OpenAI机器人团队再调整:通用模型直驱机械臂登顶测试
GPT-6.2 Astra在真实机械臂测试中登顶,通用大模型直驱机器人的能力又进了一步。据独立评测机构Artificial Analysis发布的AA-Robotics v0.1榜单,GPT-6.2 Astra得分79,完成8项物理任务中的6项。不只是OpenAI的旗舰模型,能力相对较弱的GPT-6.2 Sol也得到了
GPT-6.2 Astra在真实机械臂测试中拿下第一,通用大模型直接控制机器人的能力又往前迈了一步。
独立评测机构Artificial Analysis公布的结果显示,不只是OpenAI的旗舰模型,能力相对弱一些的GPT-6.2 Sol也拿到了78分的高分。
这项基准测试不许模型做专项训练,全程采用真实机械臂操作。过去机器人厂商普遍认定,机器人得靠专门定制的模型和训练。
现在看,通用模型一直在迭代,性能上去之后,或许会把专用方案顶掉。
梁文锋讲过类似的话:具身智能要突破,可以建立在通用模型能力持续进化之上。在他的AI路线里,通用模型自身的能力进化是通向AGI的主线,具身智能只是这条路的延伸。
01
11月13日,外媒报道称OpenAI把独立机器人团队解散了,原团队并入公司主要研究团队,应用机器人和硬件团队则被划到其他部门。
OpenAI的研究人员发现,把通用模型接到机器人上,也能完成操作任务。
事实上,
这类实验给通用模型控制机器人添了更多现实依据。成立不到半年的独立机器人团队被并入主要研究团队,研究人员转去做通用人工智能模型研发。
说到底,OpenAI换了技术路线:通用模型既然已经能控制机器人,就不必再单独为机器人造一套“空间智能”专用模型。
这其实不是OpenAI头一回在机器人路线上调头。2019年它就组建过机器人团队,想用强化学习等办法让机器人学会抓取、摆放物体,结果2020年这支团队就散了。
联合创始人Wojciech Zaremba当时解释,机器人数据有限,用别的办法实现AGI效率更高。之后OpenAI把精力放在大语言模型上,2022年推出ChatGPT。
多模态模型起来后,OpenAI又把视线转回机器人。2024年,它与人形机器人公司Figure AI合作,试着把大模型能力装到机器人身上。
OpenAI副总裁Peter Welinder当时说,与Figure合作是想看看在大型多模态AI模型支持下,人形机器人能做到什么智能化水平。
Figure AI后来放出的Figure 01演示视频里,机器人能听懂人类指令,完成简单的物品递送。这次合作中,视觉理解和语言交互能力由OpenAI的模型提供。
可一年后,Figure AI宣布合作结束,转而自己研发机器人AI。
OpenAI对机器人的心思没断。2026年初,其研究人员开始摸索另一条路线:从视频生成模型切入。
作为视频生成模型,它能把视频里的动作理解转成机器人可执行的操作。
OpenAI的转向不是独一份。2025年初,具身智能的主流路线还是专用模型加专项训练。
今年6月,
不过,这条路没走多久又变了。
这个部门才成立三个月,到今年9月,OpenAI就发布了
卡内基梅隆大学机器人研究所助理教授Guanya Shi给出的评价是,这说明在OpenAI看来,机器人技术“不再是一个特殊问题”。
绕了一圈,OpenAI还是把注意力放回了通用模型上。
02
变的并不只是OpenAI一家。通用模型在机器人任务上的表现,正让整个行业重新打量这条技术路线。英伟达机器人部门负责人Deepu Talla近日受访时就表示,GPT-6 Astra的出现,是让机器人具备多任务处理能力的一次重大突破。
英伟达
Anthropic也发布了
这条路线眼下还谈不上成熟,但至少能看出,通用模型已经是具身智能研究里一个值得试一试的方向。
国内的机器人公司同样在盯着这个变化。
宇树就在试大模型做机器人的路子。王兴兴的话说得很直接:“明年GPT-7出来,可能直接把具身智能问题打穿。”
