GPT-6之后，具身智能走向何方？

近日，GPT-6 Astra发布引发行业对具身智能技术路线的广泛讨论，共识认为自回归架构正成为模型架构收敛方向，具身智能竞争核心转向数据与学习方式。9月24日，诺因（Knowin）发布面向通用具身智能的生成式学习架构GLOW技术报告，核心突破是实现机器人“一教就会”的任务学习能力。GLOW将人的一次完整操作、当前环境、机器人自身状态与执行历史放在同一条链路中理解，让机器人不只看到动作画面，还能捕捉物体、空间关系、动作顺序和状态变化，具备跨物体、跨环境、跨任务复用能力。其四大模块包括：KnowinGLOW统一多模态自回归模型，在同一模型内协同视觉理解、空间推理、任务规划与动作生成；KnowinDream合成具身经验引擎，生成多样化物理交互经验；KnowinWorld用于动作条件下的世界推演，预判碰撞风险、接触稳定性等；KnowinAgent（Harness）负责任务进度管理、执行反馈与动态调整，保障长程任务连贯稳定。在开盒收纳、浇水、擦桌、调酒等任务中，GLOW展示了人类演示一次后的跨场景迁移能力，如更换盒子或浇水壶后仍可完成动作，并可复现心形擦拭轨迹。评测方面，RoboDojo 18项仿真任务平均成功率62.2%，较GPT-6（Robocurve）基线高40个百分点；LIBERO-Pro单策略模型平均成功率86.7%，较GPT-6 Astra提升28.5个百分点，位列单策略模型第一；Embodied Arena具身问答榜中KnowinBrain-1.5综合得分65.62，排名第一。诺因表示将持续推进GLOW的物理学习与泛化能力，以规模化物理经验、统一架构和闭环执行走向物理世界。