2026年11月13日星期五，一条来自《财富》杂志的独家消息在人工智能圈子里炸开了锅：OpenAI 已经解散了它的独立机器人团队。这不是一次悄悄的人事调整，而是一次组织架构上的彻底拆分——研究人员被分流到公司不同的部门，独立团队这个建制不复存在。与此同时，OpenAI 还在开发自家的人形机器人，首席执行官萨姆·奥特曼定下的目标，是在2027年进行首次公开演示。一边是拆掉团队，一边是继续造机器人，这看似矛盾的两个动作，其实指向同一个判断：机器人行业最核心的竞争，正在从“谁有一支更强的机器人团队”转向“谁的通用模型更能直接上手干活”。
消息传出的同一天，OpenAI 还推出了 ChatGPT Wallet，让人工智能代理可以直接替用户下单购物。两件事放在一起看，OpenAI 的意图更加清晰：它正在把力量集中到通用模型和通用产品上，而不是在每一个垂直领域都维持一支独立的队伍。对关注机器人、关注人工智能、关注这家公司未来走向的读者来说，这次解散值得认真读一读，因为它可能标志着整个机器人行业研发逻辑的一次转向。
一支团队的解散：不是放弃，是换了一条更快的路
根据《财富》在2026年11月13日星期五中午发布的独家报道，OpenAI 的独立机器人团队已经被解散，研究人员分流到了两个方向。其中，机器人研究团队并入了公司的主研究团队，向首席研究官马克·陈汇报；应用机器人与硬件团队则并入了更大的应用组织，向总裁格雷格·布罗克曼汇报。也就是说，机器人这件事在 OpenAI 内部不再拥有一个独立的山头，而是被拆开、揉进了公司的主干业务里。
这样的拆分很容易被误读为 OpenAI 放弃了机器人。但 OpenAI 的发言人明确表示，此举是为了加速机器人的进展，并非放弃，机器人仍是公司长期愿景的核心。这个表态值得重视，因为一家公司如果真的打算放弃某个方向，通常的做法是悄悄裁撤、冷处理，而不是在拆分的同时反复强调它的重要性。更何况，OpenAI 正在开发自有人形机器人，奥特曼定下的2027年首次公开演示的目标并没有取消。一个正在为两年后的公开演示做准备的公司，不会同时把机器人从战略清单上划掉。
真正的问题在于：为什么要在这个时候拆？答案藏在解散的动因里。据报道，OpenAI 的研究人员在把 GPT-6 Astra 等通用前沿模型直接用于机器人任务时，看到了“令人惊讶的表现”。换句话说，通用模型不用经过漫长的专门训练，就能直接操控机器人完成任务。当这个发现出现之后，继续维持一支独立的、专门为机器人从头训练模型的团队，性价比就变了。把机器人研究人员并入主研究团队，让他们直接站在最前沿的通用模型旁边工作，可能比让他们在独立团队里单打独斗更快。
这种组织调整在科技大公司里并不罕见。当一个新方向最初需要探索时，独立团队可以提供保护和专注；当这个方向的技术路线被证明与主航道汇合之后，独立团队反而会变成一道墙，挡住人才、算力和想法的流动。OpenAI 的这次拆分，本质上就是把墙拆了，让机器人研究直接贴到通用模型的主航道上。
74.8% 对 51.0%：一个必须先说清楚的模拟基准数字
支撑这次拆分决策最有说服力的证据，是一个看起来非常漂亮的数字对比。在英伟达的一项研究中，由 Astra 驱动的智能体在一项模拟操作基准上的成功率达到了74.8%，而同一榜单上表现最好的专用机器人模型只有51.0%。二十多个百分点的差距，在任何一个技术榜单上都足以让人侧目，也难怪 OpenAI 的研究人员会用“令人惊讶”来形容通用模型的表现。
但是，这个数字必须先说清楚它的边界，否则会产生严重的误导。74.8% 对51.0%，这是一项模拟环境基准的成绩，不是真实机器人在真实世界里的实测结果。模拟环境意味着任务场景是被设定好的，物体的位置、光照条件、干扰因素都在可控范围之内，而真实世界里的机器人要面对的是掉在地上的袜子、被猫推下桌子的杯子、光线忽明忽暗的客厅，这些变量在模拟器里很难完全复现。把模拟基准的成绩直接理解为“通用模型在真实机器人上已经比专用模型强了将近一半”，是对这项研究的过度解读。
