曾坚持只做大脑的OpenAI，为何下场造机器人

OpenAI 正在打破自己立下的规矩。

在加州里士满（Richmond），OpenAI 签下了一处占地超过 20 万平方英尺的工业仓库。这栋建筑的电力容量超过 14,000 安培，用电规格堪比一座小型数据中心。

与这笔不动产交易同步发生的，是 OpenAI 官网上悄然上线的 27 个机器人相关岗位。这些岗位的年薪在 17.7 万至 50 万美元之间，涵盖了执行器设计、电磁架构、齿轮传动和测试基础设施等全流程硬件研发工作。他们要求工程师端到端主导“定制机电执行器”的开发，并与制造伙伴协同推进可量产设计。

首席执行官山姆·奥尔特曼（Sam Altman）曾公开表示，机器人设计的细节远不如搞懂驱动机器人的“大脑”重要。如今，OpenAI 却开始组建一支实打实的硬件自研团队。

从解散团队到重回硬件

OpenAI 并非没有尝试过机器人。

早在 2019 年，其研发的 Dactyl 机械手就在仿真环境中学会了解魔方。但到了 2021 年，OpenAI 彻底关停了机器人团队。联合创始人 Wojciech Zaremba 后来解释，当时的技术路线没问题，真正的死穴是拿不到足够的真实世界数据。

此后，OpenAI 试图通过生态投资来获取数据与应用场景：先后领投挪威机器人公司 1X，注资人形机器人独角兽 Figure 并为其开发专属多模态模型。Figure 01 借助 OpenAI 的模型在短时间内实现了流畅的自然语言交互与操作。

但好景不长。2025 年初，Figure 创始人布雷特·阿德科克（Brett Adcock）宣布终止合作，并直言：“要在现实世界中解决具身智能问题，就必须垂直整合机器人 AI。我们不能外包 AI，正如我们不能外包硬件一样。”阿德科克还指出，缺乏硬件实体的团队难以维持物理层面的高频迭代，往往过度依赖仿真。

不拥有身体的组织，往往会系统性地低估现实环境的复杂性。OpenAI 招聘名单中出现的“仿真真实感工程师”，正是为了弥合仿真与现实（sim-to-real）之间的鸿沟。

会行走的“数据采集服务器”

梳理这 27 个岗位的职责可以发现，研发、测试、供应链与现场运维一应俱全，唯独缺少了量产时间表、交付台数和售价目标。

康奈尔大学机械与航空航天工程教授 Guy Hoffman 在核查岗位信息后指出，OpenAI 正在组建的是一支定制机器人设计团队。传感器大概率采购成熟配件，但核心动力部件——执行器，则选择深度自研。

事实上，OpenAI 在旧金山 Mission Bay 早已设立了 24 小时运转的遥操作数据中心，利用低成本控制器配合机械臂，雇佣大量操作员执行抓取、叠衣服等日常动作，规模持续成倍扩张。

从运营经理需要追踪的“节拍时间、吞吐量、停机时间”等指标可以看出，这完全是工业级数据流水线的标准。结合高规格供电的仓库，OpenAI 自研机器人的真正目的逐渐明朗：它造的不是推向消费市场的终端产品，而是一台台用于收集物理交互数据的“移动服务器”。

在这一逻辑下，自研高扭矩密度、高带宽的执行器变得合情合理：执行器不是压缩 BOM 成本的硬件，而是决定轨迹数据纯净度与力控精度的“传感器输入项”。身体是数据采集工具，硬件投入在会计账目上更接近研发与算力基建费用。

具身智能的分水岭

目前，资本市场对纯软件驱动的具身智能大脑给予了极高溢价。诸如 Skild AI 和 Physical Intelligence 等初创企业，即便未涉足本体制造，估值也迅速推升至数十亿美元。

然而，“所有硬件厂商未来都会购买第三方大脑授权”的假设正在遭受挑战。整机厂为了构建壁垒，纷纷寻求全栈自研；与此同时，芯片巨头 NVIDIA 也在加速开放 Cosmos 世界基础模型与 GR00T 平台，降低底层建模门槛。

OpenAI 重回硬件赛道印证了一个残酷的现实：不掌握物理实体的算法公司，其模型上限终究受制于硬件提供方的数据回传。具身智能的演进不再仅仅是参数量的比拼，而是一场涵盖高精度硬件、真实环境交互与高效数据管线的垂直整合之战。