在这之前,宇树一直在推进
而最近,宇树开始把GPT-6 Astra拿来做机器人实验。
王兴兴讲过几个例子:事先不写复杂程序,只给提示词,机器人就能画画;机器人不光能认出棋盘,还能把棋子准确放到对应位置。他特别指出,这些实验都是在“零训练”条件下做出来的。
智元机器人走的是相近的方向。
稚晖君团队近日发了一篇论文,核心思路是让会聊天的大模型和能动手的机器人身体接上。模型不光听得懂语言指令,还能调用机器人的身体去指向真实物体、做身体动作、做面部表情。
说白了,机器人公司正在试着把通用大模型的本事“装”进机器人身体,借此往前推具身智能。
这么一看,梁文锋之前的判断又多了一个参照。
世界模型在具身智能领域火起来的时候,梁文锋对这条路并不太热。他更看重通用模型自身能力的进化,把它当作通向AGI的主线。
按梁文锋的AI路线设想,
也就是说,他主张先把通用模型本身做扎实,再让这份能力延伸到物理世界去。
这和OpenAI最近的调整有几分相似。两家指向的是同一个判断:要做具身智能,未必非得从头训一套独立的机器人智能;通用模型能力往上走,也可能成为机器人通往具身智能的一条路。
而且,两家都没有只停在模型这一层。
OpenAI调整机器人业务的同时,投资过好几家机器人公司。DeepSeek这边也开始往具身智能延伸:参与宇树科技配售,与宇树达成三年战略合作,还投了Winverse AI、理格万物等公司。
03
通用大模型接入机器人正成为一股新趋势,但这并不等于VLA模型和世界模型就该退场了。
具身智能这几年在技术路线上来回摇摆,VLA模型、世界模型、通用大模型轮流站上风口。不过谁也没能把谁彻底替掉。
最早火起来的是VLA,也就是视觉-语言-动作模型。说白了,它让模型一边看摄像头画面、一边读人类指令,再把理解到的东西变成机器人的动作。
这条路线跟当时大模型的发展水平有关。那会儿大模型已经能看懂一些语言和图像,却还控制不了机器人。机器人自己的数据又少,想从零训一个机器人模型,难度很大。
2023年7月,Google DeepMind发布了VLA模型。
在当时,VLA算是一条走得通的路。问题是它泛化能力差,也谈不上自主,机器人到了复杂的现实环境里就适应不了。真实物理世界里,变化一直在发生,机器人不光要判断此刻该干什么,还得预判这么干之后世界会变成什么样。
视频生成模型出来以后,厂商们的想法变了,普遍觉得它有望取代VLA。2024年2月,OpenAI发布Sora,技术报告里提出:大规模视频训练可以成为构建物理世界模拟器的一条路径。
互联网上人类活动的视频多得是。拿东西、搬东西、走路、收拾物品,这些动作都被拍了下来。模型如果能从视频里学到物体怎么动、空间关系如何、动作会带来什么后果,就有机会把这种本事迁移到机器人身上。
可视频生成并不等于能控制机器人。行业于是试着把对世界的预测和动作生成捏到一起,做出世界动作模型。换个说法,VLA看重的是从观察到动作的映射,世界动作模型想把对未来的预测也塞进动作决策里。
世界模型自身的问题也不少,它模拟出来的物理过程,放到现实环境里未必能准确复现。
Astra之后,行业又开始琢磨另一种可能:通用大模型能不能直接扛起机器人的任务理解、规划和决策?
斯坦福团队联合加州理工发布的具身智能研究项目HomeBody,研究人员把GPT-6 Astra接了进来。
Anthropic后来发布的Fable 5.2也是这个路子。它在控制机器人上提升明显,有些任务它从没专门训练过,照样能干得挺顺。
这说明,模型推理能力一强,一些原本要靠专门训练才能得到的机器人技能,可能就开始从通用模型里自己冒出来。
具身智能有个核心问题:让机器人看懂环境,再判断行动可能带来什么结果。世界模型的办法是从视频里学,然后模拟未来;通用大模型的办法是拿现成的推理能力去分析任务,再用来做任务规划。
两条路的技术思路不一样,目标却是同一个:让AI在真实世界里动起来。