凤凰网科技 出品
作者｜施言
编辑｜董雨晴
11月13日，在美国奥斯汀举行的机器人学习大会CoRL上，OpenAI预订的208号展位空着。
大会的展位图上仍然标着OpenAI，却没有看到公司的标识和产品展示。
随后，OpenAI向《财富》确认，已经撤销独立机器人研究团队。
原机器人研究人员进入首席研究官Mark Chen领导的核心研究部门，机器人应用和硬件人员则转入总裁Greg Brockman负责的Applied部门。
公司表示，机器人仍是其长期技术愿景的重要组成部分，此次调整是为了加快研发进度。
消息来得有些突然。
今年9月，OpenAI还在大规模招聘机器人研发人员，部分岗位开出的基本年薪高达50万美元。年初，公司旧金山机器人数据采集实验室已有约100名工作人员，还在规划第二处实验室。
Sam Altman此前也公开表示，预计2027年能够展示一项令人印象深刻的机器人演示。
一边投入实验室、招聘硬件工程师，一边撤销独立研究团队，OpenAI究竟打算怎样做机器人？此前投入的研发资源，又会流向哪里？
OpenAI在具身领域投入了多少？
OpenAI其实已经有过一次撤销机器人团队的经历。
2019年，公司展示了Dactyl机械手解魔方。研究人员利用大规模仿真与强化学习，让机器人掌握复杂的物体操作能力。
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结束第一轮独立机器人研究，将更多精力转向大规模语言模型。这条路线后来催生了ChatGPT。
2024年，公司重新组建机器人团队，并与人形机器人企业Figure合作开发AI模型。双方合作在2025年2月结束，Figure转向自研机器人模型，OpenAI则继续扩张内部研发。
今年1月，《Business Insider》调查了OpenAI位于旧金山的机器人数据采集实验室。该实验室从2025年2月开始建设，此后规模扩大四倍以上，约有100名数据采集人员，采用三班倒方式工作。
工作人员使用3D打印的GELLO遥操作控制器，操纵Franka机械臂完成折叠衣物、将面包放进烤面包机等任务。系统通过摄像头记录场景和操作过程，积累可供机器人模型训练的数据。
实验室早期任务相当简单，包括将橡皮鸭放进杯子，后来才逐渐增加操作难度。
报道还提到一个细节：实验室内虽然有一台类似人形机器人的设备，但主要数据采集工作仍依靠机械臂完成。
OpenAI还计划在加利福尼亚州里士满建设第二处实验室。
对于具身智能公司，数据采集是一项不小的开支。语言模型可以利用互联网现有的大量文字和图像，而机器人需要学习抓取、接触、移动等物理操作。完成这些数据采集，需要设备、人员、维护和现场管理。
OpenAI当时正在建立自己的数据生产体系，招聘规模也在逐步扩大。
今年9月《Business Insider》统计，OpenAI机器人相关招聘岗位从5月的11个增加至27个，涉及机器学习、机器人控制、电子工程、执行器、固件和数据采集等方向，部分岗位基本年薪最高达到50万美元。
截至11月14日，凤凰网科技查询官网发现，OpenAI仍公开列有多个机器人相关工程岗位。
图｜截至11月14日，OpenAI官网仍在招聘机器人机载计算、控制软件、电机与执行器等招聘岗位等具身相关岗位
此前，公司还在推进供应链准备。今年1月，OpenAI发布美国制造业供应商征集计划，将机器人与数据中心、消费电子一起列入硬件供应链布局。
征集范围涉及电机、齿轮箱、减速器及电力电子等关键零部件。按照原始文件，OpenAI计划在2027年选择供应商，但目前没有披露相关采购合同金额。
除了工程研发，机器人业务的资金安排也曾进入管理层讨论。
今年5月，《华尔街日报》披露，Sam Altman曾考虑将机器人与消费硬件业务独立运营，允许相关公司单独向外部投资者融资。
方案最终没有实施。其中一个原因是，即使业务分拆，相关资产和损益也可能仍需纳入OpenAI集团的合并财务报表。
这些记录显示，OpenAI过去一年在机器人领域的投入已经涉及数据采集、模型研究、硬件工程及供应链筹备。
11月13日确认重组后，OpenAI还没有公布预算、人员和算力等具体分配，也未说明数据采集实验室及原型机项目是否会调整。
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》解释了此次调整的技术背景。今年初，公司研究人员原本认为，利用Sora等视频生成模型学习物理世界规律，是推动机器人智能的重要路径。
但GPT-6 Astra等通用模型随后表现出直接控制机器人的能力。OpenAI决定将相关研究人员并入通用基础模型团队，让机器人研究利用现有模型的最新进展。
宇树科技创始人王兴兴最近一个月的两次讲话，也与这个趋势相合。
10月12日，在上海工博会的圆桌对谈中，王兴兴谈到GPT-6发布后，宇树已经将其接入各种机器人执行任务，实际效果超出此前预期。
他坦言：“过去十几年我犯的最大的错误，就是对AI的相信还不太够。”
图｜2026年10月22日，王兴兴在世界物理AI大会上分享通用大模型控制机器人的进展。图片来源：澎湃新闻
王兴兴认为，AI模型几乎每隔一两个月就会出现明显进步。如果GPT-7继续取得突破，具身智能的技术临界点可能在未来一两年到来。
10月22日，在世界物理AI大会上，他又展示了宇树机器人使用GPT-6完成绘画的实验。机器人面前放着参考画、白纸、颜料和清水。它拿起画笔作画，过程中切换颜色，还会自行清洗画笔。宇树同时展示了机器人下棋等任务。
