机器人的"GPT"在哪里？

2026年，LLM已经有了"GPT-5"——一个模型能写诗、写代码、翻译、推理。但机器人仍然有"成千上万个"模型——每个任务一个模型，每个机器人一个模型。

具身智能的"GPT时刻"是什么？是一个模型，能控制"所有机器人"执行"所有任务"——具身基础模型（Embodied Foundation Model）。

金句：具身基础模型是具身智能的"圣杯"——一个模型，控制一切。 2026年，我们正在接近这个圣杯，但还没有到达。

2026年的具身基础模型

Google RT-2： 2026年最接近"具身基础模型"的项目。RT-2是一个VLA（Vision-Language-Action）模型，用"互联网数据"（图像和文本）和"机器人数据"联合训练。RT-2可以控制"多种"机器人（机械臂、移动机器人），执行"多种"任务（抓取、放置、导航、问答）。

OpenAI的机器人模型： 2026年，OpenAI重新进入机器人领域（他们曾在2021年退出）。OpenAI的机器人模型是"端到端"的VLA模型，目标是"用自然语言控制机器人"。OpenAI投资了Figure和1X Technologies，正在将他们的模型集成到这些人形机器人中。

DeepMind的RT-X： 一个"跨机器人"的具身基础模型——在多个机器人平台（机械臂、移动机器人、人形机器人）上训练，目标是"一个模型控制所有机器人"。RT-X的挑战是"数据异构"——不同机器人的数据格式完全不同。

Physical Intelligence（PI）： 2026年成立的创业公司，目标是"构建机器人的GPT"。PI的团队包括前Google机器人团队和UC Berkeley的顶尖研究者。他们的核心洞察是：机器人基础模型需要"动作token"——就像LLM需要"文本token"。

2026年，具身基础模型的三大挑战

挑战一：数据稀缺。 LLM的训练数据是"万亿token"，机器人基础模型的训练数据是"百万动作"——差距达1000万倍。挑战二：异构性。 不同机器人的"动作空间"完全不同——机械臂的关节角度、人形机器人的步态。一个模型如何"统一"这些异构动作？挑战三：安全。 LLM输出错误是"一个错误回答"，机器人基础模型输出错误是"一个物理伤害"。

结论：具身基础模型是具身智能的"圣杯"，但2026年我们还在"GPT-1"阶段。 机器人数据的积累和模型架构的突破，将是未来5年最关键的变量。