OpenAI撤销独立机器人团队：年薪50万美元招人后为何调整

凤凰网科技 出品

11月13日，机器人学习大会CoRL在美国奥斯汀举行，OpenAI预订的208号展位却空无一人。

大会展位图上OpenAI的名字还挂着，但公司标识和产品展示都没了踪影。

之后OpenAI向《财富》证实，独立机器人研究团队已被撤销。

原来做机器人研究的人，转去了首席研究官Mark Chen带领的核心研究部门；做机器人应用和硬件的人，则进了总裁Greg Brockman分管的Applied部门。

OpenAI的说法是，机器人依然属于公司长期技术愿景的重要一块，这次调整意在让研发跑得更快。

这事来得挺突然。

就在今年9月，OpenAI还在大举招机器人研发人员，有的岗位基本年薪开到50万美元。年初时，公司旧金山机器人数据采集实验室已有约100名工作人员，第二处实验室也在规划中。

Sam Altman此前还公开讲过，预计2027年能拿出一项让人印象深刻的机器人演示。

一边建实验室、招硬件工程师，一边把独立研究团队撤掉，OpenAI到底想怎么做机器人？之前投进去的研发资源，接下来会往哪儿走？

OpenAI在具身领域投入了多少？

OpenAI

2019年，公司展示了

图｜2019年，OpenAI展示通过强化学习控制机械手解魔方的研究成果

2020年，OpenAI结束了第一轮独立机器人研究，把更多精力挪到大语言模型上。ChatGPT就是沿着这条路走出来的。

2024年，公司又把机器人团队搭了起来，并与人形机器人企业

今年1月，《Business Insider》对OpenAI旧金山的机器人数据采集实验室做了调查。该实验室2025年2月开始建设，之后规模扩大四倍以上，数据采集人员约100名，三班倒作业。

工作人员使用

实验室早期的活儿很简单，比如把橡皮鸭放进杯子，难度是后来才慢慢加上去的。

报道里还提到一个细节：实验室里摆着一台类似人形机器人的设备，可主要的数据采集还是靠机械臂来做。

此外，OpenAI打算在加利福尼亚州里士满再建第二处实验室。

对做具身智能的公司来说，数据采集是笔不小的开销。语言模型能直接用互联网上现成的大量文字和图像，机器人却得学会抓取、接触、移动这些物理动作。要把这些数据采到手，设备、人员、维护和现场管理都少不了。

当时OpenAI正在搭建自己的数据生产体系，招聘规模也在一点点扩大。

今年9月《Business Insider》统计，OpenAI机器人相关招聘岗位从5月的11个增加到27个，涉及

到11月14日，凤凰网科技在官网查到的信息显示，OpenAI公开挂出的机器人相关工程岗位仍不止一个。

图为截至11月14日OpenAI官网仍在招的具身相关岗位，涵盖机器人机载计算、控制软件、电机与执行器等方向。

供应链这边，OpenAI此前也在做铺垫。今年1月，公司推出美国制造业供应商征集计划，把机器人与数据中心、消费电子一并放进硬件供应链的盘子里。

征集覆盖电机、齿轮箱、减速器以及电力电子等关键零部件。原始文件写明，OpenAI打算在2027年敲定供应商，不过采购合同金额至今没有对外披露。

资金层面，机器人业务也曾被拿到管理层桌上讨论。

今年5月，《华尔街日报》报道称，Sam Altman考虑过让机器人和消费硬件业务独立运作，允许这些公司自行向外部投资者融资。

这一方案最后没能落地。原因之一在于，业务即便分拆出去，相关资产和损益可能还是要并入OpenAI集团的合并财务报表。

从这些记录看，OpenAI过去一年在机器人上的投入，已经铺到数据采集、模型研究、硬件工程和供应链筹备几条线上。

11月13日确认重组之后，OpenAI尚未公布预算、人员、算力等方面的具体分配，也没说明数据采集实验室和原型机项目会不会跟着调整。

王兴兴说，过去十几年最大的错误是对AI还不够相信

OpenAI向《财富》说明了这次调整的技术背景。今年初，公司研究人员原本以为，借助

但

宇树科技创始人王兴兴近一个月的两次公开发言，也跟这个趋势对得上。

10月12日上海工博会的圆桌对谈上，王兴兴提到GPT-6发布后，宇树已把它接进各类机器人执行任务，实测效果比之前预想的要好。

他直言：“过去十几年我犯的最大的错误，就是对AI的相信还不太够。”

