自变量创始人兼CEO王潜在外滩大会主论坛上，就GPT-6能否在具身智能领域占据主导地位发表了看法。他指出，尽管通用大模型展现出一定的机器人控制能力，但这并不意味着其智能可以自然延伸至具身领域。王潜认为，具身智能与其他领域的智能存在本质差异，不能简单通过通用模型的能力迁移来实现突破。
据王潜介绍，当前主流大模型已融入大量机器人相关数据。自去年初以来，OpenAI和Anthropic等机构通过采购机器人数据、招募专业人才、建立小型数据工厂等方式，持续完善训练基础。这些模型本身具备多模态处理能力，加入机器人数据后实现控制功能并不意外，但这并不代表它们已具备具身智能的核心竞争力。
王潜强调，智能的本质源于数据积累。大模型在训练阶段如同"数据蒸馏器"，通过提炼信息形成能力；在部署阶段则成为"能力容器"，承载训练成果。他指出，模型性能提升不仅依赖规模扩张，更取决于数据质量的优化。从数据生产到标注验证的完整链条，才是推动AI系统进步的关键因素。
针对具身智能领域的发展路径，王潜认为，即使OpenAI等机构进入该领域，仍需构建完整的数据采集、仿真验证体系，并在真实环境中进行测试，同时解决硬件适配问题。这些基础性工作不会因基础模型的优势而简化，反而可能使专注具身智能的企业形成独特优势。"如果只是重复这些流程，它们本质上与其他具身智能公司并无区别。"王潜表示。
对于通用智能能否对具身智能形成"降维打击"的质疑，王潜通过多个案例进行反驳。他指出，编程能力的突破源于专业数据积累而非对话能力迁移，数学能力提升也需要独立训练专家模型。即使视频生成模型表现优异，其技术优势也未自然转化为机器人控制能力。这些现象表明，不同领域的智能发展存在显著路径差异。
在模型架构选择上，王潜认为通用大模型公司与具身智能企业将呈现分化趋势。前者倾向于将机器人数据融入通用模型，后者则专注构建具身领域专用模型。考虑到机器人对实时推理和部署效率的严苛要求，专用模型在特定场景下可能更具优势。这种分化反映了不同技术路线对应用需求的适应性差异。
尽管对技术路径保持审慎态度，王潜也肯定了通用数据预训练的价值。他以Astra项目为例，说明在具身模型训练中引入通用数据能够产生积极效果。这改变了业界此前对通用数据可能干扰模型效果的担忧，为具身智能企业的数据策略提供了新思路。王潜建议相关企业应持续完善数据基础设施，在预训练阶段合理扩大通用数据比例。