王兴兴反复强调，团队没有为这些任务进行专门训练，也没有编写复杂的动作程序。
机器人本身依然需要运动控制与硬件系统，但通用模型已经能够根据画面和任务要求，组织部分操作步骤。
此前，许多机器人任务需要开发者采集专门的动作示范，再训练对应的操作策略。现在，通用模型能够处理其中一部分视觉理解、空间推理和任务规划工作。
Anthropic最近发布的Claude Fable 5.2，也提供了实验数据。
11月9日，Anthropic展示了Claude控制机械臂解魔方、拧瓶盖和绘画的过程。
在RoboDojo Sim仿真基准中，Anthropic内部运行的测试显示，Fable 5.2平均成功率达到64.9%，上一代Fable 5.1为27.6%，同一测试框架下GPT-6 Astra的成绩为29.8%。
图｜Anthropic公布的RoboDojo Sim仿真评测，Claude Fable 5.2取得64.9%的成绩。图片来源：Anthropic
英伟达10月发布的Astranomy研究，则直接使用GPT-6 Astra控制仿真机器人。
在RoboLab-120测试中，直接控制方案取得66.3%的任务成功率。研究人员加入持续记录操作历史、检查执行结果等机制后，智能体控制方案达到74.8%，高于该基准此前最优专用机器人模型51.0%的成绩。
这些实验虽然使用不同的测试环境，但都展示了通用模型在物理操作方面的进步。
卡内基梅隆大学机器人研究者Guanya Shi在接受《财富》采访时提出，OpenAI可能正在把机器人看作通用智能的下游应用。
对OpenAI来说，直接利用通用模型，意味着部分机器人智能研究可以共享核心模型的训练成果。独立研发一套机器人基础模型的投入回报，也因此需要重新评估。
不过，英伟达实验还暴露了另一项问题：通用模型的计算开销相当高。
Astranomy研究中，GPT-6 Astra直接控制方案平均每次推理耗时18.56秒。
智能体方案虽然提升了成功率，但每个成功任务回合平均消耗约3090万个Token，对应估算API费用36.40美元。
这些费用来自仿真测试，不能直接当作真实机器人的运营成本。但在实际工厂，机器人执行任务的时间越长，单位产出的成本就可能越高。
更麻烦的是延迟。仿真环境可以在模型推理时暂停，真实工厂里的传送带、设备和工件却不会停下来等待十几秒。
机器人仍然需要响应更快、能够直接控制本体动作的系统。这也是其他科技公司继续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Apollo 2人形机器人在奔驰工厂工作的实验。
机器人从料箱中抓取金属支架，按照生产顺序放入指定容器。测试地点包括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，两套模型各司其职。
Gemini Robotics ER负责理解生产流程、判断任务进度；Gemini Robotics 2.5经过机器人动作训练，负责手臂和灵巧手的实际操作。谷歌还使用Gemini 4 Argon帮助构建仿真环境、分析失败案例。
Apptronik首席执行官Jeff Cardenas表示，Apollo 2经过数周后训练便获得明显改善，迁移到奔驰生产线后，性能下降较小。
这是一项限定场景的概念验证，尚未披露长期运行的故障率和生产成本。但谷歌已经展示了通用推理模型与专用动作模型如何协同完成工厂任务。
英伟达11月发布的GR00T 2，则把重点放在机器人进入新场景后的训练成本上。
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项此前未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%。研究人员为每项任务增加5次操作示范、不到3分钟机器人数据，再使用单张RTX 5090微调约30分钟，成功率提高至95%。
机器人到了新工厂，往往需要重新适应物品摆放、抓取顺序和具体设备。少量示范就能完成任务适配，有机会减少数据采集、现场调试和工程师驻场的投入。
但机器人仍然要解决精密操作中的物理误差。
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已经具备很强的理解和规划能力，但零部件插接等任务仍容易卡在最后几毫米。
抓起一个箱子可以容忍一定的位置偏差，插入连接器则必须处理角度、摩擦和接触力。动作稍有偏差，就可能损坏工件。
英伟达针对这些任务进行了真机强化学习。在其公布的实验中，经过训练的机器人执行电缆插接任务的成功率达到94%，充电器插接达到96%。
宇树和智元也在继续训练自己的机器人模型。宇树公开的UnifoLM-WLA-1.0使用约2500小时真机数据，智元则通过GO-3 Preview、Genie Evolver继续投入机器人操作数据和后训练。
在一项典型的精密装配任务中，通用模型可以理解操作要求、安排执行顺序，专用动作模型则需要学习不同机械臂如何接近零件、调整位置以及处理接触反馈。若要持续运行，还需要底层控制系统及时处理异常。
这类分工并不要求每家公司都从头训练一套负责理解和规划的基础模型。机器人企业可以利用外部模型，再针对自己的本体、客户任务和现场数据训练动作能力。
对OpenAI而言，将机器人研究并入GPT团队，正是选择把更多机器人智能问题放到通用模型体系中解决。此前已经建设的数据采集和硬件研发能力，则可以用于检验这些模型在真实机器人上的效果。