E256｜Agent、机器人与制药，谁先被GPT-6 Astra改写？

摘要

• 许华哲认为Astra是机器人领域真正的“GPT时刻”：过去从Opus 4.5、4.6到Fable的升级，在机器人测试上“原来不能做，现在仍然不能做”；而Astra带来定性变化，RoboDojo等认可度较高的机器人仿真benchmark上成绩居首，许也认为不少benchmark因此失效。 但它慢（Demo常需加速到16或24倍）、缺乏直觉物理，双臂叠衣服几乎做不了，所以长期仍需要“一个比Astra小得多、但有相似能力的机器人专用模型”。他预测：“2028年初会是通用机器人开始真正实用的时间节点”；从现在起可能18个月后，人们就能在家用语言指挥机器人做90%的家务。

• 朱哲清拆解消费级Agent的成本和访问困境：Meta Muse每用户每周1亿免费Token，若全部按Input、按其成本估算，约100美元；云端虚拟机也有成本，而云端IP正被亚马逊等商家屏蔽——这让他想起Manus先做Browser Use、受阻后转向白领工作流的经历。 他认为软硬件结合可能是破局方向：云端虚拟机难以证明Agent代表哪个用户；若硬件属于用户，商家可能更愿意开放访问。否则，“一个用户变成20个Agent”，消费能力差不多，却不停比价、刷流量，商家可能得不偿失。

• Astra每百万Token输入10美元、输出50美元，约为GPT-6-4的四到五倍，给消费级Agent带来很大成本压力。 Bill认为竞争者可能用开源模型打底、做Routing；他的愿景是让至少60%到70%的Token在本地或私有算力上产生，减少对Frontier Model的依赖。若行业能烧一两年，小模型成熟后或能逐渐形成平衡；传统企业另一端则“还纠结于怎么脱离Microsoft Copilot的泥潭”。

• 王晟的核心论点：AI制药的瓶颈不是智能，而是验证——“我们真正关心的问题都没办法用Benchmark衡量，也没有答案”。 Astra在Terminal-Bench Science只拿六十多分，但王晟认为它做得比自己好；AI在Coding等Dry Lab任务上进步很大，但实验方案设计完成度可能只有约30%。老鼠实验需数周、猴子实验通常需数月，现实反馈周期远慢于模型迭代；这也是AlphaFold时期不少AI药物发现公司未能成功的关键瓶颈。

• 湿实验数据可能成为AI时代的高价值资产，也可能催生新生意：一条“分子在老鼠身上到底能不能杀掉癌细胞”的数据，可能价值几万到几十万美元，在大模型预训练语料里看不到。 Anthropic与Adaptyv Bio合作，以MCP形式把预测接入湿实验验证；王晟还提到Anthropic正在布局湿实验团队。药物公司做完猴子实验后可把项目授权给大药厂，授权费通常在1,000万美元以上。

• 泓君转述前沿研究员的判断：AI for Science可能是前沿实验室关注和竞争的高消耗领域。 OpenAI解纳维—斯托克斯方程的Agent据称发出约270万条信息、消耗约1,300亿个Output Token；第三方按零售价估算约2,200万美元。泓君观察到，普通人对Astra升级的感知已不大，但前沿科学家对能力提升的感知很强。

• 机器人数据生意的水很深：许华哲转述的传闻是，OpenAI只买不带标注的数据，认为外部标注可能不准确，会在内部重新标注。 他把数据公司分成卖“生肉”（靠规模采集）与卖“熟肉”两类；熟数据公司若懂前沿模型的标注方式，单价可能翻10倍甚至更高。关键是把交互中的因果关系和失败原因标注清楚。