即便如此，这个模拟基准的结果依然重要。它至少证明了一件事：通用模型在理解任务、规划步骤、应对变化这些“脑力活”上，已经具备了相当强的能力，而这些能力恰恰是过去需要专门训练才能获得的。过去，机器人领域的共识是，每一种机器人任务都需要专门收集数据、专门训练一个模型；现在，通用模型正在挑战这个共识，证明很多能力是可以从通用训练中直接迁移过来的。
对读者来说，记住这个数字的正确读法很重要：74.8% 对51.0% 是模拟环境下的基准对比，它展示的是通用模型的潜力上限，而不是今天就能买回家的人形机器人能达到的水平。潜力与现实之间的距离，正是下面要讲的内容。
通用模型为什么突然“会”做机器人了
要理解通用模型为什么能直接上手机器人任务，需要先理解过去机器人研发的痛点。传统的做法是“一个任务、一个模型”：要让机器人学会叠衣服，就收集几万次叠衣服的数据，训练一个叠衣服模型；要让它学会开抽屉，就再收集开抽屉的数据，训练另一个模型。这种做法的成本极高，而且每换一个新任务就要从头再来，机器人永远学不完人类世界里无穷无尽的琐事。
通用模型的出现改变了这个逻辑。GPT-6 Astra 这类模型在训练过程中接触了海量的文本、图像和视频，学到的不只是语言，更是对物理世界的常识性理解：瓶子是圆柱体，会滚动；抽屉是拉开的，不是推开的；先拿杯子再倒水，而不是反过来。这些常识过去需要研究人员一条一条地教给机器人，现在模型在通用训练中已经内化了相当一部分。当这样的模型被接到机器人身上时，它不需要从零开始学“世界是什么样的”，只需要学会“怎么把我的手伸出去、抓住那个东西”。
卡内基梅隆大学的研究者关雅石对此有一个很形象的解释：通用模型的空间能力与推理能力，已经能够处理以往需要专门训练才能完成的任务。比如，瓶子的位置变了，或者房间里的光线变了，通用模型能够理解这种变化并相应调整动作；再比如，一项任务需要分好几个步骤完成，中间某一步出错了，通用模型能够推理出问题出在哪里，并重新规划接下来的顺序。这种灵活应变的能力，正是专用模型最薄弱的地方——专用模型在自己训练过的场景里表现很好，一旦场景稍有变化，就容易手足无措。
这也解释了为什么 OpenAI 认为，把机器人研究并入主研究团队会更快。机器人最难的部分，正在从“怎么训练一个会叠衣服的模型”变成“怎么让最强的通用模型长出手和脚”。而后者，恰恰是主研究团队每天都在做的事情：让模型更聪明、更能推理、更理解世界。
但关雅石的提醒：云端大脑跑不进机器人身体里
通用模型的前景再诱人，也不能忽视卡内基梅隆大学关雅石同时给出的另一半提醒。大语言模型速度慢，需要云端托管，还需要持续联网，因此仍然需要能够在机器人本地运行的小型专用模型。这句话点出了通用模型路线最现实的短板，也是理解这次解散事件最关键的一块拼图。
先说速度。一台人形机器人在家里端着一杯热水走路，它需要在几十毫秒内对脚下的地毯褶皱做出反应，否则热水就会洒出来。大语言模型一次推理的耗时往往以秒计，让它去实时控制每一个关节的动作，就像让一位深思熟虑的棋手去参加百米冲刺，思考质量再高，节奏也跟不上。机器人身体需要的，是一套反应极快的“小脑”，而通用模型更像是一个深谋远虑的“大脑”，两者分工不同，不能互相替代。
再说云端与联网。通用模型体积庞大，跑在数据中心里，机器人要靠网络与它保持连接。家里网络卡顿一秒，机器人就可能停在原地不动；在没有网络的仓库、野外或者地下室里，依赖云端的机器人几乎寸步难行。更重要的是隐私与安全：一个要在你家里走动的机器人，如果每一次动作都要把摄像头画面传到云端再等指令回来，很多人会觉得不自在。
所以更可能出现的未来，不是一场“通用模型彻底取代专用模型”的零和战争，而是一种分工：通用模型负责理解任务、制定计划、应对意外，相当于机器人的大脑；小型专用模型负责在本地快速执行动作、保持平衡、躲避障碍，相当于机器人的小脑与反射神经。OpenAI 解散独立团队，并不是说专用模型从此没有价值，而是说研发的重心变了——最难、最值得投入的部分，变成了通用模型本身。
