OpenAI 人形機械人計劃：大腦先於身體

OpenAI 已承諾研發人形機械人，但 Sam Altman 表示，機器人的身體並非最核心的挑戰。OpenAI 人形機械人項目反而取決於一個可靠的「大腦」，能夠感知、規劃、移動，並從錯誤中復原。

這個區分，令一項矚目的硬件公布變成更艱巨的人工智能考驗。模型可以描述如何拿起一個杯子，卻未必能安全地控制一隻手完成動作。它必須把語言轉化為動作，同時應對重量、摩擦力、人和隨時無預警移動的物件。

Altman 亦預期 OpenAI 會在 2027 年展示令人印象深刻的機械人示範。不過，他不認為人形機械人會在其後立即走上城市街頭。受控示範與可靠地完成日常工作之間的落差，正是 Tesla、XPENG、Figure 及其他機械人公司已面對壓力的所在。

OpenAI 已從對機械人技術感興趣，走向承諾研發人形機械人

OpenAI 不再只把機械人技術視為投資機會，或其語言模型遙遠的延伸。

在 Sources podcast 中，Altman 被問到 OpenAI 會否製造一部人形機械人，還是專注於為專門環境而設計的機器。他的回答涵蓋兩個類別。當被追問公司是否真的會製造人形機械人時，他說：「我們會。」

人類形態具有實際吸引力。房屋、工廠、辦公室、工具、樓梯、門和工作枱面，都是按人類的尺寸設計。擁有相近活動範圍和移動能力的機器，毋須先改造每幢建築物或每件工具，便可進入這些空間。

Altman 在完整訪談中表示：「這個世界很大程度上是為人而設計。」他認為，即使 OpenAI 同時開發其他形態的機器，採用人類形態仍然合理。

這個邏輯並未解決設計問題。人形機械人仍需要關節、雙手、感測器、電源、冷卻系統，以及足以在人類附近運作的實體穩定性。它亦需要一套可生產一致機器的製造系統，而非偶爾造出實驗室原型。

OpenAI 尚未推出完成的機械人、交代其外觀，或公布商業推出日期。這項承諾目前仍是公開表明方向，而非產品發布。

Altman 為這項工作提出了一個可見的里程碑。他表示 OpenAI 預期在 2027 年有一個「很酷的示範」，但機械人走上公共街道仍要再等數年。

這個區分十分重要，因為機械人示範可以經過嚴格安排。機器可能在已繪製地圖的房間內，於受控燈光及精心擺放物件的情況下，重複完成預設任務。真正有用的產品，則必須長時間應對變化，同時避免危險失誤。

OpenAI 的招聘提供了更具體的計劃規模證據。其職位涵蓋運動控制、狀態估計、執行器控制、數據收集、機器學習基建、製造及供應鏈。

狀態估計是指透過並不完美的感測器資訊，判斷機械人的位置及周邊環境狀況。這至關重要，因為如果控制系統誤解機械人的手、工具或目標所在位置，便無法安全移動。

公司的招聘活動亦顯示，它並非只是把現有模型裝進另一家製造商的機械人。它正集合橫跨智能、實體控制及生產領域的專業知識。

根據最初的人形機械人項目報道，OpenAI 的短期目標集中於協助技術工人建設基建的機器。能夠處理更廣泛任務的個人機械人，則被描述為較長遠的目標。

這個次序把工業工作置於想像中的機械人室友之前。基建項目提供可重複的任務、受過訓練的監督人員及受控場地。家居環境的變化大得多，人機接觸更密切，私隱問題亦顯著更棘手。

