机器人大脑更新

GPT6 Astra作为机器人云端大脑，展现出超越VLA/WAM的复杂任务理解能力。在Robodojo公开测试集中，它未经过机器人控制训练即达到SOTA水平。Astra的优势在于任务拆解，能识别麻将并针对性操作，也能在相机视野受阻时用空闲夹爪提供视野。然而，在插笔筒、倒水入杯等精细操作中，其空间测量和失败后尝试能力较弱，操作速度慢。

机器人控制分为system0、1、2，其中system2负责思考决策。Astra类大模型最擅长system2，这是机器人泛化的痛点。Astra专注于决策优化，在HexaShell方案中仅做决策，优化泛化性和精度，精度媲美最强VLA/WAM；在WS-R²SI方案中尝试自我优化生成并迭代操作skill，精度、泛化性和长程任务能力均提升。

机器人行业正朝着大模型驱动的方向发展。Astra的发布标志着机器人云端大脑能力的提升，其任务拆解能力显著增强。同时，Kimi 3.1pro等国产大模型也接近Astra水平，大幅强化3D理解能力。未来，机器人将更依赖大模型进行复杂任务理解和决策，推动行业向更高智能化发展。

本研报重点分析了GPT6 Astra大模型在机器人领域的应用及其技术优势与不足。报告详细探讨了Astra在任务拆解和泛化性上的优势，以及在精确操作上的劣势。同时，分析了HexaShell和WorldScape-R²SI两套方案如何利用Astra的决策能力提升机器人性能，并对比了机器人控制系统中的system2角色。

当前Astra的不足在于复杂场景理解和复杂任务拆解能力，需要大量优质数据进行针对性训练。这意味着机器人行业面临数采的庞大需求，上亿小时数据的量级对应上下游千亿市场。数据获取和处理的成本与难度是主要风险之一，需要关注数采供应链的稳定性。