大语言模型

OpenAI 把独立机器人团队拆了:通用模型考了 74.8 分,但每抓一次要等 18 秒、烧 36 美元

2026年11月16日1 次阅读
OpenAI 把独立机器人团队拆了:通用模型考了 74.8 分,但每抓一次要等 18 秒、烧 36 美元
📅 2026 年 11 月 15 日 · 事件日期 2026 年 11 月 13 日 · 分类:大语言模型
OpenAIGPT-6 AstraNVIDIAAstranomy具身智能RoboLab-120

3分钟看懂

OpenAI 把「独立机器人团队」拆了。消息来自 Fortune 11 月 13 日的独家报道,OpenAI 在被问询时向 Fortune 确认了这次调整,但自己没有发任何公告。

拆法很具体:原来做机器人研究的人,并入 Mark Chen 领导的主线研究体系;做应用机器人和硬件的人,并入 Greg Brockman 领导的 Applied 部门。独立团队不再保留。

OpenAI 给的说法不是「撤退」,而是「加速」:通用模型已经能直接开机器人,没必要再养一支专门给机器人造「脑子」的队伍。

这个说法背后有一份可以查的证据——NVIDIA 西雅图机器人实验室 10 月 14 日发布的 Astranomy 研究。它让 GPT-6 Astra 在 RoboLab-120 这个 120 项任务的仿真基准上做抓取和摆放,不做任何机器人策略微调,最好的一种调用方式拿到 74.8% 成功率;同一张榜上最强的专用机器人模型 Lakeside 是 51.0%。

差的 23.8 个百分点是真的。但那份报告里还有两个数字,媒体标题基本不写:

  • 最好的那种调用方式,每次推理要 18.56 秒,一次成功回合烧掉 3090 万 token,合 36.40 美元。
  • 跑分时仿真环境是暂停的,模型想完再继续。真机上没人替你按暂停。

一句话:能力是真的,实时性和成本还差得远。OpenAI 赌的是这两件事会先崩下来。

本文基于 Fortune 独家报道、the-decoder 与虎嗅等多家媒体转述整理,并核对了 NVIDIA 原始研究页;OpenAI 官方未就此发布新闻稿。

166 天
从公开招募到团队被拆
74.8%
GPT-6 Astra 在 RoboLab-120 的成功率
18.56 秒
每次推理调用的平均延迟
36.40 美元
每成功回合的 token 成本

这件事到底是什么

先把事实摊开,因为这一轮消息在中文互联网上被写成了好几种版本。

人事怎么动的。 Fortune 的原话是:独立机器人团队被解散,研究人员重新分配到公司其他部门。OpenAI 发言人确认了重组,并强调机器人仍是公司长期愿景的核心部分。研究团队向首席研究官 Mark Chen 汇报,应用机器人与硬件团队进入总裁 Greg Brockman 的 Applied 组织。

一个有点尴尬的细节。 这次调整来得太急,OpenAI 已经报名了本周在奥斯汀举行的 CoRL(机器人学习大会),展位号 208。Fortune 记者去现场看的时候,那个摊位是空的,连 OpenAI 的 logo 都没有。一家公司如果是在「有序推进机器人战略」,通常不会让自己的展位空着。

这是第二次。 OpenAI 2016 年就开始做机器人,做出过 Dactyl 灵巧手和拧魔方那套自动域随机化。2020 年停了这条线,联合创始人 Wojciech Zaremba 后来解释是数据问题:机器人采数据要硬件、要场地、要反复试验,设备会坏,换个机械手经验就不一定能复用;而互联网上已经有海量文本可以喂语言模型。2024 年重建独立机器人团队,和 Figure 合作做人形机器人的模型,这段合作在 2025 年 2 月结束,Figure 说自己做机器人的 AI。

2026 年 5 月 31 日,Altman 公开发帖招募,OpenAI Robotics 第一次正式亮相,一口气放出 19 个岗位。虎嗅核对后写到,从那次公开招募到 11 月 13 日 Fortune 发稿,中间隔了 166 天;而招聘页面上年薪最高 48.5 万美元的机器人岗位,当时还挂着没撤。

为什么这次的理由和 2020 年不一样。 2020 年是「数据不够,先去做语言模型」。这次是「通用模型够了,不需要专门的机器人模型」。OpenAI 发言人对 Fortune 说,年初他们还以为要让通用模型获得操作能力,得先用 Sora 这类视频模型积累物理直觉、再蒸馏进机器人策略;但这一年里,包括 GPT-6 Astra 在内的通用前沿模型被证明可以直接用在机器人上,这个中间步骤就被跳过了。

钱的因素也在。 Fortune 提到 OpenAI 最近一个季度调整后运营亏损 109 亿美元,正在关新一轮融资、并准备可能于 2027 年初的 IPO。Altman 去年就对内部说过要砍掉「支线任务」,Sora 已经被收缩过一次。拆机器人团队,很难说和这个压力无关。

