Agent、机器人与制药，谁先被GPT-6 Astra改写？

回顾九月，人工智能领域密集涌现重要消息。

9月4日，OpenAI正式推出GPT-6 Astra。这份发布报告未提及机器人通用模型，却直接登顶机器人评估榜单，甚至导致一批机器人测试基准失效。有人戏称：机器人领域等待多年的“GPT时刻”，竟是GPT自己带来的。

Meta Muse为每位用户配置了一台云端电脑，上线两周便登顶美区App Store；竞争对手Instinct在一个月内估值从25亿美元攀升至100亿美元。个人智能体掀起新一轮烧钱获客竞争，但它们能访问的网页，正在逐步被封锁。

在AI for Science方面，Claude仅用21小时便发现了一种结构类似CRISPR的新型酶系统ART。人工智能界对此兴奋不已——AI开始参与科学发现，而生物领域的反应则相对克制，大家更倾向于在实验室验证后再下结论。这种反差从何而来？

当模型进化到普通人难以感知其变化时，研究者的感受又是怎样的？本期《硅谷101》，我们邀请到三位分别深耕Agent、机器人和AI制药领域的一线研究者——Pokee.ai创始人兼CEO朱哲清，破壳机器人创始人、清华大学交叉信息研究院助理教授许华哲，华盛顿大学计算机学院助理教授王晟，共同探讨三个问题：个人Agent商业化卡在哪里？机器人如何被Astra这类底层模型冲击？AI制药的真正瓶颈是什么？

以下是本次对话的精选内容：

前沿科学家视角：GPT-6 Astra进化了什么？

泓君： Astra发布后，你们是否使用过这个产品？或者说，从网上的演示来看，哪个demo最让你们惊艳？

许华哲： 我从事机器人研究，我们测试了Astra在机器人任务上的多种能力。首先注意到的是它极强的适应能力。例如，给它一个特定的机器人本体去执行任务，它能迅速感知到机器人的运动速度或运动空间——比如撞到桌子后，它会说：“桌子挺高的，我是不是该把手抬得更高一些？” 这实际上是将CoT（思维链）这种反思过程的能力，转化为实际动作的能力，这是过去许多机器人模型和大模型都不具备的。

另一个特点是它的自我更新与升级能力。因为具备这种反思机制，它可以反复执行同一任务，每次都做得更好。网上也有人展示：有人用Astra操作机器人机械臂画金门大桥，第一次画得较差，但画完后它会思考如何改进，经过几轮迭代，就能画得非常逼真。

我们还测试了许多其他任务，比如插花——这是经典的机器人任务。我们增加了难度：花茎被劈成两半，有些分叉。这时，它会意识到因为分叉，需要捏住分叉处，捏窄后再塞入。这种能力还是相当惊艳的。

泓君： 它实际上已经理解了一些物理世界操作的规则。

许华哲： 我认为本质上还是对3D的理解，因为它能从三维尺寸层面做出判断，但这种理解已经足以帮助完成许多非动态的物理世界操作任务。

泓君： 网上还有一些有趣的demo，比如用Astra快速生成3D视频，渲染效果也很好。

许华哲： 这是Astra在机器人领域的另一个惊人能力——只需几张图片，它就能快速生成仿真环境。学术圈可能称之为Real-to-Sim。过去这需要拍摄大量视频和照片，还要人工标定和修改。但现在，给Astra一个指令，它就能快速复现整个实验室或办公室环境。有了这样的仿真，你可以训练机器人，从而在仿真中提升性能。

朱哲清： 我们是模型公司。Astra发布时非常强调后训练、模型开发等方面的迭代能力。实际测试下来，并没有那么惊艳，但在长程任务和迭代方面，它确实比之前版本有更稳定的提升。与旧模型相比，它对上下文和已完成任务的认知更稳定，幻觉现象也减少了。从我们的体验来看，总体不错。

但有几个问题：速度相对较慢，可能与当前用量高有关；在更长的任务上，比如让它运行一整晚，幻觉仍会发生。所以它并没有根本解决，但整体提升了不少。

我有朋友同时测试了一些前端和设计任务。在前端的审美和认知上，我觉得有较大提升。这可能与训练时对设计和审美方向进行了特殊训练有关。

泓君： Bill，从模型对行业的影响来看，Astra的发布与当年Opus 4.6、4.7的发布相比，在Coding能力进化上，是一个大的节点吗？

朱哲清： 单纯从Coding来看，可能不算大节点。从4.5到4.6，我们的体感几乎是范式转变——之前只能依赖它做短程Coding，几个文件的改动或简单小项目；到4.6之后，工具调用几乎不出错，长程Coding任务也能自主执行。

