OpenAI 把机器人研究人员调配到其他团队：通用模型可能让专用机器人 AI 变得多余

本文开头第一句原本称 OpenAI “显然再次解散了其机器人团队”。OpenAI 随后澄清，它对该团队进行了重组，使其更紧密地与研究和产品部门协作，机器人相关工作仍在继续。开头一句已作更新以反映这一点。

OpenAI 已重组其机器人团队，不过原因与 2020 年首次解散该部门时不同。公司并非放弃机器人业务，而是希望通过将研究人员并入其他团队来加速这一业务。

机器人研究人员将转入首席研究官 Mark Chen 领导的主研究团队，而应用机器人与硬件团队则加入 Greg Brockman 的 Applied 组织。据 Fortune 报道，OpenAI 做出这一决定的时间如此仓促，以至于它已在奥斯汀举行的机器人学习会议（CoRL）上预订了展位，该展位随后空置。

OpenAI 显然认为，像 GPT-6 Astra 这样的通用模型可以直接控制机器人，从而减少对专用机器人模型的需求。

在一项 Nvidia 研究中，一个由 Astra 驱动的智能体在模拟机器人任务上取得了 74.8% 的成功率，而最好的专用模型为 51%。测试使用的是模拟的 DROID 机器人，而非实体机器人。

一个名为 StationeryBench 的新机器人基准在双臂 YAM 机械臂上比较了 GPT-6 Astra 与 Ai2 的 MolmoAct2，涉及五项目标为桌面物体的任务。在 200 次试验中，Astra 完整完成了 100 项任务中的 7 项，而 MolmoAct2 一项都未完成。Astra 的平均进度得分为 46，MolmoAct2 为 12。

在另一项测试中，运行在人形机器人上的 Astra 导航并清理了一间厨房。目前尚不清楚 OpenAI 及其他公司在训练中纳入了多少机器人数据。

Anthropic 和 Google 的其他大型通用模型近期也在机器人任务上取得进展。专用机器人模型在成本、可靠性以及速度和能耗方面可能仍有优势，即便它们的泛化能力不如通用模型。

康奈尔大学与 Google DeepMind 的 AI 研究者 Yoav Artzi 也认为 Astra 在空间理解上是重大飞跃。据 Artzi 称，在尚未公开的 REMAP 基准上，GPT-6 Astra 达到了接近人类的准确率。他怀疑 OpenAI 可能用大量 3D 训练数据（如 Blender 场景）训练了该模型。

OpenAI 于 2020 年关闭其机器人部门，联合创始人 Wojciech Zaremba 称原因是公司缺乏所需的训练数据，且大语言模型是通往 AGI 的更快路径。公司于 2024 年重建了该团队。据报道，CEO Sam Altman 的目标是在 2027 年进行首次公开机器人演示，OpenAI 长期希望打造自己的日常机器人。但公司也面临巨大财务压力，需要聚焦其核心 AI 业务，而它在该领域已明显落后于 Anthropic。

OpenAI 重组机器人团队，把研究人员并入 Mark Chen 的主研究团队，把应用机器人与硬件团队并入 Greg Brockman 的 Applied 组织，而非放弃机器人业务。其判断是：像 GPT-6 Astra 这样的通用模型可直接控制机器人，从而削弱专用机器人模型的必要性；不过专用模型在成本、可靠性、速度与能耗上可能仍有优势。

• OpenAI 重组机器人团队，把研究人员并入 Mark Chen 的主研究团队，把应用机器人与硬件团队并入 Greg Brockman 的 Applied 组织，而非放弃机器人业务。其判断是：像 GPT-6 Astra 这样的通用模型可直接控制机器人，从而削弱专用机器人模型的必要性；不过专用模型在成本、可靠性、速度与能耗上可能仍有优势。
• 原贴提到：The opening sentence of this article originally stated that OpenAI was "
• 来源：the-decoder.com

这是什么信号

这不是“OpenAI 不做机器人了”，而是把机器人从独立部门拆散、塞进主研究与应用组织。研究侧归到 Mark Chen 的主研究团队，应用与硬件归到 Greg Brockman 的 Applied 组织，传递的信息是：机器人不再是需要独立建制去攻的技术栈，而是通用模型能力的一个下游验证场景。

更重要的信号来自组织动作背后的技术判断——通用大模型可以直接驱动机械臂与人形机器人，专用机器人基础模型的必要性被削弱。配套证据是 Nvidia 的模拟测试中 Astra 智能体 74.8% 成功率对专用模型 51%，以及 StationeryBench 上 Astra 平均进度 46 分而 MolmoAct2 为 12 分。但要注意，CoRL 展位空置这一细节说明决策节奏极快，更像战略下注而非充分验证后的收编。

为什么重要

过去几年机器人 AI 的主流叙事是“缺数据、缺专用模型、缺硬件闭环”，因此诞生了一批垂直机器人基础模型公司。如果通用模型在空间理解和任务泛化上追上来，行业分工的底层假设就被改写了：价值从“训练一个机器人专用模型”转移到“拥有最强通用模型 + 最好的数据与硬件接口”。

但证据强度必须打折：Nvidia 的实验是模拟 DROID 机器人而非真机；StationeryBench 只有 200 次试验、5 类桌面物体任务，且 Astra 完整完成率仅 7/100。这说明通用模型在长程任务的完整交付上仍然脆弱，“接近人类的空间理解”与“能干完活”之间还有明显距离。专用模型在成本、可靠性、速度与能耗上的优势并未被否定。

对谁有价值

对做具身智能与机器人应用的团队：这是一次路线校准信号，需要重新评估“自研专用模型”与“调用通用模型 + 领域微调/工具层”的性价比。对投资与战略岗：OpenAI 的建制变化是判断通用模型边界扩张速度的前置指标，比论文更早反映资源流向。对使用机器人的产业方（仓储、制造、服务）：短期别指望通用模型直接接管产线，但可以开始做任务切片试验。

对 AI 产品与工程负责人：人形机器人清理厨房这类演示的价值不在完成度，而在于说明感知—规划—控制可以被统一到语言模型范式里，这意味着技能栈的迁移成本在下降。

可以怎么行动

第一，做一次双轨对照实验：在自有场景里同时跑通用模型方案与现有专用模型方案，记录完整任务完成率而非平均进度分，因为两者差距极大。第二，把评测从“演示可行”改成“连续 N 次完整成功”，并加入真机与能耗成本口径。第三，关注数据侧：报道提到 OpenAI 可能使用大量 3D 训练数据（如 Blender 场景），说明合成数据与空间数据是通用模型跨入机器人的关键杠杆，值得在自有数据资产上提前布局。第四，组织上不要急于拆散机器人团队，先明确哪些能力应上收到通用模型层、哪些必须留在硬件与实时控制层。

风险与限制

一是证据多为模拟环境与未公开基准（REMAP 尚未发布），可复现性存疑；二是 OpenAI 未披露训练中纳入多少机器人数据，无法判断能力来源是通用性还是数据泄漏式覆盖；三是战略漂移风险——2020 年关停、2024 年重建、如今再次重组，说明该方向在公司内部优先级随资源与竞争压力波动，而报道明确提到其面临聚焦核心 AI 业务的财务压力；四是 2027 年首次公开机器人演示目前只是目标，不构成能力承诺。

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《OpenAI 把机器人研究人员调配到其他团队：通用模型可能让专用机器人 AI 变得多余》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

• Matthias Bastian 原帖