OpenAI解散机器人团队:GPT-6 Astra太强,专用机器人模型还用做吗
六年前,OpenAI因为机器人数据稀缺,将更多资源转向大语言模型。六年后,通用模型的发展又让它重新审视独立机器人团队的必要性。
编辑署名、公众号出处与授权转载说明一并删去,正文只保留事实本身。
AI巨头对机器人的念想,其实一直没断过。
上周在奥斯汀开的机器人学习大会(CoRL)上,OpenAI预定的208号展位空着,连公司标识也没摆出来。
之后《财富》杂志报道称,OpenAI又一次把旗下独立的机器人研究团队解散了,这一说法也得到了OpenAI的承认。之所以说「又一次」,是因为2020年OpenAI就亲手关掉过一回机器人实验室,当时的理由是:
能拿到的物理交互数据不够,机器人研发推进太慢,公司要把力气集中到死磕大语言模型上。
六年之后,相似的一幕又来了,可这次的情况跟当年正好掉了个个儿。
解散不等于退出。OpenAI实际做的是把这支数十人的队伍拆开重编:搞核心算法的研究员直接进首席研究官Mark Chen主管的主模型研究组,应用和硬件团队则划到总裁Greg Brockman带队的Applied部门。
对这轮组织调整,OpenAI的核心逻辑是新一代通用前沿模型(GPT-6 Astra)能力涨得太快,通用大模型已经强到能直接跨界驱动物理硬件,行业不必再单独搞一套专用的机器人基础模型。

宇树接入GPT-6 Astra的测试,图片来源:宇树科技
更进一步,Sam Altman还在密集筹备自研人形机器人本体,计划2027年公开亮相。
这到底是通用大模型涌向物理世界的又一个大泡沫,还是具身智能真的走到了演化的分水岭?
巧合还是必然?通用大模型的「物理智能」正在外溢
先不管这是不是OpenAI的又一套概念叙事,通用大模型确实在改变具身智能的演化路径。7月的时候,Anthropic(下称「A社」)就发现,新一代通用模型能靠视觉观察、编写控制程序、调用运动控制工具等手段,完成一部分过去要靠专门研发的机器人策略才能干的任务。
GPT-6 Astra一出来,整个机器人行业都在热议和试水,英伟达、宇树、银河通用等公司的实验里,也能直接看到通用大模型给具身智能带来的提升,当然局限同样存在。
更狠的一招还在后面。11月初,A社发布新一代旗舰模型Claude Fable 5.2,其中一项成绩让不少机器人学者直呼想不到:
在公认的仿真基准RoboDojo Sim上,考察双臂机器人仅凭纯视觉控制完成复杂物理操作,Claude Fable 5.2的任务成功率达到了64.9%。
这个数字意味着什么?
上一代Fable 5.1只拿到27.6%;此前被业界普遍看作多模态与动作规划强手的Google Gemini 4 Argon是34.2%;OpenAI寄予厚望的GPT-6 Astra,在这一测试里也只有29.8%。
同行被Fable 5.2甩开两倍以上的距离,更关键的一点是,它还跑赢了大多数专门为机器人操作定制训练过的垂直AI系统。
得知道,Fable 5.2压根不是冲着机器人做的,没喂过多少百万小时的机械臂示教轨迹,说到底仍是一个泡在海量文本、代码和多模态图像/视频数据里长出来的「数字大脑」。
图片来源:X
真机盲测的结果更出人意料。不做任何微调,Fable 5.2靠零样本泛化能力接管机械臂,拧瓶盖、转魔方这类精细动作都完成了,第三方测试里它还现场控制机械臂把一局62步的跳棋完整下完。
抓取棋子时因机械公差出现滑动碰撞,Fable 5.2也能从视觉画面的细微变化里自己做出反向补偿和纠偏。
在这之前,多数机器人厂商认定,物理世界受物理定律、摩擦力、惯性和接触刚度的严格约束,非得靠专用的视觉-语言-动作(VLA)模型、高频仿真强化学习或者世界模型不可。
可现实是,通用大模型只靠规模(Scaling)和多模态预训练,看上去就在自然冒出对三维空间因果关系的隐式理解。
这也就说得通,为什么OpenAI敢把独立的机器人研究组直接撤掉。大脑的进化速度已经超出预期,这时候还关起门来给机器人量身定制小模型,无论从商业账还是技术效率上算,都开始显得不合时宜。
具身智能发展到今天,路线上的分歧究竟在哪?