对行业来说，这个判断如果成立，意味着机器人创业公司的护城河也在发生变化。过去，一家机器人公司的核心资产是它积累的专用任务数据和专用模型；未来，更重要的可能是它能否用好最强的通用模型，以及能否把通用模型的“大脑”和本地执行的“小脑”无缝拼接起来。
从2020年到2027年：OpenAI 与机器人的三进三出
OpenAI 与机器人的缘分，其实已经经历了好几轮起落。了解这段历史，才能明白这次解散不是一时冲动，而是这家公司在机器人问题上反复权衡之后的新选择。
OpenAI 最早的机器人团队在2020年解散。当时的背景是，机器人研究的进展缓慢，硬件成本高昂，训练数据难以规模化，投入产出比让公司决定把力量收回到语言模型上。回头看，这个决定不能算错：正是收缩之后聚焦语言模型，才有了后来一路领先的 GPT 系列。但机器人这颗种子并没有被彻底拔掉。
2024年，OpenAI 重建了独立的机器人团队，并与人形机器人公司 Figure 展开合作，重新杀回机器人赛道。那个时候，整个行业的气氛是：大模型足够聪明了，是时候给它一个身体了。Figure 的人形机器人加上 OpenAI 的模型，被看作是“大脑加身体”的天作之合。然而，这段合作在2025年2月结束了。合作结束的具体原因没有公开，但此后 OpenAI 转向开发自有人形机器人，显然是想把身体的控制权也握在自己手里。
这次合作的结束与团队的解散之间，或许存在一条暗线：当 OpenAI 发现通用模型可以直接操控机器人时，它对外部合作伙伴的依赖就降低了；当它决定自己造人形机器人时，硬件团队的定位也从“探索机器人应该是什么样子”变成了“把产品做出来、推向演示”。研究团队并入主研究团队，硬件与应用团队并入应用组织，恰好对应了这个转变：研究归研究，产品归产品，中间不再需要一个独立的机器人部门来统筹。
还有一个颇具象征意义的细节。在机器人学术会议 CoRL 上，OpenAI 的208号展位空无一人，现场未见 OpenAI 的标志。一个正在重组机器人业务的团队，在最重要的学术会议上缺席，这本身就是一种信号：OpenAI 的机器人工作正在经历一次内部重组，对外展示的优先级暂时让位给了内部整合。
而奥特曼定下的目标依然清晰：2027年进行自有人形机器人的首次公开演示。从现在到2027年，还有一年多的时间。拆掉独立团队之后，OpenAI 能否在这个时间表上拿出一个让人信服的演示，将是检验这次重组成败的第一块试金石。
钱的问题：109亿美元亏损阴影下的算力再分配
任何一家公司的组织调整都不能脱离它的财务状况来理解。OpenAI 此刻面临的财务压力，是理解这次解散的另一把钥匙。据报道，OpenAI 最新季度的运营亏损达到了109亿美元。这个数字前面必须加上“据报”两个字，因为它来自媒体报道，而非公司官方公布的财报，但即便打了折扣，如此规模的亏损也足以让任何一家公司重新审视自己的每一笔开支。
与此同时，OpenAI 正在寻求完成新一轮融资，并准备在2027年初可能进行首次公开募股。融资和上市都要求公司讲出一个清晰、聚焦、能赚钱的故事。投资者可以接受一家公司为长期愿景烧钱，但他们希望看到烧钱的方向是集中的，而不是摊子铺得越来越大。把机器人研究并入主研究团队，把硬件与应用团队并入应用组织，至少在账面上减少了一个独立部门的开支，也让公司的组织结构看起来更加聚焦。
去年，奥特曼曾要求员工放弃一些“次要任务”，公司也已经削减了包括视频生成工具 Sora 在内的部分工作，以重新分配算力。这句话里的“算力”值得划重点：在人工智能行业，算力就是最硬的货币。训练 GPT-6 Astra 这样的前沿模型需要天文数字的算力，任何一个独立团队占用的算力，都是从主模型训练那里分走的。当通用模型被证明可以直接用于机器人任务时，继续为机器人单独维持一套训练管线和算力配额，就显得不划算了。把算力集中到通用模型上，让机器人直接受益于通用模型的进步，是更经济的选择。
当然，财务压力不能解释一切。OpenAI 如果真的只想省钱，最简单的办法是砍掉人形机器人项目，而不是一边拆团队一边继续造机器人。这次调整更准确的描述是：在财务压力之下，公司选择了它认为性价比最高的机器人路线——用通用模型做大脑，用整合后的团队做产品，而不是维持一个独立王国。
