OpenAI 解散独立机器人团队，研究人员转岗至其他团队

OpenAI 已解散其独立的机器人团队，将研究人员调往其他团队。

公司在回应《财富》杂志的询问时确认了这一重组。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投入的体现，而非退缩。

OpenAI 表示，已将机器人研究团队重新分配到公司的主要研究团队，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分配到公司更大的应用组织，向 OpenAI 总裁 Greg Brockman 汇报。

这一变动发生得相当近，以至于 OpenAI 此前已在 CoRL 注册了展位。CoRL 本周在奥斯汀举行，是机器人领域的顶级学术会议。尽管会议应用和展位图标注了 OpenAI 的位置，但当《财富》杂志来到 208 号展位时，那里空空如也，看不到 OpenAI 的标志。

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，原因包括机器人数据有限，以及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 越来越专注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 年底催生了公司的突破性产品 ChatGPT。

OpenAI 在 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，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。

公司发言人表示，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在 AI 行业日益获得认同的押注：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 模型控制能在物理世界中行动的设备，如机器人、自动驾驶汽车或无人机。这将消除建立独立机器人团队、专门构建 AI 模型来充当机器人数字“大脑”的需要。

研究人员在将 GPT-6 Astra 连接到机器人时看到了令人惊讶的表现，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，他会将这一举动解读为 OpenAI 认为机器人技术“不再是一个特殊问题”的信号。他说，相反，他们可能将机器人技术视为一个可以作为通用智能下游应用来解决的挑战——类似于同样的底层前沿 AI 模型现在驱动着专门的编程工具，或法律、金融工作工具的方式。

OpenAI 在回应《财富》杂志时似乎证实了这一观点。它表示，今年年初，公司的研究人员认为在机器人技术方面取得进展的最佳方式是基于其在 Sora 等 AI 模型上的工作。Sora 是一个视频生成模型，为了创建逼真的视频，它必须对物理世界的运作方式有一定隐含的理解。

但公司发言人说，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技术。这一发现正是促使 OpenAI 解散独立机器人团队、并将相关研究人员调往研究更通用 AI 模型团队的原因。

此次重组也正值 OpenAI 面临控制成本、表明更加专注于少数核心产品的压力之际。去年，Altman 告诉公司需要放弃“支线任务”，公司已经放弃了一些努力——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。公司面临遏制严重运营亏损的压力——据报道最近一个季度亏损总额达 109 亿美元——同时正在寻求完成新一轮融资，并为 2027 年初可能的 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”的专门模型——似乎挑战了当今许多机器人初创公司的基础假设，这些公司基于机器人需要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 实验室所没有的优势：他们的机器人已经在真实场所（如工厂车间）积累工作经验。这种“部署”经验——以及这些机器人收集的数据——帮助机器人适应特定的工作场所和任务。Tedrake 说，更好的基础模型使这些特定地点的数据更有价值，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机器人数据专门训练的情况下能完成多少工作。研究人员给 Astra 提供了摄像头图像、机器人信息和一个控制接口，使模型能够命令机器人采取某些行动。在 Nvidia 的一项研究中，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，模型在数字模拟中命令模拟机器人，而非真实机器人——相比之下，该排行榜上最好的专门机器人模型报告的成功率为 51.0%。

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）