OpenAI 解散独立机器人团队，将研究人员并入通用模型团队

OpenAI 已解散其独立的机器人团队，将研究人员调往其他团队。

该公司在回应《财富》杂志的询问时证实了这一重组。一位公司发言人表示，机器人技术仍是 OpenAI 长期愿景的核心部分，并将此次重组描述为公司对机器人技术承诺的体现，而非退缩。

OpenAI 表示，已将其机器人研究团队重新划归公司主研究团队，向首席研究官 Mark Chen 汇报；而应用机器人团队和硬件团队则被重新划归公司规模更大的应用组织，向 OpenAI 总裁 Greg Brockman 汇报。

这一变动发生得相当近，以至于 OpenAI 此前已经在本周于奥斯汀举行的一场顶级学术机器人会议 CoRL 上注册了展位。尽管会议应用和展位图都标出了 OpenAI 的位置，但当《财富》杂志来到 208 号展位时，那里空无一人，OpenAI 的标志也无处可寻。 

OpenAI 在早期曾设有机器人团队，但在 2020 年将其缩减，联合创始人 Wojciech Zaremba 后来提到，机器人数据有限，而通过其他方法通往通用人工智能（AGI）——即 OpenAI 自成立以来一直追求的目标——的路径更为高效。特别是，OpenAI 越来越致力于在大量人类撰写文本数据集上训练超大型语言模型。正是这种方法最终在 2022 年底催生了该公司的突破性产品 ChatGPT。

OpenAI 于 2024 年重建了一个独立的机器人团队，宣布与初创公司 Figure 合作开发人形机器人的 AI 模型。该合作于 2025 年 2 月结束，当时 Figure 表示将开发自己的机器人 AI。OpenAI 表示目前正在开发自己的人形机器人，CEO Sam Altman 的目标是在 2027 年进行首次公开演示。

该发言人表示，尽管进行了重组，OpenAI 仍致力于将通用机器人带入世界。

此次重组反映了一种正在整个 AI 行业获得越来越多认同的押注：为语言、代码和视觉构建的通用模型也可以用于“具身 AI”——即 AI 模型控制能够在物理世界中行动的设备，例如机器人、无人驾驶汽车或无人机。这将消除为了充当机器人的数字“大脑”而需要单独组建机器人团队来构建专用 AI 模型的必要性。

研究人员在将 GPT-6 Astra 连接到机器人时看到了令人惊讶的性能表现，直接使用通用 AI 模型来执行某些机器人任务。

卡内基梅隆大学机器人研究所助理教授 Guanya Shi 此前已听说 OpenAI 的重组，他告诉《财富》杂志，他会将此举解读为一个信号，即 OpenAI 认为机器人技术“不再是一个特殊问题”。他说，相反，他们很可能将机器人技术视为一种可以作为通用智能下游应用来解决的挑战——类似于如今同样的底层前沿 AI 模型为专用编程工具或法律、金融工作工具提供支持的方式。

OpenAI 在回应 Fortune 时似乎证实了这一观点。它表示，今年年初，该公司的研究人员认为，在机器人领域取得进展的最佳方式是基于其在 Sora 等 AI 模型上的工作——Sora 是一种视频生成模型，为了生成逼真的视频，它必须对物理世界的运作方式有一定隐含的理解。

但该公司发言人表示，自那以后，公司的通用前沿模型（包括 GPT-6 Astra）已经表明可以直接应用于机器人领域。这一发现促使 OpenAI 解散了独立的机器人团队，并将相关研究人员调往从事更通用 AI 模型工作的团队。

此次重组之际，OpenAI 正面临控制成本并表明其更专注于少数核心产品的压力。去年，Altman 告诉公司需要放弃“支线任务”，公司已经放弃了一些项目——包括 Sora——以便将计算资源重新分配到更核心、可能更有利可图的事业上。该公司正面临遏制巨额运营亏损的压力——据报道，最近一个季度的亏损总额达 109 亿美元——同时它正寻求完成新一轮融资，并为可能在 2027 年初进行的 IPO 做准备。

这种思路——即通用 AI 模型可以直接应用于控制机器人，而无需创建具有“空间智能”的专用模型——似乎挑战了当今许多机器人初创公司所依据的假设，这些公司基于机器人需要有自己的大脑这一前提筹集了数十亿美元。 

但 MIT 教授、Walden Robotics 联合创始人兼 CEO Russ Tedrake 表示，机器人公司仍然拥有 AI 实验室所不具备的优势：它们的机器人已经在真实场所（如工厂车间）积累了工作经验。Tedrake 说，这种“部署”经验——以及这些机器人收集的数据——有助于机器人适应特定的工作场所和任务。更好的基础模型使这些特定站点的数据更有价值，因为机器人可以更快地从中学到东西。

最近的实验测试了通用模型在没有针对机器人数据进行专门训练的情况下能完成多少工作。研究人员向 Astra 提供了摄像头图像、机器人信息以及一个控制接口，使该模型能够命令机器人采取某些行动。在一项 Nvidia 研究中，一个由 Astra 驱动的智能体在模拟操作基准测试中达到了 74.8% 的成功率——在该测试中，模型在数字模拟环境中指挥一个模拟机器人，而非真实机器人——相比之下，该排行榜上最好的专用机器人模型报告的成功率为 51.0%。

Shi 表示，通用模型在空间和推理能力方面的进步已经使它们能够处理以前需要专门训练的任务。他说，当瓶子处于不同位置或光照发生变化时，它们能够应对，并能推理任务的顺序或哪一步出了问题。

与此同时，大型语言模型功能强大但速度慢，且需要托管在云端，这意味着机器人或设备需要持续的网络连接。Shi 仍然认为需要更小的专用模型，这些模型可以在机器人的板载计算机上运行，而无需持续的互联网连接。

“如何增长智能可能有不同的起点，”Generalist 的联合创始人 Pete Florence 对《财富》杂志表示。Generalist 是一家为机器人训练通用 AI 模型的初创公司。他说，目前尚不清楚现有模型中有哪一个会在长期内主导机器人领域。

就 OpenAI 而言，它表示正在将其机器人研究人员重新分配到其他团队，因为它现在认为这是加速构建通用机器人进展的最佳方式。

回到 CoRL 的 208 号展位，几位曾经统一、独立的 OpenAI 机器人团队的前成员在附近闲逛。尽管没有展示或演示，他们仍然吸引了一群人。毕竟，会议最热门的问题之一是，随着通用模型能力越来越强，有多少机器人专业知识仍将具有价值——而那些现已被派往其他团队的前 OpenAI 机器人研究人员的经历，提供了一个答案。