精读

1. 开场盘点：Astra发布一个月，三条战线同时起火

• 泓君的进展梳理：Astra发布五天后，Meta上线个人Agent Meta Muse，给每个用户一台云端电脑，两周冲上美国App Store榜首；对手Instinct估值一个月内从25亿美元涨到100亿美元；B端xAI的Grok Bot开放企业部署。
• 模型层的意外爆款：TypeSafe的Jeff“不写字、不推理，只给选项并打概率”，母公司称它是System 1模型；发布24天融资8.7亿美元、估值75亿美元。
• 制药侧两件大事：泓君提到Claude仅用21小时找到结构类似CRISPR的新酶系统ART，因被怀疑是新的基因编辑机制，基因编辑公司股价应声下跌；扎克伯格夫妇的Biohub计划把虚拟细胞项目扩大到18亿美元，DeepMind、Meta、Isomorphic Labs、美国能源部与NIH出钱出数据，目标是让药物进入实验室前，就能在电脑里看细胞如何反应。

2. 许华哲实测：反思第一次变成了动作

• 最惊艳的是适应能力：机器人撞到桌子，Astra会说“这个桌子还蛮高的，那我是不是应该把手抬得更高一点”——把CoT反思变成实际动作，“这是过去很多机器人模型不具备的，大模型也不具备的”。
• 插花例子如实保留：花茎下端劈开、分叉，不好塞进花瓶，它会想到“捏住分叉，把它捏窄一点，再往里塞”。许的归因是“本质上还是理解了3D”，而这样的理解已能帮助它完成不少非动态操作任务。
• 自我迭代与Real-to-Sim：网上的画金门大桥Demo经过几轮迭代后非常逼真；过去Real-to-Sim需要大量视频、照片和手工标定，现在给模型几张图片和指令，就可能快速复现实验室或办公室环境，用于仿真训练。

3. Bill的冷静体感：这不是4.5到4.6那种范式转变

• 他的坐标系：Opus 4.5到4.6是“近乎范式转变”的升级——工具调用几乎不出错，能自主完成长程Coding任务；Astra是在原有较长任务基础上做得更长、幻觉更少、审美更好，但“没有做到解决一个以前完全解决不了的问题”。
• 实测细节：长程任务中对上下文和已完成工作的认知更稳，但速度偏慢；跑一整晚、24小时仍会出现幻觉，并未根本解决。前端审美提升明显，Bill认为这可能与训练时对设计、审美方向的专门训练有关。

4. 王晟：对生物医学是大节点，“慢让我放心”

• 没有客观Benchmark可直接比较，但王晟说，他们已从之前的模型、Codex系列模型切换到GPT-6 Astra做内部生物医学任务。两大用途：Computer Use操作多年前开发的生物医学软件，以及执行8到24小时的长程任务。
• Astra发布时展示的两个生物医学Demo之一是Computer Use，操作的工具叫MultiQC，在圈子里出圈。王晟认为Astra也可能学进了软件教程、他人的使用记录和反馈。
• 反直觉的信任逻辑：“它做得比较慢，但慢有时候反而让我放心。”白天用反馈快的模型，晚上要跑长程Pipeline时用Astra。

5. Computer Use为什么又火了：API开放的幻想破灭

• Bill的复盘：过去大家以为工具都会开放API、做Agent-native接口，但Amazon、购物和旅行类App未必愿意开放；Instinct和Muse背后都接了浏览器。他认为这又回到Manus早期的Browser Use，最后可能是API与Browser Use并存的混合状态。
• 破局可能在本地：Bill说他们发布的模型基本在30B左右，可在端侧或本地算力上运行。若Browser Use发生在用户自己的机器而非云端，可能改变商用IP被屏蔽的瓶颈；奢侈品网站早就会屏蔽商用IP，而“它不可能把你电脑上的浏览器也屏蔽掉，不然你自己也没法上Amazon”。

6. Meta Muse的账算不过来

• 架构上与Manus的云端虚拟机相似，泓君举例说Amazon已屏蔽Meta Muse；若更多网站这样做，它能操作的东西会越来越少。Bill说Manus走过类似路线，后来不少产品转向白领工作流，原因之一是原先能做的事很快被大型平台屏蔽。
• 成本端：每用户每周1亿免费Token，Bill估算若全部按Input、按他们的成本算，约100美元；云端虚拟机的CPU也不便宜。他做RL大型Rollout时见过CPU价格与GPU相当，最后选择自己架Sandbox。
• 后台模型的传闻：官方会说用Muse Spark；外部有人扒出某些场景调用OpenAI。Bill怀疑存在Routing，但不确定会否调用Astra或Fable；如果10次迭代里有1次需要调用它们，成本可能不止每用户每周约100美元，甚至每月可能达到200美元。

