Astra 的价值不在「能操作机器人」这个结果，而在失败样本的复用：小模型在没训过的场景里泛化出 50% 成功率时，一旦操作出问题就交给 Astra 接管，这类 Error Recovery 数据回头去训自家小模型，能把成功率从 50% 拉到 80%。于是从一人盯一台机器变成一人盯十台，小模型变强后 GPT 调用量下降，才跑出真正的 scaling up 逻辑。

这条论证链的关键前提是「模型侧最能带来能力提升的仍是预训练」：年初业界预期视频生成能像语言模型一样靠后训练和 test-time scaling 换能力跃升，但做了半年没跑出高效的 RL scaling law，于是方向变成吃资本、吃团队、吃公司，巨头效应明显。第二环是数据不可开源：infra 十来个有经验的人做两个月能推到合理水平，数据却只能靠产品回流或采买。前提一旦松动——比如后训练真跑出 scaling——整条「只能大厂玩」的结论就立刻打折。

李飞飞 2024 年创办 World Labs，2026 年 9 月被 AMD 以约 82 亿美元全股票收购，她出任 AMD 执行副总裁兼首席科学家直接向苏姿丰汇报。卖公司的官方口径是「AI 要走出数字世界必须靠近硬件」——AMD 需要判断下一代机器人、仿真负载要什么芯片。另一面解读则是物理 AI 已是巨头牌桌：2026 年一季度全球物理 AI 融资超 64 亿美元，OpenAI GPT-6 在 3D 与空间理解上也有突破，创业公司的独立空间被压到极窄。

当下能看到的关键变量是仿真置信度能不能撑起训练。反方证据具体：灵巧手要的是五根手指贴合瓶身把瓶子抓起来，仿真环境里模型可能用中指和食指就把瓶子捏起来，完全不符合预期——这就是具身厂商坚持用自家机型采 trace 的理由。支撑仿真的一方已有可量化进展：51WorldModel 摄像头、激光雷达、动力学仿真总体置信度分别超 92%、95%、95%，飞捷科思的 Fysics 用可微分物理引擎打通仿真-训练-优化全链路。路线是否切换，要看仿真与真机的差距缩到多小。

真正值得追问的不是「初创要不要做大脑」，而是分层之后利润落在谁手里。文中判断：具身厂商卡量跟模型厂商差百倍，很难自己把语言与思考能力做强，趋势是自做直接操控本体的模型 + 外接一个强语言模型。那具身公司的壁垒就只剩硬件与小模型的 co-design，一旦模型厂把这层能力白菜化，估值逻辑靠什么支撑？另一个切口：软蒸馏（用 Astra 接管数据训自己小模型）为什么大概率由具身厂商而非模型厂来做——因为布置真机设备更近。