而Astra只是能做到更长的任务，幻觉更低，审美更好。但它并没有解决以前完全解决不了的问题。

王晟： 我认为是一个大的节点。我们已从之前的Claude等系列模型全面切换到GPT-6 Astra来处理生物医学内部任务。我主要做AI for Science，核心是AI在生物医学领域的应用。

我们用Astra有两个特别好用的地方：一个是Computer Use，另一个是长程任务。

Computer Use方面，我们用Astra操作生物医学领域多年前编写的软件，这些软件默认必须使用，但界面设计差、术语多，对跨领域的人来说使用成本很高。

但Astra的Computer Use功能，能根据简单的prompt操作得很好。我还可以跟它学习如何使用这些软件，因为生物医学领域很多人对AI工具接受度低。Astra可能将这些软件对应的网上教程、用户日志、反馈等全部以文字形式学进去了，所以它真的理解如何使用这些软件。

另一方面是长程任务。生物医学领域的任务比较复杂，有时会持续8至24小时，Astra表现更好。它比其他模型慢，但让我放心，说明它可能更深思熟虑。

我们现在一般切换使用：白天用反馈较快的模型，到了准备让模型跑一整晚时，就用Astra设计长程的pipeline或prompt。这也是它在AI for Science领域值得信赖的一点。

泓君： 我没想到Computer Use功能在AI for Science领域能帮助这么多。

王晟： Astra发布时做了两个生物医学demo，其中一个是Computer Use demo，在我们圈子内出圈了。大家发现，可以直接用Astra操作生物医学工具。它当时操作的工具叫MultiQC，是一个常用的网页工具。我们开始用这个功能，发现比想象中好用很多。其实Computer Use功能之前的模型也具备，只是大家没开始真正思考如何将其融入科研pipeline中。

Computer Use回春：但商业化卡在了身份验证

泓君： Bill，你能用一句话解释什么是Computer Use吗？

朱哲清： Computer Use是通过模型对视觉的理解，决定agent下一步要在屏幕上点击哪里或输入什么文字，以完成一系列任务。当它能串联几十个动作时，就能实现人类想要达到的最终目的。

泓君： 所以它与API的区别是，不需要接口、不需要密码，它像人一样操作和使用电脑。

朱哲清： 它看到的是人类看到的屏幕、UI、所有视觉和可交互的界面，通过人类可以使用的电脑输入输出设备完成任务。

Astra宣传片中展示的Computer Use场景 图片来源：OpenAI

泓君： 我觉得Computer Use之前也有，为什么Astra的发布又重新把它带火了？

朱哲清： 感觉Computer Use现在比原来又火了一波。之前大家觉得所有工具都会开API，所有工具都会有agent access接口，很多APP和系统都在做agent native的set up。

但最近，不管是Instinct还是Meta Muse，背后都接了浏览器。有一个大问题：很多第三方APP，比如Amazon或一些购物、旅行APP，它们不愿意开放API。

我觉得这又回到了当年Manus的情况——Manus最初做了Browser Use，后来很多家跟上，但大家发现这并不高效。大家都回到Coding和API调用，现在有些东西避不开，又回到了Computer Use。所以最后可能是个混合状态。

我有个有意思的看法：因为我们目前聚焦于相对较小的模型，比如我们发布的模型大约30B参数，可以在端侧和私有算力上运行。比如我有一台小AI box或AI PC，就能跑这个模型。

未来如果Browser Use发生在你自己的机器上，而不是云端，就会改变它可能带来的瓶颈。 因为现在的远程Browser Use都是通过商用机器，最多找个像Bright Data或IP代理，假装是消费者用户，绕开IP校验。像Amazon、Expedia这些网站通常会说：如果是商用IP，我不会让你进去。

泓君： 商家会屏蔽一些AI机器人，不希望它们接入。

朱哲清： 奢侈品网站很早就会屏蔽。如果你用的是自己家的网，自己的IP，就不会被block。这可能是未来破局的趋势，可能会推动很多APP厂商改变它们的Browser Use机制——browser sandbox可能发生在本地，而不是云端。

泓君： 你这个观察很有趣。最近非常火的toC消费级应用Meta Muse，定位是个人AI助手，相当于给每个人配了一台云端虚拟机，数据存在云端专属存储里。按你的理论，它还是商用IP，如果未来商业化，很可能被商家卡住IP。

朱哲清： Meta Muse从背后的虚拟机设置来看，和当年的Manus很像，也主打Browser Use。因为很多使用场景与旅行和购物有关，这些用例无法通过API调用完成，基本都得靠浏览器。当时Manus走了完全相同的路，被全部block掉了。所以Manus后期和现在的Genspark很像，都主打白领工作那一套。