7. Bill的判断：To C Agent可能要靠硬件验证身份

• Bill认为云端虚拟机“不能代表用户本身”，商家难以确认Agent是否代表真实用户；如果Agent与用户一对一，商家可能接受，但一个用户变成20个Agent、不停比价和刷流量，商家可能得不偿失。
• 他认为软硬件结合可能提供机会：如果硬件属于用户，商家或许能确认Agent代表这个用户。Poki AI正与高通、Intel、AMD、联想、惠普等合作；Bill认为模型、软件和硬件需要合作，才可能打破Access、Identity和硬件方面的限制。

8. 价格梯队与企业端的泥潭

• Astra每百万Token输入10美元、输出50美元，约为GPT-6-4的四到五倍。Bill的亲历：用完Claude的20x Plan后加购100美元Credits，只用了两三次来回的Agent Flow就用完了。
• 行业分叉的素描：Bill身边使用Grok Bot的人多在尝鲜；他身边Legal、Healthcare等传统企业从业者，还在纠结怎么脱离Microsoft Copilot的泥潭，甚至不能自由使用Codex和Claude Work。“走在前面的人什么都可以随便用，走在后面的人还在泥潭里挣扎。”

9. 真正的Token黑洞在AI for Science

• 泓君转述前沿模型研究员的判断：消费级Agent的Token使用量未必花很多钱，推理成本也在下降；她称OpenAI、Anthropic、DeepMind等关注和竞争的核心方向之一，是尚未解决、尚未定义的科学问题。解纳维—斯托克斯方程的Agent据称发出约270万条信息、消耗约1,300亿个Output Token；第三方按零售价估算约2,200万美元。
• 泓君的分层观察：普通人对Astra与上一代模型的区别“感知已经不大”，但前沿科学家对能力提升的感知很强；如果AI真的能制药，收益可能更可观。

10. 小模型能追上吗？王晟：提升主要来自Coding，不来自生物医学知识

• Bill向两位教授提问：30B左右的小模型经优化后，与Frontier Model在白领工作流上的差距正缩小；机器人和Science领域里，每代Frontier Model的提升有多大？
• 王晟的拆解：Astra在生物医学任务上的提升主要来自Coding、查文献和长程任务等通用能力，不是生物医学知识Benchmark的提升。模型越强，安全防范也越严，生物医学任务上更常拒答；他们内部一般用Kimi K3或Muse Spark 1.3。王晟说，能力增强后实际使用体验反而变差。
• 更深一层：现有生物医学Benchmark往往给定数据集和明确问题，像Kaggle数据科学比赛，最后退化为机器学习问题。王晟认为这些Benchmark定义不够好，大家追赶的方向和大模型进步的方向可能都不完全正确。

11. 机器人侧是定性飞跃，但快系统缺位

• 许华哲的对照：过去Opus 4.5、4.6和Fable的升级，在机器人测试上几乎没有定性变化；Astra则带来飞跃，许多机器人Benchmark因此失效。像RoboDojo这类受认可的机器人仿真Benchmark，Astra都成了第一名。
• 但长期一定需要更快的小模型：高动态任务如抖毛巾，Astra做不了——它知道要快速动一下，但只能写Code来做，直接输出动作还不行。许认为机器人本地模型最好小于10B；云端API可用于准静态任务，200毫秒甚至几百毫秒延迟可能可以接受，但倒水这类高动态任务，卡一下水就可能溢出来。

