商汤的1/50成本：一场具身智能的降维实验

近日，商汤科技旗下SenseNova联合研究团队在arXiv平台发布技术报告，系统评估了OpenAI的GPT-6-Astra在具身智能任务中的实际表现，涵盖12项仿真基准和8个真实机器人平台。测试结果本身已值得关注：在放宽交互步数限制（提升至标准预算的10倍）并允许上下文学习的条件下，GPT-6-Astra在多项仿真基准上接近或达到饱和水平，RoboDojo任务成功率达到81.9%——该数据对应10倍步数预算下的表现，而标准预算下同一基准的成功率仅为27.6%。然而，在真实机器人平台上，长程任务、跨任务泛化及柔性物体精细控制仍存在明显不足。

更值得分析的是商汤同步采取的另一步骤：开源日日新SenseNova-RoboRSI执行框架及其配套的27B具身模型，声称可将任务完成成本降至GPT-6-Astra直接调用的1/50。据商汤披露，这一数据源自其内部测试，尚待第三方验证；它衡量的是叠碗、装笔等特定任务在扩展预算条件下的成本压缩，并非通用成本基准。

GPT-6-Astra在扩展预算测试中的成本可量化：叠碗平均耗时131分钟，推理费用约19美元；将笔装入笔筒平均耗时263分钟，推理费用约55美元。1/50意味着，同样任务下，商汤的开源方案可将成本压至不到1美元。但这一换算的适用范围需明确：它针对的是商汤设定的扩展预算条件下特定任务的成本压缩，不等同于跨场景或跨任务类型的通用成本基准。

这并非单纯的学术开源行为。它发生在商汤发布上市以来首份IFRS盈利中报后的两个月，正值资本市场对其估值逻辑存在激烈分歧之际。商汤正以一种极为务实的方式，回应一个它长期回避的问题：在自身主业尚未完全实现经营性盈利的情况下，如何在一个更大的技术叙事中重新定位自身。

从“卖模型”到“做生态”的战略转移

商汤2026年上半年的财务结构是理解这一动作的前提。

上半年收入29.1亿元，同比增长23.4%；IFRS净利润6.17亿元，上市以来首次转正。但这一利润的构成需前置说明：推动IFRS盈利的主要因素并非经营性利润全面转正，而是“其他利得净额”21.27亿元，其中包含出售附属公司利得5.21亿元和按公允价值计量的金融资产未变现利得12.49亿元。剔除这些项目后，Non-IFRS经调整亏损仍有3.86亿元，主业尚未跨过经营性盈亏平衡线。换言之，“首次盈利”的信号意义大于实质性的经营质变。

与此同时，商汤的收入结构已完成从视觉AI向生成式AI的切换：生成式AI收入23.27亿元，占集团总收入79.9%；传统视觉AI收入4.97亿元，占比收缩至约17%。Token服务量快速膨胀，大装置业务推进国产异构算力的规模化商用，但Token工厂的重资产逻辑意味着，规模增长与利润改善之间始终存在一道需持续验证的裂缝。

在此节点，具身智能被推至前台。

逻辑并不复杂。生成式AI的竞争格局已高度集中，商汤面对阿里、字节、DeepSeek等对手在模型能力和定价权上的全面压制。Token工厂的生意本质是算力租赁加模型服务的混合体，规模可做大，但利润率弹性受制于上游算力成本和下游客户议价。而具身智能——或“物理世界的AI”——仍是一个标准未固化、格局未收敛的赛道。在此阶段介入，用开源方式建立开发者生态和技术标准影响力，是一种以极低成本撬动长期生态位的手段。从战略上看，这是一次以开源换生态位的尝试，成败取决于社区是否真正采用。

商汤选择的切入点并非制造机器人本体，也非进行通用具身大模型跑分竞赛，而是“让具身任务变得便宜”。RoboRSI框架的设计思路清晰：将每个仿真基准及其依赖项打包成独立Docker镜像，通过统一HTTP API暴露环境交互和原生评分接口，研究者仅需一个配置文件即可运行端到端评测，无需手动搭建每个仿真器。27B模型的定位是将经过验证的经验“内化”到模型权重中，减少试错次数。据商汤披露，RoboRSI-27B在RoboCasa365上的成功率从26.0%提升至46.5%，同时Token使用量减少73.3%；该结果来自商汤自身评测，且RoboCasa365为仿真基准，向真实物理环境的迁移能力仍待验证。

