梁文锋盯上机器人，大模型要取代具身模型？

近期，DeepSeek正式宣布将涉足具身智能领域。

据悉，梁文锋正与数家具身智能初创企业接洽，计划进军这一赛道。

自2026年起，大模型企业涉足具身智能已成为趋势，OpenAI自然首当其冲，谷歌近期推出的新模型Gemini 4 Argon也将重点聚焦于机器人操控。

具身智能被视为大模型发展的下一阶段，这一观点已获得行业广泛认同，DeepSeek显然也持相同看法。

在一次2026年5月的投资者交流会纪要中，梁文锋描绘了他心目中的AGI发展路径：从语言模型、思维链（CoT）、智能代理，到持续学习、AI自我进化，最终抵达具身智能。

在这条路线图终点，AI不再局限于屏幕中的对话助手，而是真正融入人类日常生活。“到达具身智能阶段后，它就能进入现实世界，为你做家务，为你养老。”

然而，梁文锋也深知实现这一目标的难度。他特别强调技术路线的先后顺序，若反其道而行之，从具身智能起步，“那么这一过程会非常吃力，这是一项极其艰苦的工作。”

如今，距离这番言论仅过去数月，梁文锋便被曝出开始与机器人公司接触。那个曾被置于AGI路线图末尾的方向，似乎正被提前推进。

变化究竟因何而起？对于DeepSeek这类通用大模型企业来说，进入物理世界是否已出现一条全新的路径？

通用大模型，步入物理世界

几乎在梁文锋被曝接触机器人公司的同时，王兴兴对通用大模型进入物理世界给出了乐观预测。

10月12日，王兴兴在第26届中国工博会上透露，宇树已利用GPT-6对多款机器人进行测试，“效果极为出色”。他判断，具身智能的临界点最快一两年内就会到来，明年的GPT-7甚至可能“直接攻克具身智能难题”。

过去数年，机器人行业一直致力于训练专用具身模型，主要有两大技术路线：一种是“大小脑分离”，大模型负责感知与决策，底层控制系统执行动作；另一种是以VLA为代表的端到端模型，尝试将视觉、语言和动作整合进统一模型。

如今，通用基座大模型驱动智能代理，正成为另一条探索路径：模型依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。

“这其实算不上技术或范式创新。”一位业内人士将其类比为具身智能领域的Harness，即围绕模型构建的任务执行与工具调用机制，VLA也可被视为机器人智能代理调用的一个技能。

这条路线虽非全新，却可能为具身智能长期面临的数据难题提供另一种解决方案。

“我认为这是一个极具潜力的创业方向。”一位来自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扩展效果；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。

而通用大模型已具备较强的理解、推理与规划能力。若通过智能代理框架将这些能力应用于机器人任务，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，可能具备扩展潜力”。

9月，RoboCurve公布了一组实机测试：将GPT-6 Astra接入机器人智能代理系统，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95%，平均用时也明显短于对照模型。

这组测试尚不足以证明通用大模型能胜任复杂机器人操作，但它展示了一种可能性：不必为每项任务从头训练专用具身模型，通用大模型也能借助工具参与物理世界操作。

对于DeepSeek这类通用大模型企业而言，这或许意味着，进入具身智能不一定需要从头搭建一套完整的具身模型体系。

新路线的两面：能力与代价

围绕这条路线，研究团队正展开不同探索，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是前一个方向的代表。 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与处理异常，专用模型负责具体动作，两者配合完成复杂任务。

ENPIRE则将智能代理引入研发环节。 机器人反复开展实验，编码智能代理分析执行记录、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，这条路线还存在不少现实问题。

“第一个问题是成本。” 上述工程师认为，若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，客户还需另外支付订阅费。”

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，两者确实可以部分抵消，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，已不仅仅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。

DeepSeek们能后来居上吗？

除OpenAI外，已有不少国内大模型公司尝试涉足具身智能，“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也很适合做类似探索”。

对他们而言，“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”，即物理数据的缺乏。

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。

相比之下，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。

通过已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。

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。

本文来自微信公众号“有界UnKnown”，作者：钱江，编辑：山茶，36氪经授权发布。