机器人倒一杯水，在视频里三秒钟演完。原力灵机联合创始人周而进给了个参照：让大模型写代码，写半小时、写一晚上都行；让机器人倒水，停三分钟，水已经倒完了。他最近接受界面新闻专访，谈的是通用大模型越来越强之后，专门做具身的模型还有没有必要。这问题听着像路线之争，落到工程上是一串能核对的时间数字。
先算那50毫秒
控制频率是整场对话里最硬的约束。周而进说，四足机器人可能以50到100赫兹控制关节电机，抓取一般10到20赫兹。20赫兹意味着每个控制周期只有50毫秒，推理必须在这50毫秒内做完。接下来多大参数的模型塞得进去，取决于手边有多少算力。
所以长期看，具身模型一定会有大小之分。他的说法是，模型都是通用的，但通用不等于只有一个，可以有4B、9B、30B等不同尺度，部署在云、边、端，按任务对控制频率的要求拼成一套系统。分层也好、双系统也好，本质是给反应速度要求不同的活配不同体量的脑子。
通用不会简单吃掉专用
GPT-6 Astra发布后，通用模型接入机器人已能理解指令、拆解任务、按步骤执行，“通用会不会取代专用具身模型”重新成为公开问题。周而进说他没有很大危机感，反而觉得是好事：通用模型变聪明，具身模型跟着水涨船高，通用知识可以吸进端到端方案，补上具身需要的那部分思考能力。
他举的例子是屏下指纹。大模型已经把图像感知类问题解得差不多了，手机上的屏下指纹到今天仍然是专用模型。越通用的模型消耗资源越多，落到具体场景要算功耗和成本。他的判断是，越往落地走，专项的东西反而越多。
这里要分清：这是受访者的判断，不是已经发生的定论。能站得住的是那层约束——资源有限、场景具体，通用能力不会自动等于可部署。
水面下的90%
他把落地拆成两截。在车厂装挡风玻璃，实验室里能装，搬到客户产线上也能装，这就算落地了吗？他说，可能只做完了10%。剩下90%在水下：对接客户的业务系统，准备兜底容错方案，跟上产线节拍。公司内部管这套外围基础设施叫Harness。用他的话说，本质上你是在改造客户产线，否则哪怕直播24小时也只是摆拍。
演示解决的是“能不能做一次”，产线解决的是“每一次都不出错、出错了有人接”。两件事的工程量差一个量级。
再往上一层，物理世界是反规模化的。虚拟世界可以加机器、开一万个环境并行、钱够就造十万个，一下提速十倍；物理世界一天只有24小时，水烧开就要那么久，关节电机转速有物理上限。一台真机跑通了，明天有钱开一千台也跑不起来。一台到两台、十台、一百台、一千台各有各的问题，中间还牵着人员管理和组织，时间的积累不可压缩。
先干物流，C端还早
评测上，他反对命题作文：到现场先调光照，把桌子换成实验室采集时那一张。他们的做法是in-the-wild，机器搬过来、模型装进去，随便换椅子换桌子，东西一扫就开始指挥干活。指令可能只是“把桌子收拾干净”，模型得自己拆；干到一半被倒进一堆垃圾，还得有条不紊地重新拆解。
对榜单，他的态度分三层：榜单出现是好事；榜上好不等于能落地，但连榜都不好肯定不行；再细抠一两分就偏离初衷，因为任何榜单都是命题作文。更好的衡量是三个维度——榜单、模型有没有被更多人用起来、到底在多少真实场景里干活。
第一个落地场景选物流。一是可复制，一个仓库里相似工位就有很多；二是这家公司此前在物流整体方案和Harness上有积累。今年的目标很明确：在几个核心头部客户上拿下订单，让机器人持续24小时运作。之后往工业、往商业门店走，逻辑是从更标准可控的环境走向更自由的环境。
C端他讲得更保守。20万元一台，有几个家庭负担得起；比成本更要紧的是安全，机器人挺重，砸一下可能就骨折，所以行业在往更小、更轻做。形态上大概率先从偏娱乐、能跟人交互的玩具起步，再慢慢到拿拖鞋、搬东西。
行业侧有另一组能对上的判断。2025年11月16日“2025人工智能+”大会上，多位业内人士把高昂成本、缺高质量行业数据、工程化能力不足、对大模型能力边界的认知偏差列为制约规模化应用的四道坎。面壁智能刘知远提到，模型能力密度大约每100天翻倍。阿里云霍嘉描述的现象很传神：往往业务领导对大模型充满绝对信心，反而是做技术的人对怎么落地非常担忧。
口径比口号有用
周而进不肯预测一两年后的变化，说那都是吹牛，三个月之后都预测不了。相对确定的是今年年底：在开放世界把智能和灵巧放在一起，让系统在Harness里跑30分钟到1小时级别的长程任务，能应对意外并做出正确判断。明年上半年做到这个状态，意味着机器人可以部署到真实物理环境，做更广泛的数据采集和业务尝试。
对通勤路上的人来说，这个口径比“具身是未来”好用。它说的是：机器人能不能干活，先看它多快反应过来，再看它愿不愿意替你改造那条产线。