回顾9月，AI领域频频爆出重磅消息。

9月4日，OpenAI推出了GPT-6 Astra。这份发布报告完全没有提及机器人的通用模型，却一举跃居机器人评测榜首，甚至导致一批机器人Benchmark直接作废。有人半开玩笑地说：机器人领域期盼多年的“GPT时刻”，最终来自GPT本身。

Meta Muse为每位用户配备了一台云端电脑，两周内就登顶美区App Store榜首；竞争对手Instinct在一个月内估值从25亿美元飙升至100亿美元。个人Agent掀起了新一轮烧钱获客大战，但它们能打开的网页，正在被逐一封锁。

在AI for Science领域，Claude仅用21小时就发现了一种结构类似CRISPR的新酶系统ART。AI圈为之振奋，因为AI开始进行科学发现了；生物界的反应却相对冷静，大家希望在实验室验证后再做判断。为何会出现这种反差？

当模型进化到普通人难以感知其进步时，研究者们的感受又是怎样的？本期《硅谷101》，我们邀请了三位分别深耕于Agent、机器人和AI制药领域的研究者——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，以及华盛顿大学计算机学院助理教授王晟，一起探讨三个核心问题：个人Agent商业化卡在何处？机器人如何被Astra这样的底层模型冲击？AI制药真正的瓶颈是什么？

以下是这次对话内容的精选：

前沿科学家视角：GPT-6 Astra进化了什么？

泓君： Astra发布后，你们有没有使用过这个产品？或者说，我们来看看网上的demo，大家觉得最让你惊艳的一个demo是什么？

许华哲： 因为我是做机器人的，我们测试了很多Astra在机器人任务上的能力。我们看到的第一个点是，它的适应能力非常强。比如，给它某个机器人本体，让它去做相应的事情，它很快会发现这个机器人的运动速度较快，或者它的运动空间是怎样的。比如它撞到桌子了，它会说，这个桌子蛮高的，那我是不是应该把手抬得更高一点？这实际上是把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。

另一个能力是自我更新、自我升级。因为它具备这种反思能力，它可以反复做同一件事，每次做得更好。这个在网上大家也看到了，有人用Astra操作一个机器人机械臂去画金门大桥，第一次画得比较差，但画完后它会思考如何画得更好，经过几轮迭代，就能画得非常逼真。

我们测试了很多其他任务，比如插花，这是一个经典的机器人任务。我们给它增加了一些难度：那朵花的茎被劈开两半，有点分叉。这时它会知道，因为分叉了，所以要捏住这个分叉，把它捏窄一点，再往里塞。这样的能力确实令人惊艳。

泓君： 它其实已经理解了一些物理世界操作的规范。

许华哲： 我觉得本质上还是理解3D，因为这件事它还是从三维尺寸层面就能做出一些理解，但这种理解已经能帮助到许多非动态的物理世界操作任务了。

泓君： 我看到网上还有一些很有意思的demo，他们在用Astra生成3D视频，速度非常快，渲染效果也很好。

许华哲： 这是Astra在机器人方面另一个令人震惊的能力：给它几张图片，它可以快速生成仿真。学术圈可能称之为Real-to-Sim。过去这需要拍摄大量视频照片，需要很多人手工标定修改。但现在，你给Astra这样一个指令，它很快就能把整个实验室或办公室的环境复现出来。你拿着这样的仿真，可以去训练你的机器人，从而在仿真上获得提升。

朱哲清： 我们是做模型公司的，Astra在发布时非常强调他们在后训练、模型开发等方面的迭代能力。实际测试后，并没有那么惊艳，但它在长程任务和迭代方面，确实比之前几版模型有更稳定的提升。与原有模型相比，它能够对上下文以及之前完成的任务有更稳定的认知，不会出现太多幻觉。所以从我们的体验来看，还是比较好的。

但可能有几个问题：速度相对较慢，也可能与当前用量很高有关。同时，在更长的任务上，比如让它跑一个晚上，幻觉仍然会发生。所以它并没有从根本上解决问题，但总体来说提升了不少。

