅助直接动作生成，也可以用于技能编排。
▍实验进展：通用模型已展现直接动作决策能力，但尚未证明能够全面替代专用VLA。
NVIDIA Astranomy在RoboLab-120仿真基准中，报告Astra直接动作生成、Agent工作流和监督专用策略三种方案的成功率分别为66.3%、74.8%和66.5%；其中Agent方案成功率最高，但每成功回合估算API成本达到36.40美元，明显高于直接控制方案的1.96美元。
银河通用团队的多任务评估发现，Astra在导航与物体搜索中表现较好，但在复杂接触、灵巧操作和高动态运动中仍存在明显局限。Stanford与Caltech的HomeBody则展示了另一种路线：由Astra调用空间记忆和专用技能库，指导Unitree G1在陌生厨房完成跨区域整理等任务，而不需要为该环境重新训练动作策略。
▍技术判断：通用模型与专用模型短期更可能形成分工协同，推理时延与动作精度是直接控制的主要限制。
NVIDIA披露Astra直接动作生成的平均单次推理延迟为18.56秒，而该基准中专用动作模型的推理时间处于毫秒量级。对于目标明确、可以分阶段执行的抓取、放置和任务规划，通用模型有望减少部分专项训练；对于全身平衡、精密接触和高频运动控制，专用模型和底层控制器仍然重要。相比让通用模型生成每一个动作，在关键节点调用通用模型进行目标修正、技能选择和异常恢复，可能是更具工程可行性的方向，但其经济性仍需验证。
▍产业影响：机器人大脑的竞争有望从单一模型性能，进一步转向数据效率、技能复用与部署成本。
直接动作生成可能改变部分专用动作数据的需求，推动机器人身体信息、动作表示和执行反馈的重要性提升；监督专用策略有望强化通用模型与高效专用动作模型之间的协同；组织已有技能则可能提高技能库、空间记忆、仿真平台和部署工具链的价值。建议重点关注具备多源数据处理与动作转换能力的数据平台、具备通用认知与专用控制协同能力的模型及开发平台，以及能够通过真实部署反馈持续优化系统效率的机器人整机厂商。长期来看，判断产业价值的关键并非单次任务成功率，而是相同可靠性要求下，新增训练、系统适配、推理和人工接管成本能否持续下降。
▍风险因素：
通用模型动作精度与推理效率提升不及预期；通用模型与专用策略协同效果不及预期；仿真结果向真机迁移不及预期；机器人部署成本下降与商业化落地进度不及预期等。
▍投资策略：
本轮行业变化主要来自于头部AI实验室下场进入具身模型行业。从整体产业进展看，我们认为具身模型的发展仍然处在早期Scaling进一步提升基座模型在具身领域任务能力的泛化性上。而模型的Scaling将伴随着数据的Scaling，从数据角度，过去半年中，我们看到Ego Centric数据大规模进入预训练阶段、仿真数据的使用深度和广度是较为明确的产业趋势。因此从投资角度，我们认为首先应该关注数据采集尤其是无本体数据采集、仿真数据和数据采集设备层面的投资机会。优先关注两类标的，第一类是在数采尤其是Ego类数据采集上有较强出货预期的公司，；第二类是数据采集的服务类公司。
关于我们
中信证券研究网站：
https://research.citics.com
添加权限请联系您的对口客户经理
中信证券研究服务小程序：
中信证券研究服务
添加权限请联系您的对口客户经理
免责声明
本文节选自中信证券研究部已于2026年10月25日发布的《科技产业物理AI系列报告（1）—GPT-6 Astra进入机器人控制：物理AI迎来重大拐点》报告，具体分析内容（包括相关风险提示等）请详见报告。若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。
本资料所载的证券市场研究信息是由中信证券股份有限公司（以下简称“中信证券”）的研究部编写。中信证券研究部定位为面向专业机构投资者的卖方研究团队。通过微信形式制作的本资料仅面向中信证券客户中的金融机构专业投资者，请勿对本资料进行任何形式的转发行为。中信证券不因任何订阅本公众号的行为而将订阅人视为中信证券的客户。若您并非中信证券客户中的金融机构专业投资者，为保证服务质量、控制投资风险，应首先联系中信证券机构销售服务部门或经纪业务系统的客户经理，完成投资者适当性匹配，并充分了解该项服务的性质、特点、使用的注意事项以及若不当使用可能会带来的风险或损失，在此之前，请勿订阅、接收或使用本订阅号中的信息。本资料难以设置访问权限，若给您造成不便，还请见谅！感谢您给予的理解和配合。若有任何疑问，敬请发送邮件至信箱kehu@citics.com。
重要声明：
本资料定位为“投资信息参考服务”，而非具体的“投资决策服务”，并不涉及对具体证券或金融工具在具体价位、具体时点、具体市场表现的判断。需特别关注的是（1）本资料的接收者应当仔细阅读所附的各项声明、信息披露事项及风险提示，关注相关的分析、预测能够成立的关键假设条件，关注投资评级和证券目标价格的预测时间周期，并准确理解投资评级的含义。（2）本资料所载的信息来源被认为是可靠的，但是中信证券不保证其准确性或完整，同时其相关的分析意见及推测可能会根据中信证券研究部后续发布的证券研究报告在不发出通知的情形下做出更改，也可能会因为使用不同的假设和标准、采用不同观点和分析方法而与中信证券其它业务部门、单位或附属机构在制作类似的其他材料时所给出的意见不同或者相反。（3）投资者在进行具体投资决策前，还须结合自身风险偏好、资金特点等具体情况并配合包括“选股”、“择时”分析在内的各种其它辅助分析手段形成自主决策。为避免对本资料所涉及的研究方法、投资评级、目标价格等内容产生理解上的歧义，进而造成投资损失，在必要时应寻求专业投资顾问的指导。（4）上述列示的风险事项并未囊括不当使用本资料所涉及的全部风险。投资者不应单纯依靠所接收的相关信息而取代自身的独立判断，须充分了解各类投资风险，自主作出投资决策并自行承担投资风险。
本订阅号中的所有资料版权均属中信证券。不得以任何方式修改、发送或复制本订阅号中的内容。除经中信证券认可的情况外，其他一切转载行为均属违法。版权所有，违者必究。
评论 (0)