10月12日，在上海工博会开幕式圆桌讨论上，宇树科技创始人王兴兴被问及具身智能的”ChatGPT时刻”还有多远时表示，快的话一两年内就有可能实现，理由是明年GPT-7发布后可能直接把具身智能问题”打穿”。该表述经中国证券网、澎湃新闻等媒体报道后引发行业讨论。
这一判断的核心在于对模型能力边界的理解。大语言模型与世界模型在抽象空间内完成概率外推，能够输出任务规划与路径建议，但其对物理世界的”理解”本质是对文本与视频统计规律的拟合，而非对物理实体的测量。换言之，模型可以给出”抓握力度中等”的建议，却无法感知杯壁的滑涩与满载状态下的重量差异。
与之相对，Agent是场景中的行动系统。一台可执行家务任务的机器人，其指挥中枢并非云端大模型，而是部署在本体的整套调度体系：总Agent负责统筹，视觉与力控子Agent分段执行，依托传感器反馈实时纠偏。手伸向目标时发现桌面高度偏差，视觉模块即时修正、手部重新计算轨迹，这种闭环纠错能力构成Agent的本体。物理载体——灵巧手、关节电机、触觉传感器与整机结构——则直接决定Agent的能力天花板。行业数据显示，一只工业级灵巧手单价约三至四万元，真机损坏成本高昂，物理技能只能依靠真机反复训练积累。
从评测数据看，通用大模型在语义理解与粗操作任务上进展显著，但在接触密集、力控密集的任务中表现仍有限。Figure官方披露，Helix 2.5在旧金山湾区30户陌生住宅完成420次试验，整体完整任务成功率约56％，其中铺床67％、叠毛巾62％、收拾客厅40％。智元GE-Act 2.0在真机数据从300小时扩展至3万小时后，100项原子任务零样本平均成功率由17.1％升至44.1％。第三方基准口径更为严格：RoboCurve测试中简单抓取成功率可达95％，毫米级对位插入仅10％；RoboDojo的42项任务平均成功率22.48％。需注意上述数据口径各异，不宜横向比较。
更关键的缺口在于迭代方向标准。当前机器人尚不具备将单次失败转化为跨场景先验的能力，无约束的Agent自我改进在训练分布内效果明显，迁移至分布外任务时收益迅速收窄。该层标准的缺失并非时间问题，而是治理结构使然：验收口径、安全责任与价值取舍均由人定义，机器难以内生绑定责任与价值的行业知识。
由此来看，”GPT-7打穿具身智能”的准确含义是模型层可能迎来一次能力升级，而物理载体、场景数据与行业标准三项要素，仍需由产业侧逐项补齐。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