我有朋友同时测试了一些前端和设计任务。从前端的审美和认知来看，我觉得有较大提升。可能是在训练时，对设计和审美方向有特殊训练。

泓君： Bill，这一轮Astra的发布，从模型对行业的影响来看，它跟当年Opus 4.6、4.7的发布相比，从Coding能力的进化来看，它是一个大的节点吗？

朱哲清： 单纯从Coding来说，可能没有那么大的节点。从4.5到4.6，当时我们的体感是几乎一种范式式转变：原来只能依赖它做短程Coding，改几个文件，做些简单小项目；到4.6那次模型后，基本上你会感受到工具调用几乎不会出错了，它去做一些长程的Coding任务，可以自主进行。

而现在Astra只是说可以做到更长程的任务，幻觉可以降得更低，审美变得更好。但它没有做到说，能解决一个以前完全解决不了的问题。

王晟： 我觉得是一个大的节点。我们现在已经都从之前Claude等系列模型切换到GPT-6 Astra来做我们的biomedical内部任务了。我主要做AI for Science，里面核心就是AI for一些biomedical的应用。

我们用Astra有两个特别好用的地方，一个是Computer Use，一个是一些长程的任务。

Computer Use方面，我们会用Astra来操作一些生物医学领域很多年前编写的软件。这些软件在领域内默认要使用，但它们其实都非常难用，界面设计得也不好，还有很多术语，所以对跨领域的人来说，使用成本非常高。

但是Astra的Computer Use功能，可以直接根据一些简单的prompt，就操作得比较好。而且我还可以跟它学习怎么用这个软件，毕竟在生物医学领域，很多人对AI工具的接受度比较低。Astra可能把这些软件对应的网上教程、别人之前用过的用户日志、一些反馈，全部以文字形式学进去了，所以它真的理解怎么用这些软件。

另一方面就是长程任务。我们生物医学这块，任务会比较复杂，有时会持续8至24小时，Astra会做得比较好。它比其他一些模型做得慢，但挺让我放心的，说明它可能会更深思熟虑一些。

我们现在一般切换着用：白天用一些反馈比较快的模型，到了准备让模型跑一晚上的时候，就用Astra来设计一个比较长程的pipeline或prompt。这也是它在AI for Science领域里比较值得信赖的一点。

泓君： 我没有想到Computer Use这个功能居然在AI for Science领域能帮助到大家这么多。

王晟： Astra在这次发布时做了两个生物医学的demo。其中一个就是Computer Use demo，这个demo在我们圈子内出圈了，大家发现，原来可以直接用Astra来操作一个生物医学的工具。它当时操作的一个工具叫MultiQC，是一个挺常用的网页工具。我们开始用这个功能，发现它比想象的要好用很多。其实Computer Use这个功能我觉得之前的模型也具备，只是大家没有开始真的思考怎么把它融入我们科研中的pipeline里面。

Computer Use回春：但商业化卡在了身份验证

泓君： Bill，你可不可以一句话解释一下，什么是Computer Use？

朱哲清： Computer Use是通过模型对视觉的理解，来决定agent下一步要在屏幕上点击哪个部分，或者输入哪些文字，来完成一系列任务。当它可以串联这么几十个动作时，就能完成一个最终人类想要达到的目的。

泓君： 就它跟API的区别是，你不用给接口，不用给密码，它直接像人一样去操作和使用电脑。

朱哲清： 就是它看到的是人类看到的屏幕，看到人类看到的UI，看到人类看到的所有视觉和可交互的界面。通过人类可以使用的电脑的输入输出设备来完成这些任务。

泓君： 我觉得Computer Use之前好像也有，为什么Astra的发布，又重新把Computer Use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（访问权限）的接口，很多APP也好，系统也好，都在做agent native（原生智能体）的setup。

但是最近，不管是Instinct也好，还是Meta Muse也好，背后其实都接了浏览器。有一个比较大的问题就是有很多第三方APP或Amazon也好，比如一些购物APP或旅行APP，它们其实不愿意开放API。

我觉得这又回到了当年Manus的情况：Manus最开始做了Browser Use（浏览器操作），后面很多别家也跟上，后来大家发现这个不是很高效。大家都回到Coding和API调用，现在好像有些东西避不开，又回到了Computer Use，所以我觉得最后有可能还是个mixture的状态。

我这边有一个比较有意思的看法，因为我们目前focus on相对比较小的一些模型，比如我们基本上现在发布的model都30B左右的模型，是可以在端侧和私有算力上进行的。比如我有一台小的AI box，或一台AI PC，它就可以跑这个模型了。

