自变量公司创始人兼首席执行官王潜在外滩大会主论坛上，就GPT-6等通用大模型在具身智能领域的应用前景发表了看法。他指出，虽然当前主流大模型已展现出对机器人设备的控制能力，但这并不代表其智能能力能够自然迁移至具身智能场景。
据王潜介绍，OpenAI和Anthropic等科技企业自去年初便开始系统性布局机器人数据体系。这些公司通过大规模采购工业场景数据、组建专业机器人团队、搭建小型数据工厂等方式，持续完善训练素材库。具备多模态处理能力的基础模型在吸收这类专项数据后，自然能够实现对物理设备的操作控制，这种技术演进路径符合行业认知规律。
"智能的本质存在于数据结构之中。"王潜用"蒸馏器"和"容器"比喻模型的作用机制：训练阶段通过算法提炼数据中的有效特征，部署阶段则将这些特征转化为实际应用能力。他特别强调，模型性能提升的关键不仅在于算力规模扩张，更取决于数据质量的持续优化。从数据采集、清洗到标注验证的完整链条，构成了当前AI系统进化的核心驱动力。
针对通用大模型可能对具身智能形成技术碾压的猜测，王潜认为这种可能性较低。他以编程能力发展为例指出，该领域的突破源于专业数据积累和验证体系完善，而非对话能力的自然延伸。数学计算与代码生成在训练过程中甚至存在特征干扰，需要分别构建专家模型后再进行融合。这种技术分野同样体现在视频生成与动作控制领域——尽管前者已取得显著进展，但尚未转化为对机器人控制的直接优势。
在王潜看来，通用大模型企业与专业具身智能公司的技术路线存在本质差异：前者试图将机器人数据融入通用框架，后者则专注于构建面向物理世界的专用模型。考虑到工业场景对实时推理和轻量化部署的严苛要求，专用模型在效率层面可能更具优势。不过他也承认，GPT-6等模型在机器人控制方面的实践，验证了通用数据预训练的技术价值。
针对行业此前存在的争议——在具身模型预训练阶段加入通用数据是否会影响专业性能，王潜给出了肯定答案。他以Astra项目的最新成果为例，指出跨领域数据融合非但不会造成干扰，反而能提升模型对复杂场景的理解能力。这为正在构建预训练体系的企业提供了重要参考：持续完善数据基础设施，在训练阶段引入更多元化的通用数据，将是提升模型泛化能力的有效路径。
