梁文锋盯上机器人，大模型要取代具身模型？

作者钱江

编辑山茶

有界Unknown 原创

终于，DeepSeek也要干具身智能了。

近期，有消息称，梁文锋正在接触多家具身智能创业公司，考虑进入这一领域。

2026年以来，大模型公司下场做具身智能几乎已成为一种时髦，OpenAI自不必说，谷歌近期更新的新模型Gemini 4 Argon也把重点放在了机器人操控上。

具身智能是大模型的下一站几乎成为行业共识，DeepSeek显然也是这么认为的。

梁文锋曾在一份流传于2026年5月的投资者交流会记录中，描述自己设想中的AGI技术路线：从语言模型、思维链（CoT）、Agent，到持续学习、AI自我迭代，最后是具身智能。

在这张路线图的尽头，AI不再只是屏幕里的聊天助手，而是真正走进人的日常生活。“到具身智能之后，它就走进现实世界，可以给你做家务，可以给你养老。”

但梁文锋也清楚，走到这一步并不容易。他尤其强调技术路线的先后顺序，如果反过来，先从具身智能入手，“那么这里自己会做得很累，这是一个很苦的活。”

如今，距离这番表态不过数月，梁文锋就被传出开始接触机器人公司。那个曾被他放在AGI路线图最后的方向，似乎正在被提前提上日程。

变化究竟发生在哪里？对于DeepSeek这样的通用大模型公司而言，进入物理世界，又是否有了一条不同于以往的路？

01PART 01

通用大模型，走进物理世界

几乎就在梁文锋被曝接触机器人公司的同一时间，王兴兴对通用大模型走向物理世界，给出了一个乐观的判断。

10月12日，王兴兴在第26届中国工博会上透露，宇树已用GPT-6测试多款机器人，“效果实际上非常不错”。他判断，具身智能的临界点最快一两年内到来，明年的GPT-7甚至可能“直接把具身智能问题打穿”。

过去几年，机器人行业一直在尝试训练专门的具身模型，主要有两种技术思路：一种是“大小脑分开”，大模型负责感知和决策，底层控制系统负责动作；另一种是以VLA为代表的端到端模型，尝试将视觉、语言和动作整合到统一模型中。

如今，通用基座大模型驱动Agent，正在成为另一种探索方式：模型根据环境信息理解任务、制定计划，再调用机器人的动作工具执行，并根据反馈调整操作。

“其实称不上技术或范式创新。”一位业内人士将其比作具身智能领域的Harness，即围绕模型搭建的任务执行和工具调用机制，VLA也可以成为机器人Agent调用的一项Skill。

这条路线并非全新，却可能为具身智能长期面临的数据难题提供另一种解法。

“我认为这是一个很好的创业方向。”一位大厂具身智能部门的工程师表示，目前具身模型面临两大数据瓶颈：一是规模化，端到端VLA等模型投入大量成本采集真机数据，仍未验证出类似语言模型的Scaling效果；二是数据对齐，不同机器人采集的数据差异较大，难以直接复用。

而通用大模型已经具备较强的理解、推理和规划能力。如果通过Agent框架将这些能力用于机器人任务，就可能减少对任务专用训练数据的依赖。

他认为，“通用LLM生成控制逻辑的无训练路线，可能具备Scaling潜力”。

9月，RoboCurve公布了一组实机测试：将GPT-6 Astra接入机器人Agent系统，让模型根据摄像头画面和机器人状态，通过工具调用生成机械臂的动作目标，再由底层控制系统执行。

不同模型完成“将积木放入碗中”任务的最佳表现对比

在20次“将积木放进碗里”的测试中，GPT-6 Astra成功19次，成功率达到95%，平均用时也明显短于对照模型。

这组测试还不足以证明通用大模型能够胜任复杂的机器人操作，但它展示了一种可能：不必为每项任务从头训练专门的具身模型，通用大模型也能借助工具参与物理世界的操作。

对于DeepSeek这样的通用大模型公司而言，这或许意味着，进入具身智能不一定要从头搭建一套完整的具身模型体系。

02PART 02

新路线的两面：能力与代价

围绕这条路线，研究团队正在展开不同的探索，大致分为两个方向：一是让通用大模型指挥机器人完成任务，二是让它参与机器人控制方法的研发与改进。

通用大模型驱动机器人研究项目概览

Waddle是前一种方向的代表。它让大模型根据摄像头画面理解任务、编写控制代码，并调用VLA等工具执行操作。通用大模型负责规划和处理异常，专用模型负责具体动作，两者配合完成复杂任务。