你看Claude Code、Claude Cowork、ChatGPT Work，最后都往白领工作效率方向偏移，核心原因是很多东西一开始能做，但很快就被巨头们全部block掉了。

泓君： 比如亚马逊现在就把Meta Muse屏蔽了。如果有更多网站加入，它能访问的网页和能操作的东西就会越少。

朱哲清： 但它不可能把你电脑上的IP屏蔽掉，否则你自己也上不了亚马逊了。所以这可能是个破局机会。但我怀疑这事会来回拉扯，C端agent目前可能还不是特别ready。因为做Browser Use对模型需求很高，很难在短期内达到现象级体量。

泓君： 那你会看好Meta Muse的长远发展吗？

朱哲清： 我觉得这波消费者最终会落到软硬件结合的状态。我认为Meta如果能把wearable做很大，有可能有机会。 为什么我觉得最后要落到软硬件结合？因为云端不能代表用户本身，这也是浏览器完全block它们的原因——一旦换了云端虚拟机，它无法验证这个人就是用户本身。

我认为用户的ID或使用agent的identity本身，会是这波toC的关键。 如果商家能确认这个agent代表这个人操作，很多商家可能愿意做这件事。

但现在用云端虚拟机、云端浏览器，它无法验证这一点，商家会觉得流量入口被剥夺了。比如，一个用户本来要访问我，现在通过agent还是访问我，对我可能OK。但如果一个用户搞了20个agent，这20个agent的消费能力一样，还不停地比价、刷流量，把流量全搞乱了，对我来说得不偿失。

所以软硬件结合可能是个机会。如果硬件本身属于这个用户，它就可以直接确认：这个agent就是这个用户，代表其行为，我就愿意把access开给你。

泓君： 大家在toB工作流中会用xAI的Grok Bot吗？

朱哲清： 我身边用Grok Bot的人更多是在尝鲜，因为它相对主动一些。但用Codex或Claude Code也能解决这些问题。真正把它接入工作流的，相对较少。我身边很多在B端，比如法律、医疗等传统企业工作的人，现在还纠结于如何逃出Microsoft Copilot的泥潭。 甚至不能自由使用Codex和Claude Code，更别说Grok Bot了。所以整个行业分化很大，走在前面的人什么都能用，走在后面的人还在泥潭里挣扎。

Benchmark失灵：模型进步的方向，真的对吗？

泓君： 最近和前沿模型的研究员聊，听到一个有意思的观点：现在toC和消费级agent的token使用量其实花不了多少钱。真正最烧钱的地方是OpenAI、Anthropic、DeepMind这几家公司在竞争的核心领域——AI for Science。 那些未被解决、未被定义的科学问题，比如解数学题或跑像王教授这样的生物实验，非常烧token，是内部消耗量最大的方向。

比如，OpenAI解纳维-斯托克斯方程这个问题，内部调用了一个更强的模型，用了大约1万个子agent，发了约270万条信息，消耗了约1300亿输出token。第三方按零售价估算，这部分消耗约2200万美元。

现在整个模型的进化，对普通人的感知已经不大了。但对前沿科学家来说，他们对模型能力的提升感知非常大。

OpenAI宣布解决了纳维–斯托克斯千禧年大奖难题，该解是一个涡旋。图片来源：OpenAI

朱哲清： 这里想问许教授和王教授。我主要做post training，focus在小模型上，因为我们想做本地私有化模型。我们能看到的是，这个层次的模型在我们优化后，和frontier model的差距越来越小。

从AI for Science或robotics角度，frontier model在每一代迭代中，你们觉得有多大提升？

比如从Opus 4.5到4.6的区别，对比4.8到Fable之间的区别，或5.6到Astra之间的区别，这个差距可比吗？

王晟： 我的观点是，在生物医学领域，AI for Science能力确实有很大提升。但这个提升主要来自coding能力——一般的coding、查文献、做长程任务的能力，而不是对生物医学知识能力的提升。 有些benchmark专门测Biomedical knowledge知识层面，Astra并没有提升。

我们现在实际使用时，很难使用Astra或Opus、Fable，因为它们对生物医学任务防范越来越严，都会refuse to answer，这是非常严重的问题。 所以我们内部用Kimi K3或Muse Spark 1.3。如果用Astra，都要用特殊方式告诉它：这不是危险任务，只是设计benchmark等。所以实际大模型的使用体验，随着能力增强，其实是越来越差的。