为什么 OpenAI 敢拆

要看懂这个决定,得看 NVIDIA 那份研究,而不是看新闻标题。

研究是怎么做的。 NVIDIA 西雅图机器人实验室(Jenai Xuning Yang、Ashna Khetan、Shun Zhang)在 RoboLab-120 上零样本测试 GPT-6 Astra,用 DROID 机器人、15Hz 控制、三个视角(左肩、右肩、腕部)各缩到 384×216。每个任务跑 5 个回合,固定随机种子,全部跑在 L40s 上。Astra 用 medium 推理档,单次调用上限 8192 输出 token。

同一个模型,三种用法,三个结果。

调用方式成功率 / 完成分每次调用延迟每成功回合 token / 美元
Direct(无外壳,直接出动作)66.3% / 76.718.56 秒16 万 / 1.96 美元
Agentic(Codex 常驻会话 + 工具)74.8% / 83.613.37 秒3090 万 / 36.40 美元
Orchestrated(Astra 当监工)66.5% / 79.111.50 + 2.74 秒1100 万 / 17.72 美元
Lakeside(榜上最强专用模型)51.0%——
Cosmos3-Nano-Policy(机器人基础模型)36.8% / 51.9713.76 毫秒—
π0.5(VLA)28.0% / 43.446.96 毫秒—

这张表里最值得注意的不是 74.8%,而是 66.3% 到 74.8% 这 8.5 个点,模型一点没变,变的是调用方式:从「每次无状态地问一句」换成「在一个持续保留上下文的 Codex 会话里干活,还能调工具」。研究自己的措辞是,Agentic Policy 保留完整文本与视觉交互历史、带规划指令和运动反馈。换句话说,涨的是外壳,不是脑子。

这也解释了为什么 OpenAI 敢拆团队:如果瓶颈在「外壳」,那它属于产品工程,不属于一支独立的机器人研究团队。

还有一组更狠的数字。 延迟在整段任务里占 94.9%–97.8%。以酸奶那个任务为例,加上推理时间,整段估计 3 分 57 秒,其中真正执行动作只有约 5.2 秒。作为对照,报告引用 Black Forest Labs 的数据:π0.5 的中位延迟 46.96 毫秒,Cosmos 3 Nano 直接推理 713.76 毫秒——差了三到四个数量级。

所以那份研究的结论其实是两句,媒体只传了第一句:通用模型确实能当机器人策略用;但它现在的延迟和成本,离能部署还很远。

被藏起来的代价

把 74.8% 当结论用,会踩三个坑。

第一,那个 74.8% 的前提是「世界暂停」。 报告自己写得很清楚:控制频率 15Hz,推理期间仿真暂停。真机不会因为你还在想就停住那个正在滑动的杯子。报告在局限性一节直接承认,这轮评估没有测试「环境持续变化时策略能否有效响应」。

第二,$36.40 是一次成功抓取的价格,不是一次尝试。 Agentic 每成功回合 3090 万 token;Direct 是 16 万 token、1.96 美元。花 18.5 倍的钱,换 8.5 个点。如果按 1000 次成功抓取算,那是 3.64 万美元——这不包含机械臂、场地和人力。

第三,样本量很小,且作者自己说没有统计显著性。 每个任务 5 个回合,报告明说推理成本和挂钟时间限制了重复次数,「尚未确立各配置之间差异的统计显著性」,特别是不显著的差距。所以那些几分的差距,不能当参数效果的定论。

研究还划了任务边界:只覆盖 RoboLab-120 里的通用抓放,不包含插入、装配这类接触密集任务,不包含超长程移动操作,也不包含需要快速反应的动态任务。

一句需要标来源的补充。 独立分析(DEV.to,11 月 14 日)在读完原报告后指出,一个叫 ZAP 的纯仿真策略在同一基准上到了 74.0%,也就是说 Astra 的领先并不独家。这条属于媒体核对口径,不是 NVIDIA 报告里的内容,读者引用时请注明。

行业里的反对意见也还在。 据 Fortune 与 DEV.to 转述,CMU 机器人研究所助理教授 Guanya Shi 认为这说明 OpenAI 把机器人看成「不再是特殊问题」,只是通用智能的下游应用;MIT 教授、Walden Robotics 创始人 Russ Tedrake 则提醒,机器人公司手里有 AI 实验室没有的东西——机器已经在真实工厂里干活、在攒现场数据;Generalist 联合创始人 Pete Florence 也不认为通用模型已经解决了具身智能。

虎嗅采访的几位具身从业者的说法更直白:通用模型对解决具身问题「有帮助」,但「有帮助」不等于能替代具身模型。

适用场景:这份研究对谁有用

做人形或双臂抓放的团队。 这是最直接的读者。研究给出了可直接照抄的配置:动作表示用绝对末端位姿,Direct 用 3–15 步的动态 chunk,Agentic 一次只保持 1–5 个控制步的目标,Astra 用 medium 推理档,三个视角 384×216。想复现的话,这些参数比结论更有用。

