奥斯汀机器人学习大会CoRL的展厅里,208号展位空着。
官方日程表上印着OpenAI的名字,但现场连一块背板都没立,只留下一片地毯。几小时后,消息传遍硅谷:成立仅五个月的OpenAI独立机器人团队,就地解散。
五个月前,山姆·奥尔特曼开出50万美元年薪满世界抢人,五个月后,研究组并入大模型主干线,硬件组划归应用部门。
OpenAI又要像2020年那样放弃硬件了?笔者认为恰恰相反!
奥尔特曼这次拆掉独立部门,不是战略撤退,而是亲手宣判了具身智能过去几年“专用小脑”路线的死刑:但也同时暴露了一个更残酷的现实:靠云端大模型直接控制机器人,在工厂里根本跑不通。
为什么这么判断?把实验室的测试数据和工厂车间的账本摆在一起,答案一目了然。
实验室的真相:通用大模型已经把专用机器人模型甩在身后过去三年,全球机器人创业圈讲的都是同一个故事:大模型活在文字里,不懂重力、摩擦力和空间关系,所以机器人必须单独采集海量人类遥操作数据,训练一套垂直的“具身小脑”即VLA视觉-语言-动作架构。
这个故事很烧钱。
训练一个能干活的垂直模型,至少需要 10万到50万条 真机演示数据,单条数据的人力加设备折旧成本高达几美元。无数初创公司拿着天价融资,雇人在实验室里三班倒,握着手柄教机械臂叠毛巾、拧瓶盖。
今年9月,GPT-6 Astra 落地,直接掀翻了这张桌子。
工程师测试时发现,根本不需要为机器人单独训练模型。只要把摄像头画面、关节力矩和语音指令直接喂给GPT-6 Astra,这个通用基座模型就能通过零样本上下文学习,直接输出六自由度6-DoF动作控制序列。
英伟达10月公布的RoboLab-120基准测试,涵盖120种精密装配、柔性物体操作任务里,两组数据形成刺眼对比:
直接用通用大模型GPT-6 Astra驱动,任务成功率达到74.8%。
同一榜单上,过去砸重金训练出来的最优垂直专用模型,如改进型RT-2,最高成绩只有51.0%。
紧接着,Anthropic的通用模型Claude Fable 5.2也在双臂协作测试中拿到64.9%的分数,甚至能直接看懂杠杆原理,上手使用从未见过的陌生工具。
这就是OpenAI解散独立团队的直接原因:当通用大模型的参数和多模态世界模型跨过临界点,物理空间推理已经变成了通用智能的自带能力。 既然主干模型就能干得更好,再养一个独立部门去重复采集遥操作数据、训练专用模型,就是纯粹的算力浪费。
卡内基梅隆大学助理教授Guanya Shi说得很直白:在OpenAI眼里,机器人已经不再是一个特殊学科,只是通用智能的一个下游输出接口。
车间的铁律:18秒的延迟和260元一次的抓握,工厂根本用不起看到这里,也许有人会觉得:通用大模型赢麻了,做垂直机器人模型的公司可以关门了。
但我们把英伟达那份74.8%高分的测试报告翻到附录,看到两个数字后:GPT-6 Astra每做一次动作决策,平均云端往返延迟是 18.56秒,单次尝试消耗的Token算力成本是 36.40美元,约合人民币260元。
把这两个数字放进真实的制造车间,就是一场灾难。
流水线等不起18秒。
现代工业机械臂的底层伺服电机控制频率在500Hz到1000Hz之间,系统每隔1到2毫秒 就要修正一次力矩。哪怕是最上层的视觉抓取,反应窗口也只有50到200毫秒。如果抓一个零件还要把视频传上云端、等大模型思考十几秒再传回来,流水线上的工件早就掉在地上,甚至可能因为力矩失控直接撞毁几万块的精密夹具。
工厂算不过来260元一次的账。
一台汽车焊装或3C装配机械臂,一天有效动作 8000到15000次。抓一次零件烧掉260块算力费,一台机器一天的推理成本就是两百多万人民币,没有任何一家制造企业能承受这种成本。
工厂要的是99.99%的确定性,不是74.8%的概率。
在实验室里,74.8%的成功率可以发顶会论文;但在通过ISO 10218,工业机器人安全要求与ISO/TS 15066协作机器人安全规范认证的现代工厂里,剩下25.2%的失败率 意味着工伤事故和整条产线停摆。大模型本质上是概率预测,存在天然波动,而工厂要的是毫秒级响应、断网也能干活的确定性。
再加上OpenAI最近一个季度运营亏损扩大到109亿美元,正卡在冲刺2027年初IPO的节骨眼上。此前奥尔特曼已经砍掉了Sora等高耗能支线,这次解散烧钱又短期难变现的独立机器人团队,既是技术路线向通用基座集中,也是极其现实的财务止损。
产业链洗牌:纯算法中间商出局,真正值钱的是两头OpenAI这一刀切下去,整个具身智能行业的估值逻辑全变了。对于普通人、创业者和制造业从业者来说,这意味着两件事:
夹在中间的“纯机器人算法公司”危险了。
过去两年,很多公司自己不造硬件,也没有千亿参数的基座模型,专门靠雇人采集几万条遥操作数据做模型微调。随着GPT-6、Claude这些底层大模型不断吞噬空间理解能力,这批中间商的技术壁垒正在归零,未来两年会迎来最残酷的淘汰赛。
干脏活累活的“硬核硬件本体厂”反而更值钱了。
麻省理工学院教授Russ Tedrake提出过一个概念叫 “仿真到现实鸿沟Sim-to-Real Gap”:电脑仿真里跑分再高,也无法完全还原车间里的长尾物理变量——金属零件微米级公差带来的卡滞、频闪灯光下的视觉反光、谐波减速器连续运转八小时后的发热与背隙偏移。
通用大模型越聪明,那些已经进厂拧螺丝、手里握着海量真实力控反馈数据的硬件厂商就越稀缺。 这也是为什么宇树科技创始人王兴兴在实测GPT-6控制机器人后反而很笃定:大脑可以接最强的云端大模型,但抗造的关节电机、精密灵巧手和供应链成本控制,永远不可能靠云端几行代码变出来。
奥尔特曼把首款人形机器人的发布时间定在2027年。
但经过这次架构重组,行业已经看清了终局形态:云端通用大模型负责语义拆解与长程规划,端侧边缘芯片上的专用小脑负责10毫秒内的力矩闭环,高精度减速器与伺服电机扛住真实的物理磨损。
算力没有重量,但钢铁和重力有。
208号展位空了,硅基代码与物理定律的真正硬仗,才刚刚开始。#观点创作激励赛#