ENPIRE则把Agent引入研发环节。机器人反复开展实验，编码Agent分析执行记录、寻找失败原因，修改算法和训练代码，再通过下一轮实验验证效果。过去需要研究人员反复调试的工作，开始尝试交给AI完成。

不过，从实验室里的技术探索，到机器人真正进入工厂和家庭，这条路线还有不少现实问题。

“第一个问题是成本。”上述工程师认为，如果机器人每次执行任务都需要调用OpenAI的API，客户购买硬件后，还要持续支付模型调用费用。“相当于我只卖给客户一个硬件，客户还要另外支付订阅费。”

那么，调用模型的费用，能否抵消原本采集数据和训练模型的成本？

他认为，两者确实可以抵消一部分，但商业模式不同。自主采集数据、训练模型，虽然前期投入高，模型却掌握在自己手中；依赖外部API，则意味着机器人每次工作都可能产生额外成本。

“第二个问题是实时性。”他曾尝试通过不同服务调用GPT模型，单次响应需要几秒钟。对于需要连续感知、快速反应的机器人而言，这显然不够理想。

不过，他认为，实时性问题未来有望得到改善。

这也意味着，通用大模型能否进入物理世界，已经不只是模型有没有能力的问题，还取决于它能否以足够低的成本、足够快的速度，稳定地完成任务。

03PART 03

DeepSeek们能后来居上吗？

除了OpenAI，已经有不少国内大模型公司在尝试做具身智能，“我觉得小米很适合做，他们有Mimo大模型，也有自己的机器人本体CyberOne”，一位业内人士认为，除了小米，“DeepSeek和Kimi也很合适做类似探索”。

对于他们而言，“进入具身智能的一道重要门槛，是获取真实机器人的交互数据”，也就是物理数据的缺乏。

回顾OpenAI过去近十年的研究，会发现这些年，OpenAI一直没有完全离开物理世界。

2017年，OpenAI启动灵巧手研究。2018年，机械手只能在掌心转动方块；2019年，它已能单手还原魔方，但普通随机打乱下的成功率为60%，最复杂情况下仅为20%。研究人员在仿真中不断改变质量、摩擦力等条件，并在实机测试中用橡胶手套、毛绒玩具制造干扰，检验其适应能力。

这套控制技术并未直接演变成GPT。此后，OpenAI探索让通用模型通过多模态数据认识现实世界。GPT-4o系统卡披露，其预训练数据包含视频，但视频无法替代机器人动作和接触反馈。2026年，OpenAI又被曝建立机器人数据采集实验室，通过遥控机械臂记录真实操作。

从仿真训练、多模态学习到真机数据采集，OpenAI持续尝试让AI积累物理经验。

相比较而言，国内大模型公司也有相关动作。

DeepSeek向物理世界的探索，首先体现在视觉能力上。2024年，它推出兼顾图像理解与生成的Janus系列；2025年1月27日，又发布Janus-Pro。官方演示中，模型可以读取图片中的公式并转成代码，也能根据文字描述生成图像。不过，这些能力主要建立在图像与文本数据之上。

2026年8月6日晚，宇树科技披露的IPO战略配售名单中出现了DeepSeek，王兴兴在路演中表示，根据双方签署的战略合作备忘录，两家公司将围绕AGI、高性能通用机器人和AI大模型开展合作。

但这些探索依旧停留在二维世界的层面。

我们通过已经发表的技术论文来看，DeepSeek尚未展示类似OpenAI灵巧手项目的物理交互训练成果，也没有明确披露大规模三维场景、机器人动作轨迹及相应的训练体系。

这让DeepSeek面临一场与语言模型不同的竞争。过去，它通过混合专家架构、训练优化和强化学习，以相对有限的投入取得了有竞争力的模型性能。

04PART 04

结语

相比亲自组建机器人团队，梁文锋在具身智能领域更具体的动作，目前体现在投资上。

2026年8月，DeepSeek参与宇树科技IPO战略配售，出资约1.41亿元。到了10月，DeepSeek又被曝拟领投机器人AI创业公司Winverse AI。从机器人本体到机器人AI，梁文锋开始为DeepSeek寻找进入物理世界的伙伴。

这也留下了一个悬念：按照他此前设想的顺序，具身智能要等到模型能够持续学习、自我迭代之后。如今提前接触、投资机器人公司，是在为那一天做准备，还是机器人领域的新进展，让他有了新的判断？

答案或许藏在下一步动作里。毕竟，投资一家机器人公司，与让自己的模型真正控制机器人，之间还有很长的路。

ABOUT有界 UnKnown

探索未知世界的边界

关注商业、科技与时代变革，记录那些正在发生、却尚未被充分理解的变化。

↓ 点击下方公众号名片，关注「有界Unknown」