清华于超在访谈里提出一个核心判断,GPT-6 Astra 发布之后,具身智能有机会进入 Token 时代,这个新范式的核心变化是机器人不再单纯依靠本地模型反复调参训练来提升能力,而是依托云端大模型做任务规划、调用工具、检索外部记忆,用 Token 交互的方式完成物理世界任务,HarnessVLA 就是她团队用来验证这条路线的框架,这套思路也和现在 Agentic Robotics 的研究方向相互呼应,正在改变大家对机器人训练方式的认知。过去主流具身智能路线,是训练端到端 VLA 模型,靠大量机器人实操数据微调模型参数,一旦环境变化、任务改动,模型就要重新训练,成本高、迭代慢;而 Token 时代的具身智能,把高层规划交给大模型,底层控制留给专门的动作模块,机器人和大模型之间用文本、状态描述这类 Token 传递信息,通过记忆库留存过往操作经验,遇到失败还能自动重试,不用每次都重新训练整个模型。整套运行流程,就是机器人采集环境画面、状态信息打包成 Token 传给云端大模型,大模型拆解任务、输出规划指令,下发给底层控制模块执行动作,执行结果再回传,形成闭环。当然这个路线不是直接解决所有问题,仿真和现实的鸿沟、真实场景数据采集效率、端云之间的延迟,都是现阶段绕不开的硬难题。
具身智能 Token 时代和传统 VLA 路线对比
| 对比项 | 传统端到端 VLA 具身路线 | Token 时代具身智能路线 |
|---|---|---|
| 能力提升方式 | 大量实操数据微调模型参数 | 大模型规划 + 外部记忆检索,以 Token 交互为主 |
| 迭代成本 | 新任务、新环境需要重新训练,成本高 | 新增任务优先靠提示词、记忆调取,不用重训模型 |
| 分工结构 | 单一模型同时负责理解、规划、动作输出 | 分层架构:大模型做高层规划,专用模块负责底层控制 |
| 泛化特点 | 分布外场景容易失效,误差持续累积 | 依托大模型的推理能力,跨任务泛化潜力更强 |
| 延迟压力 | 全部计算在端侧,算力上限受硬件限制 | 依赖云端通信,存在网络延迟风险 |
HarnessVLA 框架核心能力清单
- 引入 Coding Agent 作为高层规划器,负责拆解复杂机器人任务
- 分层调度:VLA 模型负责密集接触操作,基础原语处理非接触动作
- 外部记忆模块,保存历史操作经验,任务失败时自动重绑定目标、重试
- 兼容多款主流基座模型,不绑定单一模型,通用性强
- 在扰动评测数据集上,相比原有基线方案成功率明显提升
Token 时代具身智能完整运行流程
- 机器人传感器采集图像、力控、位置等环境状态,转换成结构化 Token 信息
- 状态 Token 上传云端大模型,大模型理解目标,拆解成多步子任务
- Agent 规划器调用记忆库,检索过去同类任务的成功经验
- 下发动作指令给底层控制模块,机器人执行物理操作
- 采集执行反馈,把结果 Token 回传给大模型,判断是否完成任务,失败则启动重试
当前路线现存短板
- 仿真到现实的迁移 gap 依旧很大,仿真里有效的策略放到真实环境容易失效
- 端云传输带来延迟,对需要高速实时响应的机器人任务不友好
- 真实世界机器人数据采集成本很高,规模化部署的硬件门槛没有降低
- 记忆库管理、状态 Token 的标准化格式还没有统一行业规范
- 大模型规划出错时,底层机器人缺少自主兜底的安全机制
总结
按照清华于超的观点,GPT-6 带来的强规划能力,为具身智能打开 Token 时代这条新路线,核心是从 “训练模型” 转向 “用 Token 交互、调用记忆与工具完成任务”,HarnessVLA 框架已经验证了分层协同思路的可行性。但这只是一个新的研究方向,不是成熟落地方案,物理世界的不确定性、通信延迟、真实数据稀缺,依然是具身智能走向规模化商用的核心阻碍。
【常见问题】
问题 1:清华于超所说,GPT-6 之后具身智能进入 Token 时代是什么意思?
回答 1:清华于超提出的 GPT-6 之后具身智能 Token 时代,指机器人不再以调参训练为核心,而是通过 Token 和云端大模型交互,依靠大模型做任务规划、调取记忆完成物理任务。
问题 2:清华于超团队的 HarnessVLA,和具身智能 Token 时代有什么关系?
回答 2:清华于超团队提出 HarnessVLA 框架,是验证具身智能 Token 时代思路的实验方案,用 Agent 承担高层规划,搭配外部记忆,实现分层协同的机器人任务执行。
问题 3:进入 Token 时代之后,具身智能机器人还需要本地 VLA 模型吗?
回答 3:在清华于超描述的 GPT-6 之后具身智能 Token 时代路线里,机器人依然保留本地 VLA 等底层模块,主要负责精细动作执行,高层推理规划交给云端大模型。
问题 4:GPT-6 助力具身智能走向 Token 时代,现在最大的瓶颈是什么?
回答 4:GPT-6 推动具身智能走向 Token 时代,现阶段最大瓶颈是仿真和现实的差距、端云通信延迟、真实场景机器人数据采集成本高,还缺少统一的状态 Token 标准。
【参考资料】
[2026-11-16](对话清华于超:GPT-6 之后,具身智能或进入 Token 时代)DeepTech 深科技
[2026-11-16](对话清华于超:GPT-6 之后,具身智能或进入 Token 时代)新浪财经
[2026-07-23](具身智能或进入 token 时代,清华团队提出 HarnessVLA 引领范式变迁)Book 学术
[2026-08-06](清华于超专访丨具身智能下一步,走向 “模型 + 系统” 协同)智源社区
【免责声明】
本文仅为访谈观点与学术研究资讯整理,清华于超提出的 GPT-6 之后具身智能 Token 时代属于前沿研究判断,相关技术路线仍处于实验验证阶段,不代表行业落地时间表,不构成机器人项目投资、技术选型建议,相关研究结论以团队官方论文及访谈原文为准。