这套组合的目标不是“最强”，而是“最可用”。在具身智能从实验室走向真实场景的过程中，成本而非跑分，正成为真正的瓶颈。商汤的方案能否真正解决这一瓶颈，还需看实际部署和复测。

1/50的成色：数字背后的限定条件

1/50是一个极具传播力的数字，但需放在具体测试条件下理解。

商汤的对比基准是GPT-6-Astra在“扩展预算”条件下的推理成本。GPT-6-Astra的失败模式中，相当一部分并非“不会做”，而是“停止得太早”——在RoboDojo的9个任务中，原本5次全失败，仅允许模型继续交互、将步数上限提高10倍，就变为5次全成功。这意味着，GPT-6-Astra的推理成本中有很大部分消耗在反复试错和超长步数探索上。

RoboRSI的降本逻辑，本质上是利用“预训练的经验”替代“推理时的试错”。27B模型将经过评测验证的任务模式固化到权重中，使模型面对新任务时无需从零开始反复交互。商汤自身表述为“将经过测试的经验构建到模型权重中，使其需要更少的试错”。

这解释了1/50的成色：它衡量的是特定具身任务（如叠碗、装笔等短程操作）在特定评测条件（扩展预算、仿真基准）下的成本压缩，而非通用或跨场景的成本基准。商汤也承认，成本“仍是一个问题”。在长程任务、跨任务迁移和真实机器人平台上的精细控制方面，瓶颈并未因开源一个27B模型而消失。

开源作为战略工具：商汤在赌什么

商汤在此节点选择开源，有其特定战略考量。

第一，具身智能的生态位尚未被锁定。与生成式AI不同——后者已有明确头部模型和定价体系——具身智能的软件栈、评测标准和执行框架仍在早期。在此阶段开源一个可复现的评测框架和配套模型，是在争取成为“被默认使用的工具”。一旦RoboRSI成为研究者复测和对比具身能力的常用入口，商汤就在该赛道上获得非排他性影响力。关键在于社区是否真正采用。

第二，开源是对冲主业估值压力的低成本手段。商汤市值较上市峰值缩水逾八成，市场对其“Token工厂能否独立盈利”的耐心仍在消耗。具身智能提供了一个新叙事支点：一家在视觉AI时代积累感知和空间理解能力的公司，在物理AI早期阶段，具有技术上的邻近性。这种邻近性能否转化为商业竞争力，仍需商业验证，但至少为资本市场提供了一个区别于“又一个亏损的大模型公司”的差异化标签。

第三，商汤的财务结构决定了它无法在具身智能上重复Token工厂式的重资产投入。开源框架和27B模型的研发成本，远低于自建万卡集群训练千亿参数具身大模型。这是一种用工程效率和生态策略替代资本密度的打法，与商汤当前资源约束匹配。

结语：从“证明能赚钱”到“证明还有位置”

商汤2026年的故事正经历一次重心转移。

上半年的IFRS盈利，解决的是“这家公司会不会在财务上倒下”的问题——准确地说是“在报表层面会不会倒下”，而非“主业是否已具备自我造血能力”。Non-IFRS亏损收窄至3.86亿元，Token服务量膨胀，大装置推进国产算力规模化商用——这些是生存层面的进展。但资本市场定价不只关乎生存，还关乎一家公司在技术演进下一阶段中是否仍拥有不可替代的位置。

RoboRSI的开源，是商汤对此问题的首次正式回应。答案的成色不取决于1/50这个数字在传播上的冲击力，而取决于三件事：该框架能否被具身智能研究社区真正采用，27B模型在实际机器人任务中的泛化表现能否经得起独立复测，以及商汤能否在开源生态与商业变现之间找到一条不依赖Token规模膨胀的路径。

具身智能的窗口不会永远敞开。商汤用开源换来的时间，需用生态厚度来兑现。而在兑现之前，1/50仍是一个需验证的承诺，而非已落地的结论。

本文来自微信公众号“Tech商业”，作者：Tech商业，36氪经授权发布。