做 agent 外壳 / harness 的团队。 66.3% → 74.8% 这个跃迁说明:同一个模型,上下文管理和工具开关能带来 8 个点以上的差距,而延迟反而从 18.56 秒降到 13.37 秒。这对所有「模型 + 外壳」的产品都是个可引用的案例。

要判断具身赛道估值的人。 如果通用模型真能当下游应用使,那「机器人需要自己的大脑」这个前提就要打折——而这正是很多机器人创业公司的融资叙事。反过来,Tedrake 那派说的现场数据也是真的,两边都得看。

做模型评测的人。 这份报告把「能力」和「可部署性」拆成两个轴(成功率 / 延迟 / 每回合成本),比单看排行榜更接近真实决策。

不适用场景:谁别急着跟

想直接上产线的。 18 秒一次决策、仿真暂停、只测抓放——这三条里任何一条都足以让它在产线上不可用。

做接触密集任务的。 插入、装配、线缆整理这类任务,报告明确没覆盖。抓取成功率不能外推到「能装配」。

预算敏感的团队。 每成功回合 36.40 美元,是实验室预算的量级,不是量产预算的量级。要用也先用 Direct 那档(1.96 美元),接受 66.3%。

把这件事读成「OpenAI 放弃机器人」的。 官方口径是重组,Altman 2027 年公开展示自研人形机器人的目标没有撤回。把它写成撤退,是误读。

把这件事读成「机器人已解决」的。 同样误读,方向相反。

怎么用:把这份研究变成你自己的判断

如果你在评估「要不要用通用模型做机器人控制」,按这个顺序做:

  1. 先看延迟,再看成功率。把你的任务控制频率写下来,除以模型的单次调用延迟,算出「一个动作要等几个控制周期」。18.56 秒对 15Hz,是 278 个周期。
  2. 再算 token 账。用你任务的平均回合数乘单回合 token,乘你实际要跑的抓取次数。Agentic 档 3090 万 token/回合这个数,是公开可查的锚点。
  3. 然后做「同模型换外壳」的对照实验。别一上来就比模型,先固定模型、只改上下文保留与工具开关,看差距有多大。NVIDIA 这一轮最大发现就在这个维度。
  4. 最后再决定要不要专用模型。只有当「通用模型 + 外壳」在你的任务上明显不够,专用策略的投入才划算。

避坑:三个常见误读

误读一:74.8% 是「超过人类」或「真机可用」。 不是。它是仿真、单一基准、暂停推理、5 回合样本。

误读二:这是 OpenAI 第一次砍机器人。 是第二次。2020 年砍过一次,2024 年重建,2025 年 2 月与 Figure 的合作结束,2026 年 5 月 31 日公开招募,11 月 13 日再拆。这条时间线比「又一次撤退」有信息量。

误读三:官方发了公告。 没有。这是 Fortune 的独家,OpenAI 只在被问询时确认。所有「OpenAI 宣布」的说法都该改成「OpenAI 向 Fortune 确认」。

还有一个操作层面的坑:引用 74.8% 时,一定同时给出 18.56 秒和 36.40 美元。只给成功率,等于把一份自己写了三页局限性的报告,用成了一个营销数字。

成本和时间

算一笔账。 以 Agentic 档为例:每成功回合 3090 万 token、36.40 美元、约 13.37 秒/次调用。研究报告里酸奶任务整段估计 3 分 57 秒。若一天要完成 1000 次成功抓取,光 API 就是 3.64 万美元/天,且需要并行多套仿真/真机才能压住挂钟时间。

时间线。 三个节点值得记:

  • 2026 年 10 月 14 日,NVIDIA Astranomy 发布,给出 74.8% / 18.56 秒 / 36.40 美元这组三角数据。
  • 2026 年 11 月 13 日,Fortune 报道 OpenAI 拆掉独立机器人团队,OpenAI 确认重组。
  • 2027 年,Altman 此前承诺的公开展示窗口。这是唯一能验证这次决定对错的节点——真机、实时、没人按暂停。

行动建议

第一步,把你的场景对照三条硬门槛自查:控制频率能不能容忍十几秒的决策间隔、单次任务预算能不能接受一到几十美元、任务是否属于接触密集或高动态。任何一条不满足,就先别上通用模型,老老实实用专用策略。

第二步,如果三条都能过,先做「换外壳」实验而不是「换模型」实验。 固定模型,只改上下文保留、工具开关、动作表示(绝对末端位姿 vs 关节位置 vs B 样条)这三个变量,记录成功率与延迟。NVIDIA 的数据显示,这三处的影响比换模型更大。

第三步,把 2027 年那个演示当验收标准。 到那时看三件事:是不是真机、是不是实时(没有暂停)、每次成功操作的成本是否降到美分级。这三条都成立,说明今天的组织决定赌对了;如果又是一段精心编排的仿真,那 74.8% 就只是一个基准成绩。

参考来源

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...