12. 分层这一刀切在哪：Astra把边界往下压了

• 原有共识是VLM做任务规划（例如做西红柿炒蛋，规划开冰箱、拿鸡蛋），具身小模型做具体动作。Astra的变化是能给出“把手往右伸2厘米”这样的低层指令；底层模型更像反射系统，听懂往左、往右。
• 许反对无限下压成端到端：一是速度，网上的Astra控制Demo常要加速到16倍或24倍；二是缺直觉物理，比如物体里有水可能会洒、玻璃可能会碎，这类即时反应可能仍需世界模型或快速模型。
• 慢的原因：模型大、CoT也长；Astra给出的CoT是加密的，许认为“可能是假的”，但内部思考很长而且冗余。面对简单和复杂任务时思考时长基本相似，泓君打趣说它是“内耗型人格”。

13. 实测短板：会分析，但不会熟练

• 筷子夹小球的对比：许的团队自家模型会连续尝试，速度快；Astra每一步都分析发生了什么、再决定怎么调整，更像人类思考，但速度慢，有时会陷入僵局；一旦分析错了，就可能无法继续推进。
• 许还观察到，Astra抓桌面物体时旋转能力较弱，需要反复尝试怎样旋转才能抓起并塞进墙上的小孔。
• 硬边界：双臂任务几乎做不了，叠衣服完全叠不了；在语言不太好描述的任务上能力不强。它的熟练曲线也有限：第一次做一件事花1小时，第二次45分钟，之后基本停在45分钟，不会像人或一些小模型那样持续变快。

14. 谁被冲击、谁被利好：从Sim-to-Real到数据标注

• 对Sim-to-Real路线，许直言“仿真复活”的说法有些Hype：Astra能把3D外观做得很好，但没有让物理引擎更准确，因此不直接让机器人更好用。它利好本体和硬件：斯坦福一个课题组约两周就把Astra接入类人机器人，让它在家做家庭任务并完成论文；本体质量足够好，就可能直接接Astra做Demo级任务。
• 大脑公司分两派：一派继续训练更快、更强的具身模型，也可能借鉴Astra的数据标注和CoT方式；另一派可能放弃自研大模型，专注使用Astra或把自己的产品做成工具，转向机器人部署。传统TAMP（Task and Motion Planning）也可能在Agent时代重新焕发生机。
• 标注的启发是“把里面的因果关系和直觉物理标注清楚”：没抓住是位置偏了还是物体太滑，过去只描述做了什么的正向标注不够。许转述的传闻是OpenAI只买不带标注的数据，可能因认为外部标注不准确、要在内部重标，或为保密。数据公司可卖靠规模的“生肉”，也可卖懂模型训练方式的“熟肉”；后者单价可能翻10倍甚至更高。

15. JEPA在机器人上表现很差

• 许华哲说JEPA自称System 1，和机器人原生模型有些相似，但他们试下来表现很差。JEPA本身不能输入图像，需先用视觉VLM等把图像转成状态再交给它；叠方块时常叠不起来或叠好后倒下。Astra能看出第一块歪了，让第二块反方向调整，JEPA没有这种能力。
• 许提到，他似乎看到OpenAI要发布一个类似JEPA、能输入图像的快速多模态模型，但还没试过。对Astra的心路则是从最初惊艳、逐步发现短板，到思考快慢系统怎样结合：“它已经出现了，你不能回避它，但它自己又有很多问题，你没有办法直接用它。”总体仍偏乐观，认为它照亮了许多以前没看到的方向。

16. AI制药：从Computer Use到Human Use

• 王晟提出，与AI控制电脑的Computer Use相对应，制药还需要Human Use——AI控制真实实验中的实验员和Technician去做实验。模型给出具体实验方案（温度、分子、湿度和条件）是现在做得不好、但很重要的能力；他估计完成度可能只有30%，而且需要深入的Domain Expertise。
• 饭店类比：给Astra番茄、鸡蛋、土豆，它可能仍提出做海鲜大餐的方案。模型缺的是了解现实中有什么资源，并据此协调和设计可行方案的能力。
• 王晟认为严肃的AI制药公司需要自己的实验室，积累数据并验证结果，还要重新设计流程，让湿实验配合AI：预先准备好实验条件，在AI预测后立即执行。否则AI提出方案、交给不了解模型的合作者重新设计实验，会很低效；模型迭代可能比真实实验还快。
• 周期账：细胞和老鼠实验需数周；猴子实验通常需4个月，有时做两轮共8个月。AI制药公司做完猴子实验后可把项目授权给大药厂，授权费通常在1,000万美元以上；做到这一步大概需要6到12个月。

