OpenAI解散机器人团队：208号空展位背后，硬件控制转向通用大模型？

奥斯汀的空展位

本周，机器人学习会议 CoRL 在美国奥斯汀召开，现场出现了一个有点尴尬的场面。

会议 App 和展馆平面图上，208 号展位清清楚楚标着 OpenAI 的名字。可整个会期这个位置都没人，连一张易拉宝、一个公司 Logo 都没有。《Fortune》杂志同时证实，OpenAI 已经把这支独立的机器人研究团队解散了。

这事既不是谣言，也不是临时没来人。OpenAI 官方承认了这次组织调整：原来机器人团队的研究人员并入公司核心研究团队，向首席研究官 Mark Chen 汇报；应用机器人和硬件那一摊，则划到更大的 Applied 部门，由总裁 Greg Brockman 直接管。

消息传开后，行业里第一反应多半是“OpenAI 要放弃机器人了”。其实把他们的内部逻辑看完，结论正好反过来——不是不做了，是换了个更彻底的做法。

OpenAI 表示，机器人仍然是公司长期愿景的核心。推动这次调整的原因只有一个：通用大模型已经能直接控制机器人，他们打算让通用模型多扛一些原本归“专用机器人模型”的活。

折腾了好几轮的机器人情结

对机器人，OpenAI 的态度一直有点来回摇摆。

公司早期就设过机器人团队，2020 年这个团队被撤掉。联合创始人 Wojciech Zaremba 后来给的解释很直白：那会儿机器人领域的训练数据实在太少，与其在硬件和数据都缺的机器人上硬耗，不如走别的技术路径去实现 AGI（通用人工智能），效率更高。

重心就这么转到了大语言模型上。拿海量人类文本喂模型，这条路在 2022 年底跑出了 ChatGPT，也说明在文本领域“大力出奇迹”是管用的。

到 2024 年，风向又转了。OpenAI 重新拉起独立机器人团队，还高调宣布和人形机器人初创公司 Figure 合作，一起开发人形机器人用的 AI 模型。当时看上去，两家是要联手做出下一个时代的物理智能载体。

这段合作没撑太久。2025 年 2 月，Figure 宣布终止合作，自己去做机器人 AI。分开之后 OpenAI 没停，反倒开始研发自家的类人机器人。2026 年 5 月底，Sam Altman 公开放话大规模招人，对外正式定名 OpenAI Robotics，并把 2027 年设为第一次公开演示的目标时间。

从这段经历看，OpenAI 在机器人上的投入一直没断，变的是技术路线和组织方式。

今年年初，他们的思路还是从视频生成模型 Sora 里找突破口。Sora 要生成逼真的视频，训练中就得学会物体怎么运动、空间关系怎么摆，以及物理世界的一部分规律。按理论推，这些本事可以搬到机器人上，让机器人更懂物理世界。

但后面的研究发现，包括 GPT-6 Astra 在内的通用前沿模型，已经能直接拿来做机器人任务。这个发现把研发思路改掉了：通用模型既然能干，何必再单养一个团队搞专用机器人模型？

机器人研究人员就这样并进了通用模型的研发体系。意图很清楚——让机器人研究和基础模型能力的进步绑得更紧。

通用大脑 vs 专用小脑

“通用模型接管机器人大脑”这个思路，在 AI 行业里正慢慢被接受。

以前机器人得靠专门训练的模型去理解环境、规划动作、控制执行器，不同的硬件、任务和场景，往往要砸大量数据做适配。打个比方，每教机器人一个新动作，都像重新上一堂课。

现在，面向语言、代码和视觉训练的基础模型，显示出跨任务边界的能力。它们有机会直接去控制物理世界里的设备。

最近一些实验结果挺出人意料。研究人员把 GPT-6 Astra 接进机器人，给模型喂摄像头图像、机器人状态信息，再加上控制执行器的接口。

英伟达的一项研究里，Astra 驱动的智能体在一个模拟机器人操作基准测试中拿到了 74.8% 的成功率。同一榜单上成绩最好的专用机器人模型，公开数据只有 51.0%。

