（来源：证券时报）
近期，围绕通用大模型与具身智能专用模型的讨论持续升温。当OpenAI等巨头主导的通用基础大模型不断向物理世界渗透，通用大模型的能力边界进一步外扩，专门为机器人训练的具身模型，是否还有研发的必要？
“通用大模型在物理机器人实操上存在显著短板，未来的系统必将走向分层架构。”智元联合创始人、联席总裁、具身业务体系总裁姚卯青在接受证券时报记者采访时，给出了明确的判断。
姚卯青指出，通用大模型在仿真基准测试中展现出闭环任务能力，但到了物理世界，短板非常明显。他列举了通用大模型在具身智能领域两大核心痛点：首先是执行效率差与Token消耗巨大。人类几十秒到一分钟就能完成的物理操作，通用大模型可能需要耗费1—2小时，同时消耗海量Token，这根本无法满足真实产线的节拍要求。
其次是底层物理控制能力的缺失。通用大模型擅长生成CAD、3D模型等高层推理，但面对高动态运动、力触反馈控制类实操任务，实测成功率几乎为零，因为它们从未学习过底层的物理交互。
基于此，姚卯青认为，具身智能与通用大模型不是替代关系，而是将走向“分层架构”。在这个架构中，通用大模型将更多承担System 2（高层长程规划）的角色，作为Agent调用各类技能工具；而世界模型与VLA（视觉—语言—动作模型）输出的任务技能是被调用的中层工具；最底层则是100—1000Hz的高频电机实时控制层，这部分与本体、任务深度耦合，必须由具身智能企业持续迭代。
姚卯青表示，即便通用大模型想在物理世界达到专家级表现，同样需要海量高质量物理后训练数据，每一层都需要具身企业持续投入建设。
在2026智元创新日上，姚卯青现场发布新一代具身基座模型GO-3 Preview，并宣布该模型将于2026年底全面开源。姚卯青告诉记者，GO-3 Preview采用了全新的WRAM（World Reasoning Action Model）原生架构，在真实落地场景下，本体、数据、模型三者高度耦合，整个链条属于“木桶效应”，即任意环节缺失都无法完成业务闭环。
2026智元创新日具身作业生产力分论坛公布的数据显示，在训练数据规模扩展实验中，GO-3 Preview在20类技能100个任务上的Zero-Shot（零样本）平均成功率由13.4%提升至56.4%；在模型规模扩展实验中，零样本成功率由56.2%提升至73.2%。
“机器人厂商如果只会做单点，是无法形成业务闭环的。”姚卯青表示，智元将通过全栈技术体系，在预训练、后训练与部署后持续学习三个环节形成完整的物理AI技术闭环，让机器人在真实场景中，把技术真正转化为可衡量的生产力价值。