為何 OpenAI 人形機械人的大腦才是真正的項目

機械人的身體決定它在實體上能觸及甚麼，但其智能決定任何動作是否有用、可靠或安全。

Altman 形容，實體設計問題不及「弄清楚令機械人運作的大腦」重要。這個大腦並非單一語言模型發出高層指令。

一個有能力的系統必須解讀鏡頭及感測器數據、理解要求、把任務分拆成步驟，並選擇合適動作。其後，它必須監察結果，並在現實情況與預測不同時修訂計劃。

以看似簡單的把杯子放進洗碗碟機為例。機械人必須從附近物件中辨認杯子，並識別當中是否有液體。它必須判斷杯耳方向、選擇抓取方式、避開障礙物，並控制力度。

如果杯子表面濕滑、異常沉重，或部分被遮擋，任務便會改變。有人可能走進機械人的路徑。洗碗碟機的架子可能已滿，或預定位置未必符合機器原先的計劃。

這些變化揭示了生成看似合理的答案，與完成實體工作之間的差異。文字模型犯錯時，用戶可以更正；移動中的機械人則可能在收到下一個提示前掉下物件、損壞設備或傷害他人。

因此，OpenAI 機械人大腦需要閉環控制。這代表持續感測環境、將結果與計劃比較，並在任務進行期間修正動作。

它亦需要理解實體後果。文字可以將物件描述為易碎，但安全操作取決於能否把這個標籤轉化為速度、壓力、抓握及放置的決策。

機械人學習令問題更複雜，因為有用的真實世界訓練數據成本高昂。文字模型可以處理大量現有文件；機械人則需要把感知、動作、力度、時間及結果連結起來的案例。

這些案例往往需要實體機器、人類操作員、妥善維護的設備，以及仔細標註的感測器資料流。硬件故障可中斷數據收集。劣質示範亦可能教會機器效率低或不安全的行為。

模擬提供了部分答案。開發者可以建立虛擬環境、改變其中條件，並讓系統嘗試任務而不會損壞實體設備。然而，模擬中的表面、馬達、鏡頭及接觸力，永遠無法與真實世界完全一致。

模擬與現實之間的差距，稱為 sim-to-real transfer。能在軟件中成功的控制策略，遇上實際摩擦力、零件公差、感測器雜訊或柔軟物件後可能失效。

OpenAI 從直接經驗中認識到這個問題。其較早前的 Dactyl 項目，透過模擬及強化學習訓練機械手操作物件。

在 2019 年，該公司把這項工作延伸至使用 Shadow Dexterous Hand 解開魔術方塊。其機械手研究使用自動領域隨機化，在訓練期間反覆改變模擬條件。

這種方法旨在避免系統依賴單一完美建模的環境。實體裝置仍需要多個鏡頭、自訂儀器、狀態估計及大量工程工作。

一隻能解開指定謎題的機械手，與一部可從事開放式工作的流動人形機械人，仍有很大距離。然而，這個項目說明了為何 OpenAI 現時將實體智能視為一項獨立的研究挑戰。

核心問題不在於告訴機械人應該發生甚麼，而在於在執行過程中，維持意圖與數以千計實體決策之間可靠的連繫。

實體 AI 改變競爭版圖

OpenAI 的舉動對機械人公司構成壓力，因為這家領先模型供應商如今希望同時掌握智能與實體載體。

OpenAI 過去透過內部研究、投資及合作夥伴關係的組合方式接觸機械人技術。Altman 後來承認，公司早期的嘗試發生在支援技術尚未成熟之時。

他在 Associated Press 報道中引述的訪談裡對 Bill Gates 表示：「我們太早開始做機械人。」團隊當時面對不足的模擬器和斷裂的肌腱，令注意力從智能研究上分散。