未来如果说这个Browser Use本身发生在你的机器上，而不是发生在云端，那就会改变Browser Use本身可能会给你带来的一个瓶颈。 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，去绕开IP校验。像Amazon、Expedia这些网站一般都说，如果是商用的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： 奢侈品网站很早以前就会都屏蔽掉。如果用的是你们家的网，就是你自己的IP，那就不会再被block了。所以这有可能成为未来一个破局的趋势，而这件事有可能会推动很多app厂商去改变它们的Browser Use机制，也就是说这个browser sandbox（浏览器沙箱）可能是在本地发生，而不是在云端发生。

泓君： 你这个观察非常有意思。最近非常火的一个toC消费级应用，就是Meta Muse，它们的定位是做一个个人的AI助手，它相当于给每个人做了一台云端的虚拟机，你的数据是存在一个在云端属于你的存储里的。根据你刚刚的理论，它其实还是商用的一个IP。它如果未来商业化的话，很有可能会被商家卡住这个IP。

朱哲清： Meta Muse从背后的虚拟机设置来说，其实跟当时的Manus很像，它也主打一个Browser Use，因为它很多使用场景跟旅行和购物有关，在这些use case之下，你没有办法通过API调用来完成这个任务，基本上都得最后靠浏览器。当时Manus其实走了一模一样的路，被全部block掉了，所以Manus到后期的时候，现在跟Genspark很像，都主打白领工作那一套。

你去看Claude Code、Claude Cowork、ChatGPT Work，最后都往白领工作效率这方面去偏移，核心原因就是因为很多东西一开始能做，但后面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屏蔽掉了，如果有更多网站加入进来，它可能能访问的网页和能操作的东西就越少。

朱哲清： 但它不可能把你电脑上的IP屏蔽掉，那你自己也上不了亚马逊了，所以这可能会是一个破局的机会。但我怀疑这件事会来回拉扯，在C端的这个agent，目前可能还不是特别ready。因为做Browser Use，对模型的需求其实挺高的。它很难在短期内拉出一个现象级的体量。

泓君： 那你会看好Meta Muse长远的发展吗？

朱哲清： 我觉得这波消费者最后一定会land到软硬件结合的状态。我觉得Meta如果能把wearable（可穿戴设备）做很大，有可能有机会。 为什么我觉得最后要land到软硬件结合的原因，是因为云端这件事不能代表这个用户本身，这也是为什么browser把它们完全block掉的原因，因为一旦换了个云端的虚拟机，它不能验证说这个人本身就是用户本身。

我觉得用户的ID或使用agent的那个用户的identity（身份）本身会是这一波toC的一个关键。 如果商家能确认这个agent就代表这一个人去做的操作，有可能很多商家会愿意做这件事。

但是现在如果用云端的虚拟机、云端的browser，它可能没有办法验证这件事，它会觉得我的流量入口被人剥夺了。比如我有一个用户，他本来就要访问我，他现在通过agent还是访问我，那对我来说可能是OK的。但如果原本一个用户，现在搞了20个agent，这20个agent的消费能力跟原来一样，这20个agent还不停比价，不停在我这边刷流量，把我所有的流量都弄乱了，对我来说是得不偿失的。

所以我觉得软硬件结合可能会是一个机会。如果这个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，是一个代表行为，我就会愿意把这个access开给你。

泓君： 大家在toB的工作流中会用xAI的Grok Bot吗？

朱哲清： 我自己身边用Grok Bot的人更多是在尝鲜，因为它相对比较主动一点。但是用Codex或Claude Code，其实都可以解决这些问题。真正把它接进工作流的，可能相对少一些。我自己身边好多真正在B端，比如法律、医疗，真正在那些传统企业里工作的人，现在还纠结于怎么逃出Microsoft Copilot的泥潭。 甚至不能freely使用Codex和Claude Code，就更别说要到Grok Bot这个级别了。所以我觉得整个行业现在分差非常大，走在前面的人什么都可以随便用，走在后面的人现在还在泥潭里挣扎。

Benchmark失灵：模型进步的方向，真的对吗？

泓君： 我最近跟比较前沿的模型研究员聊，听到一个很有意思的观点：他们认为现在在toC和消费级的agent上，token的使用量其实花不了多少钱。现在真正最烧钱的地方，是OpenAI、Anthropic、DeepMind这几家公司在竞争的核心领域——AI for Science。 就是那些未被解决、未被定义的科学问题，他们要去解那些数学题，或需要跑像王教授这样的一些生物实验，这非常非常烧token，而且是内部消耗量最大的一个方向。