17. 验证悖论、数据飞轮与Benchmark重构

• 核心悖论是：如果一个药物问题的答案已经知道，就没必要再研究；真正关心的问题没有现成答案，最终得靠湿实验验证。王晟认为，AI至今没有一个完全由AI开发并验证的药物，核心原因是现实反馈慢、受自然规律限制。AlphaFold刚带来蛋白质结构预测突破时，许多AI药物发现公司涌现，但大多仍受真实动物和人体实验限制。他认为药物研发周期通常是5到10年，现在还没走完一个AI时代药物的周期；现实反馈不可能从根本上消除，但可以加速。
• 关于开源，泓君提到AlphaFold 3开放了研究和数据；王晟强调开源工具对社区很重要，也提到当时许多机构尝试做AlphaFold开源版本，如OpenFold。他认为即使不开源，社区也会追赶。工具开源后，垂直科学AI公司仍能凭自有实验数据建立壁垒；一条“分子在老鼠身上到底能不能杀掉癌细胞”的数据，可能价值几万到几十万美元。
• 湿实验即服务正在成形：王晟举例说Adaptyv Bio与Anthropic合作，Anthropic生成预测后，它以MCP形式开展实验；公司刚融4,000万美元。Anthropic还办了以湿实验验证为标准的蛋白质设计比赛；王晟听说Anthropic也在组建湿实验团队、招聘有湿实验背景的人。John Jumper加入Anthropic。至于DeepMind与Isomorphic Labs如何分工，他说自己并不清楚，提出的可能性包括DeepMind做AI、Isomorphic做验证，或Isomorphic更多端到端完成。
• Benchmark应设计成没有明确上限的任务，例如当前较好的药物能杀掉30%的癌细胞，AI能否设计出能杀掉40%的药物，让实验持续形成数据飞轮。王晟观察到，进展快慢与实验周期有关：周期越短、反馈越快，模型越容易做好；酶和蛋白质方向可能迭代较快，衰老、罕见病等周期长且更专门的问题则推进较慢。酶可用于工业加工，例如把地沟油转成可食用油，或让洗衣粉在不同温度下保持活性。

18. 蒸馏之辩与三人的终局关切

• 针对“普通人连蒸馏价值都没有了”的说法，三人各有立场。许华哲认为机器人领域“每个人都是生活的专家，大家都值得被蒸馏”：有人擅长做饭，有人擅长叠衣服、走路或跳舞；也许一两年后才需要Gordon Ramsay级的大厨。王晟说知识层面AI更全面，但科学家仍需长期投入、支持和背书；他也在“蒸馏AI”，从AI学习跨领域知识。人还负责定义问题、表达希望AI解决什么，就像飞机能自己飞，人们仍希望有驾驶员。Bill认为真正该蒸馏的不只是技能，而是人如何从零学习；模型能否通过交互，一个月达到基础医生水平、三个月达到某领域教授水平，他们离这一目标还很远。
• 各自最关心的问题：Bill关注内存、RAM和VRAM昂贵，以及算力能否分散到个人和企业；他希望小一些、广度高的模型解决生活中80%到90%的问题，并与高度更高的AI for Science模型配合，缓解硬件和电力瓶颈。许关注零样本泛化：部署时应是“5个普通人”就能完成，而不是“5个PhD级别的人去工厂待3个月”；他预测2028年初通用机器人开始真正实用，并说如果玩过Astra和他们下个月可能推出的模型，或会觉得这一预测合理。
• 王晟畅想的新范式是，不再只是人写Prompt指挥AI，而是AI生成清晰、可执行的指令来调动现实资源。例如给AI10万美元，让它设计药物并规划实验，考虑一次老鼠实验要2,000美元、人体实验需要时间。未来仪器也可能为AI而非人设计：X光、CT等设备或直接把底层波形、信号给AI，跳过为人合成图像的步骤。AI要真正进入Science，需要理解现实世界，并利用真实资源解决难题。