最近了解了 OpenAI 用 GPT-6 Astra 去做 robotics，有些想法想探讨。我本人不做 robotics，纯粹从 LLM Infra 角度瞎想了一下，听听业内朋友的看法。

一、Workload 更复杂？我感觉具身的 workload 比 agent 复杂很多，毕竟物理世界远比文本 token 复杂，包括各种视觉、触觉、空间和运动状态等很多信号，怎么处理这些 workload？

二、Context 怎么管？workload 复杂性决定了 context 管理。LLM 有 KV cache hit，可是 robotics 几分钟后场景就完全不一样了，cache hit 怎么做？如果维护一个 latent space，又怎么保证不会丢失细节？因为如果上真机，我觉得会对损失的信号比较敏感。

三、RL 更难做？具身 workload 也决定了其 workspace 比 agent 大很多，面对一个复杂任务时是不是很难做 RL？而且真机的错误往往不可逆，会不会让 RL 探索逻辑偏于保守，从而放弃那些（对 robot 来说）高风险但极有价值的事情？

四、端侧 vs 云端？端侧 memory、功耗以及带宽有限，光小模型权重 + KV cache 就对芯片压力很大；云端必定受到网络波动、延迟以及成本影响。如果一个家居机器人耗费了几十亿 token 只是去打扫卫生，未免过于昂贵，给普通人带来的收益远低于用来 coding。

五、嗯这个想得比较远了：如果做云端的话，安全会有问题吗？现在 LLM agent 能用 RCE 黑进系统的能力太强，如果坏人遥操作机器人去伪装事故怎么处理？比如遥操作家居机器人，晚上故意让煤气泄漏。

欢迎业内朋友留言讨论。