OpenAI撤掉机器人团队：GPT-6 Astra能直接控机器人，成功率66.3%

专用机器人模型，如今在机器人任务上开始败给通用模型。

英伟达 10 月公布的一项仿真测试给出了一组数字：通用模型 GPT-6 Astra 直接生成机器人动作，成功率达到 66.3%。使用

OpenAI 的研发组织也随之调整。公司最近向《财富》（Fortune）确认，由于通用模型已能直接用于部分机器人任务，公司打算把机器人研发和通用模型研究进一步合并，独立机器人团队将被撤销，相关人员转入核心研究和应用部门。

机器人要理解环境、选择动作、纠正错误，过去得单独训练专用模型。现在，面向语言、代码、视觉等广泛任务发展的模型，正一点点吃掉这条原本分明的界线。

数据瓶颈与机器人研究的回归

这次整合之前，OpenAI 早就在机器人上试过水。2019 年 10 月，公司公布机械手解魔方的研究：团队在仿真环境中训练神经网络，通过

这个项目让人看到学习系统处理复杂物理操作的可能。但数据瓶颈很快卡住了机器人研究，OpenAI 只好停下当时的方向。2021 年，联合创始人沃伊切赫·扎伦巴（Wojciech Zaremba）在播客里解释过原因：机器人缺少适合AGI）。沃伊切赫所说的

另一边，机器人领域也开始用上互联网。2024 年，OpenAI 重建机器人团队，还和人形机器人公司 Figure 签了合作协议，打算把自家的模型研究和对方的机器人硬件、软件经验结合起来，开发人形机器人模型。通用模型发展数年后，公司又一次为机器人配上了专门的研究资源。

视频模型也开了一扇新门。同年发布的视频生成模型OpenAI 早期想直接从机器人的行动里发展智能，后来转向数据更丰富的领域。随着通用模型能力增长，公司看到了另一种可能：机器人需要的部分智能，可以从更广泛的模型训练里获得。

Astra 开始承担机器人模型的工作

今年 9 月，OpenAI 推出 Astra，重点展示了编码、计算机操作、科学研究等能力。之后，外部团队试着把它接到机器人上，想弄清一个更具体的问题：能读图像、做推理、处理反馈的通用模型，能不能根据摄像头画面和机器人状态直接生成动作，接下机器人策略这份活？实验中，研究人员把任务指令、机器人规格、图像和当前状态交给模型，模型通过控制接口输出机械臂末端的位置、朝向或关节目标，再由控制系统转成实际运动。动作执行完，新图像和执行结果回到模型，它据此决定下一步。

这些实验继续往动作生成延伸：给出机械臂位置目标、调用已有抓取技能、直接控制电机，各自要求的能力层次不同；实验用什么样的控制接口，决定了模型具体承担哪些工作。研究人员通过提示提供机器人信息和任务要求，看模型在不额外做任务专用微调的条件下能做到什么。动作格式、身体约束可以写进提示，执行反馈则给模型修正动作提供依据。

英伟达

会话历史保存了计划、动作与反馈，帮模型跟踪任务进展。不过，在子集实验中，额外开放代码执行、图像检查等工具带来的提升有限。

真实硬件上的案例，则显示出通用推理能怎样改变动作选择。商汤科技（SenseTime）的在双臂机器人的插花任务里，夹爪竖直握住花茎，持花机械臂自己的腕部摄像头看不到花瓶口。单臂配置下插入失败；换成双臂配置，模型移动空闲机械臂，让另一台腕部摄像头看清瓶口，随后完成插入。

团队还发现，模型抓取、堆叠刚性物体比较可靠，柔性物体、精密接触和长距离移动操作就更难。实验仍依靠人工提供的机器人约束与控制接口，但跨平台的场景理解、行动判断和反馈纠错，已经能由同一个通用模型承担。

这种能力会改变机器人软件的开发方式。过去任务一变，常常要补示范、重新训练或调整专门流程。通用模型能在执行中理解新目标、发现视野受阻并选择补救动作，一部分变化可以在运行过程中处理。开发者仍要定义身体能执行的指令，但处理任务变化的能力，开始由更通用的模型提供。

随着能力持续迭代，其他通用模型也在长机器人本事。11 月，Anthropic 发布

谷歌走的是两条腿。通用模型在推进，机器人动作模型也没停。

新一代机器人动作模型近日由谷歌发布。

从三家公开的动作看，OpenAI把机器人研究更深地塞进了通用模型体系；Anthropic把机器人操控摆进旗舰通用模型的能力展示与评测里；谷歌一边发展通用模型，一边继续训练机器人动作模型，还拿前者去帮后者开发。

理解一项操作，和以合适速度持续执行，需要配置的资源并不一样。机械臂一旦碰到物体，位移、受力、碰撞都得及时处理；机器人本地算力、网络条件、任务节拍，也会卡住模型的规模和运行方式。

OpenAI这次把研究人员并进主模型团队，说明它在重新安排研发资源：一部分机器人问题可以归到通用模型的能力建设里，相关进步还能被多个应用一起用。硬件与控制工程继续对付具体身体的约束，模型研究则把能统一解决的问题范围再铺大一些。

这么一来，独立机器人模型公司想活下去，就得拿出自己的独特价值。目前市场中，

当然，这些公司也在追跨任务、跨机器人的通用能力。前沿模型不断伸进物理行动领域，竞争会更多落在相近条件下的实际表现上：干同一项活，要多少新数据、多长适配时间、多高的运行成本。

说到底，机器人还是得在真实世界里攒经验，只是越来越多的理解、推理和行动判断，正慢慢变成通用模型的地盘。

参考内容：

https://fortune.com/2026/11/13/openai-disbands-robotics-team-as-its-general-models-start-running-robots/

https://research.nvidia.com/labs/srl/projects/astranomy/

https://www.sensenova.ai/has-gpt-6-astra-achieved-embodied-intelligence

https://www.anthropic.com/claude-fable-and-mythos-5-2

https://developers.googleblog.com/en/gemini-4-argon-for-robotics/

https://deepmind.google/blog/gemini-robotics-2-5-accelerates-real-world-physical-intelligence/

注：封面/首图由 AI 辅助制作