近日，商汤SenseNova联合研究团队在arXiv上发布了一份技术报告，系统评测了OpenAI的GPT-6-Astra在具身智能任务上的真实能力，覆盖12项仿真基准和8个真实机器人平台。测试结果本身已经足够值得讨论：在放宽交互步数限制（提高至标准预算的10倍）和允许In-Context Learning之后，GPT-6-Astra在多项仿真基准上逼近甚至触及了饱和线，RoboDojo任务成功率达到81.9%——这一数字对应的是10倍步数预算下的表现，标准预算下同一基准的成功率为27.6%。但在真实机器人平台上，长程任务、跨任务泛化和柔性物体精细控制，仍然是明显的短板。

更值得拆解的，是商汤同步做出的另一个动作：开源日日新SenseNova-RoboRSI执行框架及配套的27B具身模型，声称将任务完成成本压低至GPT-6-Astra直接调用的1/50。据商汤披露，这一数据来自其自身测试，尚待第三方复测；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，并非一个普适的成本基准。

GPT-6-Astra在扩展预算测试中的成本是可以量化的：叠碗平均耗时131分钟，推理费用约19美元；把笔装进笔筒平均耗时263分钟，推理费用约55美元。1/50意味着，同样的任务，商汤的开源方案可以将成本压到不到1美元。但这一换算的适用范围需要明确：它衡量的是特定任务在商汤设定的扩展预算条件下的成本压缩，不等同于跨场景、跨任务类型的普适成本基准。

这不是一个单纯的学术开源动作。它发生在商汤刚刚交出上市以来首份IFRS盈利中报的两个月后，发生在资本市场对其估值逻辑仍在激烈分歧的节点上。商汤在用一种极其务实的方式，回答一个它回避了很久的问题：在自身主业尚未完全跑通经营性盈利的情况下，如何在一个更大的技术叙事中，重新找到自己的位置。

从“卖模型”到“做生态”的战略位移

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，上市以来首次为正。但这一利润的构成需要前置说明：推动IFRS盈利的主要因素并非经营性利润的全面转正，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，商汤的收入结构已经完成了从视觉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服务量在快速膨胀，大装置业务在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，规模的增长和利润的改善之间始终存在一道需要持续验证的裂缝。

在这个节点上，具身智能被推到了前台。

逻辑并不复杂。生成式AI的竞争格局已经高度集中，商汤面对的是阿里、字节、DeepSeek等对手在模型能力和定价权上的全面压制。Token工厂的生意本质上是一门算力租赁加模型服务的混合体，规模可以做大，但利润率的弹性受制于上游算力成本和下游客户议价。而具身智能——或者说“物理世界的AI”——仍然是一个标准尚未固化、格局尚未收敛的赛道。在这个阶段介入，用开源的方式建立开发者生态和技术标准的影响力，是一种用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，不是去造机器人本体，也不是去做通用的具身大模型跑分竞赛，而是“让具身任务变得便宜”。RoboRSI框架的设计思路很清晰：将每个仿真基准及其依赖项打包成独立的Docker镜像，通过统一的HTTP API暴露环境交互和原生评分接口，研究者只需一个配置文件即可运行端到端评测，不需要手动搭建每个仿真器。27B模型的定位则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，成本而不是跑分，正在成为真正的瓶颈。商汤的方案能否真正解决这一瓶颈，还要看实际部署和复测。

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，但它需要放在具体的测试条件下理解。

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，有相当一部分并非“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，仅仅允许模型继续交互、将步数上限提高10倍，就变成了5次全成功。这意味着，GPT-6-Astra的推理成本中有很大一部分消耗在了反复的试错和超长步数的探索上。

RoboRSI的降本逻辑，本质上是在用“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，使得模型在面对新任务时不需要从零开始反复交互。商汤自己的表述是“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：它衡量的是一类特定具身任务（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，而不是一个普适的、跨场景的成本基准。商汤也承认，成本“仍然是一个问题”。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，瓶颈并未因为开源一个27B模型而消失。

开源作为战略工具：商汤在赌什么

商汤在这个节点选择开源，有其特定的战略考量。

第一，具身智能的生态位尚未被锁定。 与生成式AI不同——后者已经有了明确的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。在这个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，商汤就在这个赛道上获得了一种非排他性的影响力。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。 商汤的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”的耐心仍在消耗中。具身智能提供了一个新的叙事支点：一家在视觉AI时代积累了感知和空间理解能力的公司，在物理AI的早期阶段，有一种技术上的邻近性。这种邻近性能否转化为商业上的竞争力，仍需商业验证，但它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去训练一个千亿参数的具身大模型。这是一种用工程效率和生态策略替代资本密度的打法，与商汤当前的资源约束是匹配的。

结语：从“证明能赚钱”到“证明还有位置”

商汤2026年的故事，正在经历一次重心转移。

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“主业是否已经具备自我造血能力”。Non-IFRS亏损收窄至3.86亿元，Token服务量在膨胀，大装置在推进国产算力的规模化商用——这些是生存层面的进展。但资本市场的定价，从来不只关乎生存。它关乎一家公司在技术演进的下一阶段中，是否还拥有一个不可替代的位置。

RoboRSI的开源，是商汤对这个问题的第一次正式回答。答案的成色，不取决于1/50这个数字在传播上有多大的冲击力，而取决于三件事：这个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，需要用生态的厚度来兑现。而在兑现之前，1/50仍然是一个需要被验证的承诺，而不是一个已经落地的结论。