OpenAI解散机器人团队:具身智能的技术路线正在换轨
作者:谁偷走了我的奶酪2026.11.17 03:15浏览量:0简介:OpenAI 这次调整并不是放弃机器人,而是把机器人研究并入通用基础模型研发,让通用大模型直接承担机器人任务的理解、规划与调度。对开发者和企业来说,真正需要提前准备的是"通用模型做大脑、专用控制做执行"的分层架构,以及配套的模型选型与调用成本管理——这一步可以从[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)开始,先对比不同大模型的能力边界与调用价格,再决定哪一层用哪个模型。
一、事件梳理:OpenAI 与机器人的三次分合
把时间线摊开看,OpenAI 对机器人的态度并不是简单的”放弃”,而是反复调整资源投放的重心:
- 2020 年 :解散早期机器人团队,把资源集中到大语言模型研究上。
- 2024 年 :重新布局机器人,与人形机器人公司 Figure 合作开发机器人 AI。
- 2025 年 2 月 :双方结束合作,Figure 转向自主研发。
- 现在 :再次调整组织结构,把机器人研究与通用基础模型研发深度整合。
三次动作背后是同一条判断线: 机器人问题最终会被通用模型能力”吸收”,而不是靠一个独立的专用模型体系慢慢堆出来 。第一次解散是因为当时的大模型还撑不起具身任务;这一次整合,是因为通用模型的多模态理解、推理和任务规划能力已经强到可以直接下场。
二、通用大模型 vs 专用机器人模型:数据该怎么读
支撑这一判断的关键证据来自仿真实验。据报道,在英伟达相关的模拟机器人操作实验中,GPT-6 Astra 驱动的智能体取得了 74.8% 的任务成功率,而对比的专用机器人模型为 51.0% 。
这个数字很有冲击力,但必须放在正确的语境里理解:
| 维度 | 专用机器人模型 | 通用大模型驱动 |
|---|---|---|
| 训练数据 | 需针对硬件与场景专门采集 | 可复用互联网规模预训练能力 |
| 新任务泛化 | 弱,换场景基本要重训 | 强,靠语言指令即可指定新任务 |
| 推理与长程规划 | 通常只覆盖短程技能 | 擅长任务拆解与失败归因 |
| 实时控制频率 | 可做到高频率闭环 | 推理延迟高,不适合直接进控制回路 |
| 仿真到现实的迁移 | 需大量真机数据校准 | 仍需真机数据验证物理可行性 |
需要强调的是,74.8% 属于 特定仿真环境 的实验结果,仿真中的物理简化、感知噪声和接触动力学都与真实世界存在差距,不能直接外推为真机综合表现。但这个趋势值得认真对待:它说明通用模型的语义泛化能力,已经开始在操作类任务上超过为单一任务定制的模型。
三、正在成形的架构:通用模型思考,专用系统执行
这次组织调整指向的技术路线,本质是把机器人智能拆成两层:
- 上层(慢思考) :通用多模态大模型负责场景理解、任务拆解、常识推理、失败后的策略调整。调用频率低,通常在 1~5Hz。
- 下层(快执行) :专用控制策略或技能库负责抓取、力控、平衡、路径跟踪。频率高,50~100Hz 甚至更高,必须跑在本地。
这个分层带来一个很实际的工程约束: 不要把大模型放进实时控制回路 。推理延迟和 Token 成本都不允许。正确的做法是让大模型输出结构化的动作原语,而不是关节力矩。
# 分层式具身智能体:通用大模型规划,专用策略执行PLANNER_PROMPT = """你是机器人任务规划器。根据当前画面与任务描述,输出一个可执行的动作原语(JSON)。可选技能:move_to / grasp / place / open / retry。若上一步失败,请分析原因并给出替代方案。"""def embodied_step(rgb, depth, task, history):# 1) 通用多模态大模型:理解场景 + 拆解任务(低频调用)plan = llm.chat(model=os.environ["PLANNER_MODEL"],messages=[{"role": "system", "content": PLANNER_PROMPT},{"role": "user", "content": [{"type": "image", "image": rgb},{"type": "text", "text": f"任务:{task}\n历史:{history}"},]},],temperature=0.2,)action = parse_action(plan) # {"skill": "grasp", "target": "cup", "pose": [...]}# 2) 专用控制策略:高频闭环执行(本地运行,无网络往返)return control_policy(action, depth)
工程上有三个容易踩的坑:
- 规划层输出必须结构化 。让模型直接输出 JSON 动作原语,而不是自然语言描述,否则下游无法稳定解析。
- 失败恢复要显式建模 。把上一步的执行结果回灌到上下文,让模型自己判断”抓空了”还是”目标移动了”,这是通用模型相对专用模型最大的增量价值。
- 上下文要裁剪 。视觉输入很吃 Token,只传关键帧和必要的历史摘要,否则长任务成本会失控。
四、模型选型:分层架构下怎么配
分层之后,选型问题也变成了两个独立问题:规划层要”聪明”,控制层要”快而稳”。
规划层建议在词元所模型服务上做一次横向对比:把同一批具身任务的场景截图和指令跑一遍,比较不同模型在动作原语生成的准确率、JSON 格式遵循度和单位任务 Token 消耗。这类平台提供统一 API 接入,切换模型时业务代码基本不用改,适合做 A/B 验证。控制层则不必依赖云端大模型,用本地小模型或传统控制算法即可。
如果企业场景涉及金融、工业、政务等垂直领域,通用模型之外也可以考虑行业模型作为补充,百度智能云在这类行业大模型落地上已有较完整的服务链路;而在具身智能机器人方向,云厂商提供的算力、平台与垂直解决方案也在快速补齐。
五、对数据采集与标注行业的三个信号
这次调整对上游数据服务商的影响可能比想象中更直接:
第一,数据质量开始压过数据规模。 复杂长程操作、失败后的恢复轨迹、精细手部动作这类”难数据”,训练价值远高于大量重复的成功抓取。按小时堆量的交付方式会越来越难卖出溢价。
第二,真实场景数据依然不可替代。 通用模型推理能力再强,物理交互能力只能靠真机验证。家庭、工厂、餐饮、维修这些场景的数据存在长期需求,仿真数据短期内无法完全替代。
第三,服务商必须向技术型升级。 单纯依赖人工采集、按工时结算的模式,会同时承受模型能力提升和数据价格下行的两头挤压。能自己做数据筛选、自动标注、轨迹质量评估的团队,才有议价空间。
六、给开发者的行动建议
- 现在就可以做的 :把现有业务任务改写成”动作原语 + 结构化输出”的形式,验证通用模型在你的场景里规划准确率有多少。
- 优先投入的 :真机或高保真仿真的失败案例采集,这是未来最稀缺的资产。
- 暂时不必焦虑的 :仿真榜单上的零点几个百分点,与真机落地之间还有相当距离。
具身智能的转折点不在于哪家公司解散了哪个团队,而在于 机器人的”大脑”正在从专用模型迁移到通用模型 。谁能先把这套分层架构跑通、把成本压下来,谁就更接近下一阶段的入场券。

登录后可评论,请前往 登录 或 注册