导语：全球最聪明的大模型第一次进了仿真机械臂。50次任务，它只成功了13次——不是不够聪明，是"知道怎么做"和"真的做得成"，中间隔着一道鸿沟。
2026年9月，OpenAI发布了号称"全球最智能"的模型GPT-6Astra。几乎同时，国内具身智能公司银河通用的研究团队做了一件事：把它接进仿真双臂机械臂，看看这个在数字世界里登顶的大脑，在物理世界里到底能干活干成什么样。
一份匿名挂在GitHub上的实验报告，把结果摆了出来。看完这组数据，你对"AI到底行不行"的判断可能要改一改。
三组数字，把问题说透了
第一组：让GPT-6Astra直接控制机械臂，不借助任何专用动作模型。50次任务，成功13次，成功率26%。
第二组：换一种分工——让机器人动作模型π0.5负责出手，GPT-6Astra在旁边当"裁判"：看清画面、判断动作对不对，必要时修正一下。同样的50次任务，成功24次，成功率48%，平均分从37.8涨到62.6。
第三组：这种分工里，GPT-6Astra真正出手纠正的动作，只占全部控制步骤的14.4%。
也就是说，大脑只改了不到15%的动作，机器人的整体成功率几乎翻了一倍。剩下85%的体力活，全是那个专用动作模型干的。
它不是不行，是用错了地方
再看另一组任务——辨认物体、按语言分类、把积木按顺序摆好这类"动脑子"的活。
这时候GPT-6Astra直接上手，50次成功49次，成功率98%，碾压所有专用机器人模型。反倒是一加动作模型帮忙，成绩还掉到了92%。
这个反差很关键。
GPT-6Astra最擅长的，是"想"：看懂指令、认出目标、判断空间关系，发现抓歪了、东西漏了，会停下来重新观察、重新规划。这些认知层面的活，通用大模型一骑绝尘。
但轮到"做"：木块放下去塔会不会倒、麻将牌推不推得准、衣服折得整不整——这些需要手感的地方，大模型立刻露馅。搭塔任务它只拿了12分，麻将杠牌直接0分。它知道木块该放哪儿，却保证不了松手的那一刻塔不塌。
这像极了读了一百本游泳书的人
打个比方。一个把游泳理论背得滚瓜烂熟的人，第一次跳进泳池，能讲清楚自由泳的每一个动作要领，但真下水还是会沉。
"知道该怎么做"和"身体真的做得到"，中间隔着成千上万次的练习。
机器人也一样。通用大模型的"经验"来自文本和图像，它理解世界靠的是语义；而机器人要的是手感——接触、摩擦、力度、稳定性，这些东西它从来没在真实物理世界里练过。报告里一个细节很说明问题：GPT-6Astra甚至试过用机械臂把整个瓶子扫进桶里，思路挺巧妙，动作却稳不住。
所以这份报告真正的结论，既不是"大模型无所不能"，也不是"大模型不行"，而是：认知和执行，是两种完全不同的能力，谁也替代不了谁。
放到企业里同样成立
把视线从机械臂移开，会发现同一套结构在组织里天天出现。
一个团队对外呈现的内容体系，真正需要判断的部分其实很少：口径怎么定、哪几条信息必须唯一、哪些内容优先更新。而执行的部分占比极大：把已经定好的信息整理、更新、按节奏发布，动作重复、标准明确、不需要每次重新决策。
问题常常出在这里：该判断的没被认真定一次，该重复的却每次都在重新商量。结果是判断成本被重复消耗，执行又因为标准不一致而返工。把少数判断固定下来，让多数执行按节奏跑，是这套体系能长期运转的前提。
更值得留意的是复利那一层：判断定得准、执行跟得久，这些内容会一层层累积成别人抄不走的资产——今天写下的东西，三年后还在替这家公司说话；而一次性的漂亮产出，三个月后就没人记得了。
3个可以对照的标准
1.判断是否被定过：那些「一年只需要认真想一次」的事，有没有明确的结论和留存下来的版本？
2.执行是否有节奏：重复性的动作，是否有固定节奏和固定责任人，而不是想起来才做？
3.沉淀是否在累积：今天做的事，三年后是否还留在那里、还能被检索到？
结语
回到那两个比例：14.4%的判断，85.6%的执行。少数判断决定方向，多数执行决定能不能走远。一份实验报告之所以值得反复读，是因为它把这件事量化了——能力的差距，很多时候不来自更聪明，而来自分工是否被安排对了。
留一个开放问题：如果把这条比例套到自己的团队，那14.4%的关键判断，现在是谁在负责，又有多久没有重新核对过？
上个月一位做企业的朋友搭了个GEO官网，把企业知识库输进去，现在每天客资都在涨，这套方法公众号「智扣AI」免费分享。