「OpenAI 把机器人团队拆了:74.8% 对 51.0%,通用模型想吃的是哪一层」
一家公司解散一个团队,通常有两种含义:项目死了,或者项目不再需要独立存在。OpenAI 是后者——但「通用模型接管机器人」这句话里,有一层它接管不了,而这一层恰好是机器人公司最值钱的地方。
- 事件:2026-11-13 12:05 ET(北京 11-14 01:05),《财富》独家报道 OpenAI 已解散独立的机器人研究团队。机器人研究人员并入核心研究团队,向首席研究官 Mark Chen 汇报;应用机器人与硬件团队划归总裁 Greg Brockman 负责的 Applied 部门。OpenAI 已向该媒体确认这次调整。
- 官方给的理由:包括 GPT-6 Astra 在内的通用模型「已能直接用于部分机器人任务」,因此把机器人研究进一步并入通用模型研发体系。
- 关键数据:报道援引英伟达一项研究,Astra 驱动的智能体在一项模拟机器人操作基准上成功率 74.8%,该榜表现最好的专用模型公开成绩 51.0%,差 23.8 个百分点。注意:这是数字仿真环境、模拟机器人,不是真机。
- 没有变的事:自研人形机器人2027 年首次公开演示的目标未调整。同一周在奥斯汀举行的 CoRL 2026 上,OpenAI 原本预订的 208 号展位最终空置,连公司标识都没出现。
- 判断:这次调整把机器人从「需要独立解决的课题」降级为「通用智能的下游应用」,和 AI Coding、法律工具同构。但通用模型吃不下伺服控制环——它接管的是理解与规划这一层。
先把组织动作本身读准,否则后面全是误读。
《财富》给出的结构是两条线:机器人研究人员并入核心研究团队,向首席研究官 Mark Chen 汇报;机器人应用与硬件团队并入 Applied 部门,由总裁 Greg Brockman 负责。前者是「谁来做研究」,后者是「谁来做产品」。两条线一起动,说明这不是一次内部优化,是一次定位调整。
把时间线摆出来,会看到一件比新闻本身更有意思的事。
三轮调整的共同点是:每一次都不是「机器人不重要」,而是「机器人不该单独搞」。2020 年是数据不够,2026 年是模型够了。
判断:这是同一个判断在两端之间的摆动,而不是路线摇摆。2020 年解散,是因为那时做机器人要靠专门采集的机器人数据,成本高、规模小;现在解散,是因为通用模型在语言、代码、视觉上积累的能力被认为可以直接迁到物理世界。两次动作方向相反,底层逻辑一致——哪条路的数据效率高就走哪条。
所以「OpenAI 退出机器人」这个读法是错的。2027 年首次演示的目标没有任何报道说被取消,Altman 五月底的招聘帖里写的「短期支持技术工人建设基础设施,长期让每个人都有一个个人机器人」也还在。撤掉的是一个建制,不是目标。
报道里最抓眼的一组数:英伟达一项研究中,Astra 驱动的智能体在模拟操作基准上拿到 74.8%,该榜最好的专用模型公开成绩 51.0%。
差 23.8 个百分点,相当于相对提升 46.7%(74.8 ÷ 51.0)。放在任何一篇论文里都是能写进摘要的差距。
但它撑不起「通用模型已经打赢专用模型」这个结论,原因有三层,一层比一层硬。
第一层,环境。这是仿真里的模拟机器人。仿真能跑高分而真机跑不动,是具身智能过去三年最稳定的规律之一——摩擦、间隙、线缆回弹、光照突变、传感器噪声,这些在仿真里要么没有,要么被建模成了理想分布。
第二层,分母。「该榜最佳专用模型 51.0%」是公开提交的成绩。专用模型阵营里能力最强的几家,很多根本不往公开榜提交。用「公开榜最好成绩」当分母,天然偏低。
第三层,任务。「一项模拟操作基准」不等于「操作」。插充电器、叠衣服、装箱、拧瓶盖,难度差着数量级。基准里各任务的权重怎么分、长尾任务占多少,报道没给。没有这层信息,74.8% 无法翻译成任何一个现场指标。
要判断「接管大脑」到底接管了什么,得先把机器人的控制链拆开。业内常用的分法有三层,频率差三个数量级。
| 层 | 干什么 | 典型频率 | 通用模型的处境 |
|---|---|---|---|
| 任务理解与规划 | 听懂指令、拆步骤、判断做到哪一步、出错后重排 | 0.1–2 Hz | 优势区。语言、常识、长程推理正是通用模型的强项,且云端延迟可接受 |
| 动作生成(VLA) | 把「抓这个杯子」变成末端轨迹与夹爪指令 | 5–30 Hz | 混合区。通用模型可直接产出,但延迟与稳定性仍不如专用小模型 |