在王兴兴看来，AI模型差不多每一两个月就会有肉眼可见的进步。如果

10月22日，在

王兴兴再三提到，团队并没有为这些任务做专门训练，也没写复杂的动作程序。

机器人本身照样离不开运动控制和硬件系统，但通用模型已经能按画面和任务要求，把一部分操作步骤组织起来。

以往不少机器人任务，得由开发者采集专门的动作示范，再训练对应的操作策略。如今，视觉理解、空间推理和任务规划中的一部分，通用模型可以接手。

Anthropic最近发布的

11月9日，Anthropic演示了Claude操控机械臂解魔方、拧瓶盖以及绘画的全过程。

在

图为Anthropic公布的RoboDojo Sim仿真评测，Claude Fable 5.2拿到64.9%的成绩。图片来源：Anthropic

英伟达10月发布的

在

这些实验用的测试环境各不相同，但都说明通用模型在物理操作上有了进展。

卡内基梅隆大学的机器人研究者也在关注这一方向。

对OpenAI而言，直接拿通用模型来用，等于机器人智能研究的一部分成果能跟核心模型训练共享。那独立开发一套机器人基础模型值不值，投入产出就得重新算一遍了。

英伟达的实验还捅出另一个麻烦：通用模型算起来太贵。

Astronomy研究里，让GPT-6 Astra直接控制的方案，平均每次推理要花18.56秒。

换成智能体方案，成功率是上去了，可每个成功任务回合平均要烧掉约3090万个Token，估算下来API费用36.40美元。

这些开销出自仿真测试，不能直接当成真实机器人的运营账本。但放到实际工厂里，机器人干活时间越长，单位产出的成本就可能越高。

延迟更让人头疼。仿真环境可以在模型推理时按下暂停，真实工厂的传送带、设备和工件不会停下来等上十几秒。

所以机器人还是需要响应更快、能直接控制本体动作的系统。这也是其他科技公司接着训练专用机器人模型的原因之一。

谷歌、英伟达、宇树仍在训练专用模型

11月10日，Google DeepMind公布了新进展：机器人从料箱里抓取金属支架，按生产顺序放进指定容器。

测试地点选在奔驰位于德国辛德芬根和匈牙利凯奇凯梅特的工厂。谷歌公布，这项零部件分拣任务的成功率达到96%。

图｜Apollo 2人形机器人在奔驰汽车工厂开展零部件分拣测试，图片来源：Google DeepMind

操作过程中，两套模型分工配合。

Gemini Robotics ER负责一部分，Apptronik负责另一部分。

这只是一项限定场景的概念验证，长期运行的故障率和生产成本都还没披露。但谷歌已经演示了通用推理模型与专用动作模型怎么搭伙干完工厂里的活。

英伟达11月发布的GR00T 2，走的是另一条路。

图｜GR00T 2 读取最近的视频、指令和机器人状态，对未来视频和动作片段进行降噪处理，执行该动作片段，然后重复此过程

在50项此前没针对目标机器人训练过的任务中，GR00T 2零样本平均成功率为40%。

研究人员给每项任务加了5次操作示范、不到3分钟机器人数据，再用单张卡训练之后，表现有了变化。

机器人进了新工厂，往往得重新适应物品怎么摆、抓取什么顺序、设备长什么样。少量示范就能完成适配，这就有机会省下数据采集、现场调试和工程师驻场的投入。

但精密操作中的物理误差，机器人还是绕不过去。

11月5日，王兴兴在进博会虹桥论坛上提到，当前顶尖多模态模型的理解和规划能力已经很强，可零部件插接这类任务还是容易卡在最后几毫米。

抓箱子能容忍一定的位置偏差，插连接器就得处理角度、摩擦和接触力。动作偏一点，工件就可能损坏。

英伟达针对这些任务做了真机强化学习。其公布的实验里，训练过的机器人插接电缆成功率达到94%，插接充电器达到96%。

宇树和智元同样在用自己的方式训练机器人模型。宇树对外公开的内容显示，其模型训练仍在推进。

拿一项典型的精密装配任务来说，通用模型负责读懂操作要求、排出执行顺序；专用动作模型要学的，则是不同的机械臂怎样靠近零件、怎样调整位置、怎样处理接触反馈。想让整套系统持续跑下去，底层控制系统还得及时把异常处理掉。

这样的分工，并不意味着每家公司都得从零训练一套负责理解和规划的基座模型。机器人厂商可以借外部模型之力，再围绕自家本体、客户任务和现场数据去训练动作能力。OpenAI把机器人研究并入GPT团队，走的正是把更多机器人智能问题交给通用模型体系来解决这条路。而此前积累的数据采集与硬件研发能力，恰好可以用来检验这些模型在真实机器人上的表现。