对普通人意味着什么：机器人离你家还有多远
说了这么多组织架构和技术路线，最实际的问题是：这件事对普通人有什么影响？人形机器人什么时候能走进你家，帮你收拾房间、叠衣服、做家务？
先说一个乐观的判断：如果通用模型路线走得通，机器人学会新任务的速度会大大加快。过去，机器人公司每教会机器人一个新家务，都要花几个月收集数据、训练模型；未来，机器人可能只需要看一次演示，或者听一句指令，就能借助通用模型的理解能力完成任务。家务活的种类无穷无尽，只有通用模型才有可能覆盖这种长尾需求。从这个意义上说，OpenAI 的这次转向，长期来看可能让家用机器人来得更快。
但也要泼一盆冷水：模拟基准上的74.8% 不等于你家的机器人成功率74.8%。真实家庭环境的混乱程度，远超模拟器；机器人硬件的成本、可靠性、安全性，也远没有到可以大规模进家庭的程度。2027年的首次公开演示，即使成功，也只是一次演示，距离可以买回家、每天使用的产品，还有很长的路要走。演示视频里机器人叠一件衣服，和它在你家每天叠十件衣服、从不失手，是两回事。
对求职者和从业者来说，这次事件也有信号意义。机器人行业的招聘重心，可能会从“会训练专用机器人模型的人”转向“会把通用模型用到机器人上的人”，以及“会做机器人本地小模型、实时控制、硬件系统的人”。前者需要的是对大模型的深刻理解，后者需要的是扎实的工程能力。两类人才都会有需求，但议价能力的天平正在向通用模型一侧倾斜。
对投资者和观察者来说，值得盯住三个时间点：OpenAI 新一轮融资的落地情况，2027年初可能的首次公开募股的进展，以及2027年那场人形机器人公开演示的质量。这三个时间点，分别对应着这家公司的钱、公司的估值和公司的技术兑现能力，任何一个出现变数，都会重新定义市场对这次重组的评价。
三个没有答案的问题
这次解散事件讲清楚了很多事，但也留下了三个值得继续追问的问题。第一个问题是：通用模型在模拟环境里的优势，能有多大比例迁移到真实机器人身上？74.8% 这个数字很亮眼，但真实世界的“最后一公里”往往最难啃。机器人磕碰、打滑、抓空的每一个瞬间，都是模拟器难以完全复现的。OpenAI 需要用真实硬件的成绩来证明，通用模型不是只会在模拟器里拿高分。
第二个问题是：本地小模型与云端大模型之间的分工，最终会以什么形态稳定下来？关雅石的提醒已经点出了方向，但具体的工程方案还没有定论。是让小模型完全接管实时控制，还是让大模型以较低频率发号施令、小模型高频执行？不同的方案意味着不同的硬件成本、不同的延迟表现和不同的产品体验，这将是未来几年机器人公司之间竞争的关键细节。
第三个问题是：OpenAI 自己的人形机器人，到底想做成什么样子？是面向工厂和仓库的劳动力，还是面向家庭的帮手？是卖硬件、卖服务，还是像 ChatGPT 一样卖订阅？2027年的首次公开演示，或许会给出第一个明确的答案。在那之前，所有的讨论都还停留在路线层面。
回望这次事件的全貌，OpenAI 解散机器人团队，更像是一次“以退为进”：退掉的是独立团队的建制，进的是通用模型主导的机器人新路线。通用模型 GPT-6 Astra 在模拟基准上的表现，让 OpenAI 相信，机器人最难的那部分能力，可以直接从通用模型里长出来；而财务压力和上市时间表，又让它必须把力量集中到最有效的地方。机器人还需要专门的“大脑”吗？OpenAI 的答案是：它需要一个更通用的大脑，外加一个跑在本地的、反应灵敏的小脑。至于这个答案对不对，2027年的那场演示会给出第一份阅卷结果。
本文基于《财富》杂志2026年11月13日的独家报道撰写，文中模拟基准数据已按原文明确标注为模拟环境成绩，财务亏损数字已按原文标注为据报。机器人行业的路线之争才刚刚开始，值得持续关注。
免责声明：本文仅供一般信息参考，不构成法律意见或投资建议。文中引用的数据与说法以原始报道与官方来源为准，读者在做出相关决策前请自行核实。
暂无评论内容