| 伺服控制环 | 关节力矩、电流、编码器闭环、力控 | 500–2000 Hz | 进不来。云端往返几十毫秒就是事故,这一层必须在本体控制器里跑 |
按这个拆法,「通用模型接管机器人」这句话成立的范围很清楚:第一层几乎全部,第二层一部分,第三层零。
这恰好解释了报道里两位学者的表态为什么听起来像在给 OpenAI 泼冷水,其实是在补上缺失的半句。
卡内基梅隆大学机器人研究所助理教授 Guanya Shi 的说法是:OpenAI 可能不再把机器人看作一个需要独立解决的特殊问题,而是通用智能的一种下游应用——这和 AI Coding、法律、金融工具是同构的,底层同一套模型,靠不同工具和接口适配具体任务。他同时指出,能跑在机器人本地算力上的小型专用模型仍有重要价值,因为它们不依赖持续联网。
MIT 教授、Walden Robotics 联合创始人兼 CEO Russ Tedrake 补的是另一头:机器人公司拥有 AI 实验室难以复制的优势——它们的机器人已经进了工厂,在真实场景里持续积累经验数据。基础模型越强,机器人从这些数据里学的效率越高。
判断:这两句话合起来,就是这次调整真正的边界。通用模型负责「想」,本地小模型负责「快」,现场数据负责「准」。OpenAI 把「想」收归中央,把「快」和「准」留给生态——这既是技术分工,也是商业分工:它不必自己去攒每一条产线的长尾数据,只要让别人的机器人调用它的模型。
比组织架构更能说明问题的,是同周那个空展位。
CoRL 2026 在奥斯汀开,OpenAI 原本预订了展位,会议 App 和场馆平面图都标着名字,最后 208 号空着,连标识都没有。一家公司如果只是内部重组,通常会保留对外露出;连展位都不布置,说明对外叙事还没准备好——先撤,再想怎么说。
但同期它没有撤的,是「2027 首次公开演示」这个承诺。而且据报道,它确实在做自己的人形机器人。
这个组合有点反直觉:产品目标留着,研究建制撤了。
判断:这说明 OpenAI 把机器人从「研究问题」重新分类成了「工程问题」。研究问题需要独立团队、独立预算、独立的评价体系;工程问题只需要一个接口和一条调用链。分类一变,组织自然跟着变。它没有放弃机器人,是把机器人变成了通用模型的一个应用场景——就像它没有为「写代码」单设一个部门,但 Codex 照样在跑。
还有一层背景不能忽略。据机器之心编译引述,OpenAI 上一季运营亏损达 109 亿美元,同时在寻求新一轮融资、筹备可能于 2027 年初进行的 IPO。Altman 此前要求公司砍掉偏离核心目标的支线。在这种财务结构下,「把分散的研究人员并回主干」几乎是一个必然动作,与技术判断无关也会发生。所以这次调整至少有两个驱动因素叠加:技术上通用模型确实够用了,财务上也不允许养一条独立战线。两个因素同向,动作才会这么快。
国内主流人形厂商这几年走的是另一条路:专用本体 + 专用数据 + 专用模型,自己建数采中心、自己攒真机数据、自己训 VLA。这条路重、慢、贵,但它有一个 OpenAI 现在主动放弃的东西——对现场数据的独占。
OpenAI 的赌注是:通用模型足够强之后,现场数据的重要性会下降,因为模型能零样本泛化。Tedrake 的判断相反:现场数据的重要性会上升,因为强模型能把数据用得更好。这两种判断在 2026 年底都还没有被证伪。
通用模型路线
优势:一次训练,跨本体复用;不必为每个客户重训;边际成本低。
风险:延迟、联网依赖、现场长尾无人负责;客户的关键数据沉淀在别人模型里。
专用模型路线
优势:可离线、可本地部署、数据留在客户现场;长尾调优快。
风险:每个场景都要重来一遍;跨本体迁移成本高;规模化靠人堆。
判断:这两条路在 2027 年之前不会分出胜负,但会在「谁负责现场」这一条上先分开。通用模型卖的是能力,专用模型卖的是责任。工厂买机器人,买的是「这条线停了谁负责」,不是「模型多聪明」。这也是为什么 Figure、Agility 这类公司一边用大模型,一边坚持自己做本体和现场部署——它们卖的是责任,不是 API。
对做二次开发和租赁交付的团队,这条新闻的实际含义不在技术,在报价结构。如果通用模型真的把「理解与规划」这一层的成本压到接近零,那么交付方原来靠「我们会调模型」收的钱会消失,剩下的钱只能来自三处:本体改造、现场集成、以及出问题时谁到场。前两处已经被压得很薄,第三处是唯一还在涨价的。
最后留一个待查项:74.8% 那项英伟达研究的基准名称与任务构成,如果后续公开,这个数才能被真正评估。在那之前,它适合当方向信号,不适合当决策依据。