比如，OpenAI解纳维-斯托克斯方程这个问题，它内部调用了一个更强的模型，大概用了1万个子agent，发了大约270万条信息，消耗了约1300亿输出的token。第三方按零售价给它算了一下，这部分消耗大概在2200万美元。

因为现在整个模型的进化，对普通人的感知已经不大了。但是对前沿科学家来说，他们对模型能力的提升，感知是非常大的。

朱哲清： 这里有点想问许教授和王教授。我自己主要做post training（后训练），focus on小模型多一些，因为我们想做本地私有化的模型。我们能看到的是，这个层次的模型，在我们优化之后，和frontier model的差距越来越小。

从AI for Science角度，或从robotics角度，frontier model在每一代迭代中，你们觉得会有多大的提升？

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，它的AI for Science能力确实有一个很大的提升。但这个提升主要来自于它的coding能力，这种一般的coding查文献、做长程任务的能力，并不是它对生物医学知识能力的提升。 有一些benchmark是专门测Biomedical knowledge知识层面的，Astra并没有提升。

我们现在实际用的时候，其实很难去使用Astra，或Opus、Fable，因为它们对生物医学的任务都会防范得越来越严，都会refuse to answer，这是非常严重的问题。 所以我们内部用的时候都是用Kimi K3或Muse Spark 1.3。当要用Astra时，都要用一些特殊的方式跟Astra说，我这不是在做危险的任务，只是设计一个benchmark等等。所以实际这种大模型的使用体验，随着能力的增强，其实是越来越差的。

还有一个点就是，刚才Bill说的很有道理，其实我也认可，就在各种已定义得很明确的AI for Science benchmark上，小模型确实可以和大模型的差距越来越小。但我个人觉得这些benchmark本身就不是定义得那么好，所以大家追赶的方向，包括大模型进步的方向，都可能不是完全正确的。

这些benchmark定义的时候，大家都会定义一个更好让AI模型去做的，比如有一个明确的生物数据集，要预测一个明确的问题，这和我们真的做的制药发现其实是gap非常大的。本质上这些现在的生物医学benchmark就是一个Kaggle这种数据科学的比赛，所以它退化成一个MLE-bench（机器学习工程基准）中machine learning的问题。那Astra这种在coding能力上的提升，就会在benchmark上有很大的进步。

许华哲： 我觉得从Robotics角度，Astra是一个飞跃式的提升。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。因为过去的所有升级，在Robotics的测试上，几乎都没有什么太好的表现，定性上没有变化。

但Astra现在带来的变化是它整个定性有变化，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，但它带来的这个能力，都是一个飞跃式的升级。

但是关于刚刚说的小模型和大模型这个问题，我倒是觉得，长期来说我们一定是需要一个小的、跟Astra能力相当的模型。原因是机器人的任务有时间要求，需要及时响应，需要有高动态任务。比如我要抖一条毛巾，这样的能力Astra是做不了的，因为它太慢了。它知道我要快动一下，但它只能写code来做，如果让它直出动作是没有办法的。在这种情况下，我们一定需要一个快决策的模型。只不过我们需要把现有的Astra的CoT，或它的reasoning能力，以及3D理解，要把它加进去。

机器人的GPT时刻，还差什么？

泓君： 所以你觉得未来机器人的方向会变成，大模型去做规划，小模型负责实施控制，这样的分层架构吗？

许华哲： 分层架构大家其实一直都还是比较认同的，只不过分层的这一刀，到底切在哪？ 怎么样的分层方式是大家一直有辩论的。比如原来大家普遍认为VLM（视觉语言模型）是做任务规划层，那这个任务规划层大概就是到，我跟你说我要吃西红柿炒蛋，那VLM规划的可能就是打开冰箱门，拿出什么西红柿，拿出鸡蛋等等，底下的小模型或具身模型，它会去执行打开冰箱门究竟怎么办？打鸡蛋怎么做？

但是，Astra这次它最大的一个变化是，它现在能做低层次的动作控制，相当于它给你的指令变成了把手往右伸两厘米，或把手放在冰箱门的把手上，如果没有抓住的话，它说那你再往前靠一靠……所以它相当于把这个层往下压了。

原来是大家边界很清晰的，但它现在说我能力非常强，除了慢以外，我可以往下压一点点。那底下的这个就更像是一个反射式的提线木