想弄明白通用大模型到底给机器人带来了什么,得先回头看看这几年具身智能在技术路径上走过的路。
最早的时候,机器人身上跑的还是传统C++控制算法和轨迹规划,大模型架在云端,负责把人类的自然语言指令拆成一个个预设好的函数调用。
接着是端到端VLA的浪潮。行业想把视觉、语言和动作揉进一个大模型里,输入摄像头画面,输出直接就是机械臂电机的关节角度或者末端轨迹。机器人头一回学会像人一样看着东西直接下手,通用泛化性往前迈了一大步。同一时期,System 1和System 2搭成「快慢双系统」也成了必要配置。
到了今年,世界模型(World Model)受到的关注越来越多。
跟直接预测动作不一样,世界模型更看重对物理世界变化的理解和预测。打个比方,机器人要推开一扇门,模型得预测施加不同方向、不同大小的力之后,门和周围环境会变成什么样。这种能力既能拿来做动作规划,也能帮机器人在仿真环境里学习,少依赖一些昂贵的真实数据。
其实VLA和世界模型并不冲突。英伟达11月公布的GR00T 2,用的就是世界动作模型(WAM)架构,预测机器人动作的同时,也预测动作发生后视觉上的变化。银河通用创始人王鹤也主张把VLA和世界模型融合起来,学到更丰富的物理交互能力。
图片来源:X
不过通用大模型的进展,终究还是给出了一个新答案。
过去大家普遍觉得,System 2得专门去训练机器人的语义理解。可Claude Fable 5.2也好,GPT-6 Astra也好,都在证明通用大模型可能才是最好的System 2。它通晓万事万物的百科常识,长链路规划能力强得惊人,再加上多模态能力不断进化,在屏幕另一头看几眼摄像头画面,就能把三维空间里的相对距离、遮挡关系和操作顺序推演得七七八八。
Fable 5.2发布第二天,Google又推出了新一代专用VLA模型Gemini Robotics 2.5,还用通用模型Gemini 4 Argon生成仿真环境、分析失败原因,给机器人模型训练提速。
这大概更能说明行业当下的真实状态。通用模型、VLA和世界模型各有各擅长的领域,可它们之间的界限正变得越来越模糊。
到底哪一种更有效,还得靠真实世界来验证。
大脑是「从天而降」,还是「从地长出」?
其实,通用大模型在具身智能上到底有多大价值、该放在什么位置,整个产业界的观念交锋一直没停过。不同的认知不光关乎技术信仰,也直接决定各家的真金白银往哪儿投。
今年2月,A社创始人Dario接受《纽约时报》采访时就说过,操纵真实机器人虽然比玩电子游戏复杂,但就智能问题本身而言,两者没有根本区别。
Sam Altman、Figure AI创始人Brett Adcock都是「通用至上派」的代表。在他们眼里,智能是唯一的本质问题,硬件不过是工业制造的标准苦力活。Adcock甚至配上租来的10万张下一代GPU高呼,机器人学习同样服从清晰的Scaling Law:
算力够大、预训练数据够丰富,身体的运动智能就会指数级跃迁。
当然也有更务实的,典型代表是宇树科技创始人王兴兴。前段时间在世界物理AI大会上,王兴兴公开表示,物理AI被击穿的苗头已经极其清晰,快则一两年,慢则两三年。在他看来,未来两年内,行业就能在物理层面「真正把基础大模型和机器人技术完全统一起来。」
图片来源:宇树科技
智元同样看好基础大模型对具身智能的影响。智元联合创始人、总裁兼CTO彭志辉表示,GPT-6 Astra等通用基础模型向具身领域渗透是大趋势,对智元这样的全栈机器人企业来说,坚持自研决策模型仍是必选项。智元联合创始人、联席总裁姚卯青说得更具体:
大模型能力提升后,会在System2上更多帮系统抬高长程和规划的上限,具身公司也需要持续围绕System2本身做投入。
相比之下,自变量机器人创始人王潜对通用模型的能力迁移要谨慎得多。今年9月的外滩大会上他指出,智能很大程度上存在于数据之中。通用模型能控制机器人,并不能证明其他领域的智能就自然迁移到了具身领域。OpenAI、Anthropic的模型具备机器人操作能力,可能跟它们吸收了更多物理世界经验直接相关。
这也是GPT-6、Fable 5.2眼下留下的一个重要疑问:我们知道它没有针对部分测试任务做专项训练,却没法确定它在预训练中究竟学过多少机器人和物理数据。
Physical Intelligence联合创始人Sergey Levine的判断更偏向融合。他认为,LLM拥有丰富的通用知识,正好能补上机器人数据的不足,是研发机器人基础模型非常好的起点。但机器人仍然得通过真实操作、视频和其他物理数据,让这些知识真正变成可执行的能力。
大佬们的分歧其实很清楚。通用模型带来了新能力,这一点大家认;可机器人到底需要多少独立的物理智能,这些能力能不能跟着通用模型升级自动长出来,还没谈拢。
通用模型和具身模型谁能赢,说到底可能还看谁握着机器人攒下的数据,谁能在真实场景里把任务成功率一点点做上去。
写在最后
六年前OpenAI嫌机器人数据太少,把资源往大语言模型那边挪。六年后,通用模型的进展又让它回头掂量独立机器人团队还要不要。
今天,通用多模态基础模型已经把人类社会的常识、视觉理解和复杂逻辑提前打包好了。具身智能不用再从婴儿的感知阶段重新学,直接站到一个有大学学术水平的超级大脑肩上。可硬币还有另一面:
通用模型把具身智能的起跑线往前挪了,通往终点的物理鸿沟却没被填平。
Fable 5.2在仿真测试里拿到64.9%的跃升,数字很扎眼。反过来看,它在数字仿真世界里仍有35.1%的任务失败。机器人真要进工厂、进家庭、进其他复杂场景,实时控制、物理交互、长期可靠性这些坎还得一个个过。
对具身智能企业来说,通用模型往前走,机会和压力一起来了。更强的基础模型能降低机器人学新任务的难度;一些原本要专门研发的智能能力,也可能慢慢变得唾手可得。
往后看,具身模型值多少钱,或许越来越取决于它能啃下多少通用模型还没解决的物理问题。