当然，这个实验是在数字仿真环境里做的，模型控制的是模拟机器人，不是真实的物理实体。但这组数字至少说明，在理解任务和处理复杂指令上，通用模型已经能压过专用模型。

卡内基梅隆大学机器人研究所助理教授 Guanya Shi 的看法是，OpenAI 这次调整放出一个重要信号：OpenAI 可能已经不再把机器人当成一个要单独解决的特殊问题，而是把它看作通用智能的一种下游应用。

这跟眼下 AI Coding、法律、金融工具的路数差不多：底下跑的是同一套通用模型，上面靠不同的工具和接口去对接具体任务。通用模型变强之后，机器人也不必再死死绑着特定任务的训练。比如瓶子挪了位置、环境光线变了，模型多少还能应付；它还能自己排任务先后，看出哪一步出了岔子，再据此改后面的动作。

现实场景不好啃

话说回来，前景归前景，通用模型想全面接管机器人控制，硬骨头还多得很。

头一个是推理效率。大语言模型是聪明，可跑起来偏慢，还多半靠云端算力。机器人要的是毫秒级响应，网络一延迟、连接一抖，就是要命的事。总没人希望机器人倒水时网卡了一下，把开水浇到手上。

Guanya Shi 就提到，能跑在机器人本地计算设备上的小型专用模型依然很有用。这类模型不用一直联网，专门干那些实时性要求极高的底层控制活。

再就是数据和真实环境里的经验。

MIT 教授、Walden Robotics 联合创始人兼 CEO Russ Tedrake 认为，机器人公司手里有 AI 实验室很难复制的东西：他们的机器人已经进了工厂等真实场景，持续攒下实际干活的经验。这些部署数据能帮机器人适应特定的工作场所和具体任务。

基础模型越强，机器人从这些数据里学的效率可能也越高。换句话说，通用基础模型和真实场景数据得一起往前走——前者提供更强的理解和推理，后者帮机器人贴合具体环境与任务。

专做通用机器人 AI 模型的初创公司 Generalist 联合创始人 Pete Florence 也持类似看法：现在还说不好哪条技术路线最后能主导机器人领域。智能的成长起点可能不止一个，现有模型也证明不了谁会是长期赢家。

省钱同样是硬道理

除了技术路线怎么选，OpenAI 这次调整还赶上了公司成本控制压力很大的时候。

去年 Sam Altman 就要求公司砍掉一些偏离核心目标的“支线任务”，把资源往更重要的产品和研发方向上集中。之后 OpenAI 陆续动了一些项目，好重新分配昂贵的计算资源。

据媒体报道，OpenAI 最近一个季度运营亏损达 109 亿美元。公司同时在张罗新一轮融资，并为可能于 2027 年初启动的 IPO 做准备。

财务压力摆在那儿，把散在不同团队的研究人员重新拢到一起、集中投到通用模型研发上，正合公司提高资源利用效率的思路。说到底，养一个独立的硬件和机器人团队，比复用现有的大模型基础设施贵得多。

OpenAI 这番调整，影响可能波及整个机器人行业。

这几年机器人领域吸金数十亿美元，不少初创公司押的是同一条路：给机器人造专属的 AI 大脑，大规模采集机器人数据、训练专用模型，让机器人慢慢具备通用操作能力。

OpenAI 现在试的是另一种可能：先让通用模型把理解、推理和空间能力练得足够强，再通过接口接上物理设备，直接扛起机器人的智能控制。

这条路要是持续走通，过去围着专用模型搭起来的研发体系就得重新盘算。不过机器人公司的价值不会就此归零。真实场景部署、硬件设计、控制系统和场景数据，仍是机器人走向规模化应用的重要底子。

以后的机器人，到底需要一套单独训练的专用大脑，还是直接调用不断进化的通用智能？OpenAI 已经用组织架构投了票。剩下的，就看 GPT-6 在真实物理世界里扛不扛得住这份期待了。