文章说 Astra 打穿了具身模型的优势区间，但要理解「打穿」的究竟是什么，得先看清它的对手。π0.5 是 Physical Intelligence 2025 年 4 月开源的 VLA 模型，靠 97% 以上的非目标机器人异构数据（网络图文、其他机械臂、口语指令）做两阶段训练，把语义规划与动作控制塞进同一个 Transformer。它的软肋也很具体：贴胶布撕不下来、插花认不出瓶口、抓取失败却机械重复固定步骤——这些恰恰是大模型擅长的「想一想再动」环节。

延迟才是通用大模型接管机器人的真正天花板。英伟达测试里，Astra 在 RoboLab-120 上直接输出末端目标时平均单次推理 18.56 秒，Agent 模式也要 13-18 秒；而 π0.5 只需几十毫秒。社交平台上那些流畅的抓取视频几乎都是倍速播放。这个数量级差距不是调参能补的——具身任务的实时性要求决定了 System 1 和 System 0 暂时必须留在本地小模型手里，Astra 只能在「停下想一想」的规划层赚钱。

Astra 让数据订单回暖，是因为通用大模型公司也发现物理数据能反哺非物理能力。但这个生意的底色是极端供需失衡：训练通用具身模型需千万小时级有效数据，当前全球高质量真机数据仅数十万小时，缺口达一两到两个数量级。供给端还粗放——找家庭主妇戴采集头环一天产三四小时，几万人同时采就是几万小时，但重复数据对训练意义有限。Ego Centric 数据原价 300 元/小时被压到几十元，说明这个「卖铲子」环节还没形成定价权。

王兴兴赌通用大模型：快则一到两年、慢则两三年物理 AI 迎来突破，甚至预言 GPT-7 直接把具身智能问题打穿。自变量王潜则反驳，基座模型靠其他领域智能泛化到具身，可能性不大——机器人上跑不了合理速度的推理部署，必须靠专用具身模型。外滩大会圆桌上分歧更细：韩铮押仿真数据加强化学习，沈宇军反过来追问真实触觉力觉能否被搬进仿真器。双方都承认通用模型的语义层更强，争议在于这层优势能否向下吞掉执行层。

Astra 本身没有定论，但有几个可盯的信号。一是 token 成本：英伟达实验里一次成功动作最省 1.96 美元、分层协作 17.72 美元、策略生成 36.40 美元，商用性价比还差得远。二是端侧算力：大晓、宇树的端侧世界模型普遍卡在 10Hz、百毫秒级延迟，要上 20Hz 得靠具身原生专用芯片。三是王兴兴给出的时间窗——技术突破 1-3 年、商业化普及 5-10 年，两个数字本身就该分开看。真正的分水岭是单动作成本能否降一到两个数量级，而非模型跑分。

文章说本体公司股价大涨、价值重新锚定在运控和成本控制，但信通院给了一个刺眼的判断：出货不等于上岗，相当比例设备月均开机天数不足 10 天，订单含金量低。2026 上半年国内融资约 935 亿、百亿估值企业增至 20 家，可应用结构里文娱商演加科教数采占超 60%，真正落在智能制造和仓储物流的生产性场景合计仅约 18%。值得追问的是：当「大脑」变成可插拔商品后，本体厂商的护城河是量产能力，还是那些开机不足 10 天的机器最终换回的现金流？