还有一个点：刚才Bill说得有道理，我也认可——在各种已定义明确的AI for Science benchmark上，小模型确实可以和大模型差距越来越小。但我个人觉得这些benchmark本身定义得不好，所以大家追赶的方向，包括大模型进步的方向，都可能不完全正确。

这些benchmark定义时，大家都会定义一个更好让AI模型去做的任务，比如有明确的生物数据集，要预测明确的问题，这和我们真正做的制药发现差距非常大。本质上这些生物医学benchmark就是Kaggle这种数据科学比赛，所以退化为一个MLE-bench中的machine learning问题。Astra这种在coding能力上的提升，就会在benchmark上有很大进步。

许华哲： 从Robotics角度，Astra是一个飞跃式提升。过去无论是Opus 4.5、4.6，还是到Fable的变化，都没有Astra这次给Robotics带来的变化大。因为过去所有升级，在Robotics测试上几乎都没有太好表现，定性上没有变化。

但Astra带来的变化是整体定性有变化，很多Robotics的benchmark失效了。 像RoboDojo，大家相对认可的Robotics尤其是仿真的benchmark，Astra都成了第一名。无论它用了哪种数据，带来的能力都是飞跃式升级。

但关于小模型和大模型的问题，我倒是觉得，长期来说我们一定需要一个小的、与Astra能力相当的模型。因为机器人任务有时间要求，需要及时响应和高动态任务。比如抖毛巾，Astra做不了，因为它太慢了。它知道要快动一下，但只能写code来做，无法直接输出动作。在这种情况下，我们一定需要一个快决策的模型。只不过需要把现有的Astra的CoT、reasoning能力以及3D理解加进去。

机器人的GPT时刻，还差什么？

泓君： 所以你觉得未来机器人方向会变成大模型做规划、小模型负责实施控制的分层架构吗？

许华哲： 分层架构大家一直都比较认同，只不过分层的这一刀，到底切在哪？ 怎样的分层方式一直有辩论。比如原来普遍认为VLM是做任务规划层——我说要吃西红柿炒蛋，VLM规划的可能就是打开冰箱门、拿出西红柿、鸡蛋等；底下的小模型或具身模型执行打开冰箱门、打鸡蛋等动作。

但Astra这次最大的变化是，它现在能做低层次的动作控制——它给你的指令变成了“把手往右伸两厘米”或“把手放在冰箱门把手上”，如果没抓住，它会说“再往前靠一靠”。所以它相当于把这个层往下压了。

原来是边界清晰的，但现在它说“我能力非常强，除了慢以外，我可以往下压一点”。底下的就更像反射式提线木偶。肯定有声音说：未来上层模型是否可以无限往下压？压到最后是否变成完全端到端的VLM？Astra直接控制所有事情。

我个人观点是，这不太合理。第一是速度，你在网上看到的Astra控制都要16倍速或24倍速才能看。第二，现在的Astra对物理还是缺乏理解，尤其是对人类来说叫直觉或直觉物理学的那部分。

我随手碰一个物体，如果有水可能会洒，如果是玻璃可能会碎。这些事情Astra经过很多语言推理可能能理解，但如果我们希望它在任务中立刻有这种理解，效果可能还不够好。这个地方可能还是需要世界模型或快速模型去做一些直觉式反应。

破壳机器人做麻婆豆腐 图片来源：pokebot

泓君： 你提到它速度慢，是因为模型太大吗？

许华哲： 模型大肯定是一个原因，另一个是它的CoT很长。虽然它是加密的CoT，给出的CoT应该是假的，但内部CoT非常长。所以它做每一步决策时，思考非常冗余，尤其是面对简单任务时。我们观察到，面对复杂任务和简单任务，它的思考时长基本相似。这意味着复杂任务它很聪明，但到了简单任务上，就变成了额外开销，显得很笨。

泓君： 许教授，我知道你们公司有个demo是用筷子夹小球。用你们自己的模型做和用Astra做，区别是什么？

许华哲： 用我们自己的模型，首先时间上快很多；其次，抓的时候是连续不断地尝试，过程中没有太多逻辑思考——抓一次失败了，就换个角度尝试。

但如果是Astra，它每做一步后都要分析原因，根据原因给自己指令，做相应调整。这个过程更像人类思考过程，但导致它很缓慢；第二，它有时会陷入僵局，无法理解为什么会发生，或者一旦分析出错，就无法再推进。

还有一个点：如果去抓桌面上的物体并旋转，Astra做得相对较弱，但它能做，只是要反复尝试怎么转。这种能力目前还有一定短板。

泓君： 现在机器人公司分很多种：做大脑的，包括大脑怎么做——是Sim-to-Real路径