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，虽然通用大模型展现出控制机器人的能力并不令人意外，但这并不代表其他领域的智能技术能够直接迁移到具身智能领域。
据王潜介绍，目前主流的大模型已经吸收了大量机器人相关数据。自去年年初以来，OpenAI和Anthropic等公司不仅大规模采购机器人领域的数据，还积极招聘相关人才，并通过小规模数据工厂进行数据采集。这些具备多模态能力的模型在加入机器人数据后，能够实现对机器人的控制，这一结果符合技术发展逻辑。
在王潜看来，智能的本质存在于数据之中。大模型在训练过程中扮演着"数据蒸馏器"的角色，通过提炼数据中的能力，并在部署时承载这些能力。他强调，模型性能的提升不仅依赖于规模扩大和基础设施升级，更取决于数据质量的持续改善。数据生产、筛选、验证和标注等环节的优化，是推动AI系统进步的关键因素。
针对通用大模型是否会对具身智能形成"降维打击"的问题，王潜认为这种可能性较低。他以编程能力为例说明，这种能力的突破并非源于对话能力，而是得益于大量专业数据和完善的验证体系。数学能力与编程能力在训练过程中甚至存在相互干扰的情况，需要分别训练专家模型后再进行融合。同样，视频生成模型的出色表现也未直接转化为机器人控制的优势。
王潜分析指出，通用大模型公司与具身智能企业的主要差异在于发展路径：前者倾向于将机器人数据融入通用模型，后者则专注于构建面向具身领域的专用模型。考虑到机器人对实时推理和高效部署的特殊要求，专用模型可能更具优势。不过他也承认，这种技术路线选择需要企业根据自身资源和发展阶段做出判断。
尽管存在差异，但王潜认为GPT-6在机器人控制方面的表现为行业提供了重要启示：通用数据预训练策略具有实际价值。他特别提到Astra项目的实践，证明在预训练阶段加入通用数据不仅无害，反而能提升模型性能。这为正在进行预训练的具身智能企业指明了方向——持续完善数据基础设施，扩大通用数据在预训练中的应用比例。