OpenAI 後來投資機械人公司，而非嘗試控制整個技術堆疊。這個策略讓硬件專家處理機械結構，同時讓 OpenAI 專注於基礎模型。

這項新承諾改變了這種分工。如果 OpenAI 開發自家硬件、控制系統、訓練運作及基礎模型，它便會成為曾經供應或支持過的公司之潛在競爭對手。

這個轉變相當重要，因為機械人業務所需的不只是使用強大通用模型的權限。它們需要針對感測器、關節、運作環境、延遲限制及安全系統調校的軟件。

由多家製造商共享的基礎模型，或可提供有用的語言及視覺理解能力。然而，這不會自動為任何一家機械人公司創造差異化優勢。

Figure 在 2025 年結束與 OpenAI 的合作，並選擇開發自家的機械人智能。這個決定反映了一個信念：具身 AI 必須與收集數據的機器深度整合。

機械人製造商掌握一般 AI 實驗室所缺乏的資訊。它知道執行器如何老化、動作在哪些地方失敗、哪些抓握會打滑，以及人們如何在其硬件附近行動。

OpenAI 帶來不同優勢。它具備建立連接語言、影像、音訊、推理及工具使用的通用模型經驗。這些能力可協助機械人理解複雜指令及陌生場景。

因此，這場策略競爭不只是 OpenAI 對 Tesla、Figure 或 XPENG，而是整合智能的路線，對上圍繞實體機器發展自家 AI、以硬件為先的計劃。

Tesla 多年來一直配合其製造及電腦視覺業務開發 Optimus。其工廠提供潛在的測試環境，當中的任務、工具及工作流程均已由公司控制。

XPENG 同樣擁有製造知識、供應鏈經驗，以及直接接觸工業環境的能力。這些資產十分重要，因為可靠移動既取決於機械迭代，亦取決於模型訓練。

OpenAI 的軟件背景並不會消除這些優勢。它必須建立涵蓋執行器、維護、零件採購、測試及品質控制的營運知識。

與此同時，機械人公司亦不能假設硬件經驗會永久保護它們。更強的通用模型可減少每個新環境所需的特定任務編程。

這正是人形機械人 AI 在商業上變得重要的原因。如果一個模型能透過指令和示範學會許多任務，機械人便會比傳統自動化系統更具適應能力。

傳統工業機械人通常最擅長在高度工程化的空間內重複工作。它們能創造價值，是因為工程師已消除了周遭的不確定性。

通用型人形機械人則承諾相反的方向。它進入仍為人類而設的空間，並透過感知與智能吸收更多環境變化。

這項承諾提高了每名競爭者的門檻。硬件製造商需要足夠強大的智能，而 OpenAI 則必須證明其模型專長能在實體系統中發揮作用。

身體仍不只是容器

將智能稱為更困難的問題，並不代表人形機械人的硬件容易、次要或可互換。

OpenAI 機械人大腦所作的每項決定，最終都必須經過馬達、傳動系統、感測器、關節及控制電子設備。這些組件形成軟件無法繞過的限制。

機械人可能能正確辨識一個箱子，卻沒有足夠握力將它提起。它可能規劃出安全路線，卻在抵達目的地前過熱。其模型可能發出精準指令，但磨損的硬件未必能準確執行。

人形機器帶來額外難度，因為它們要以雙腿維持平衡，並在為人類靈巧度而設的設備周邊運作。微小的動作誤差可傳遍整個身體。

雙手尤其具挑戰性。人類手指結合精細控制、觸覺、柔順性及快速回饋。機械手必須在承受撞擊和重複工業使用的同時，盡量模擬這些能力。

電力是另一項限制。有用的機械人需要足夠能源供應運算、感測、移動及散熱。更大的電池會增加重量，繼而令致動器需要消耗更多能源。

可靠性與震撼的示範同樣重要。一部與熟練員工並肩工作的機器，必須能在長時間輪班中重複完成任務，而毋須持續重設或維修。

製造會放大每項設計弱點。原型機可以依賴訂製零件、頻繁的技術人員支援及昂貴校準。產品則需要組件在大量單位之間保持一致表現。

這正是 OpenAI 的機械人招聘涵蓋機電致動器、熱管理系統、製造及供應鏈的原因。這些職位類別削弱了任何認為該公司視機械身體為無關緊要的解讀。

較恰當的理解是，Altman 的論點關乎策略差異化。多間公司都能研發性能足夠的馬達與機械結構，較少公司則展示過能理解多樣指令和場景的通用模型。

即使這個比較在機械人領域仍未獲證實。語言模型的表現不能證明同一套系統能安全控制流動機器。

實體環境亦會懲罰延遲反應。聊天機械人可以花更多時間推理後才回覆；下墜物件或接近中的人則要求在嚴格時限內採取行動。

這產生了分層運算的問題。部分規劃可在大型通用模型中進行，但平衡與避碰需要更快的本地控制。

實際架構很可能結合高階推理與專用控制器。推理系統選擇目標與步驟順序，較低層系統則穩定動作並執行安全限制。

這種方法較像一個層級架構，而非單一大腦。視覺模型、世界模型、規劃器、控制器及安全系統會以不同速度運作並互相協作。

世界模型是一種內部表徵，用於預測行動如何影響環境。它可協助機器預料拉動把手會打開門，或推動擠滿物品的層架會令物件掉下來。

視覺－語言－動作模型為這種整合提供了一條路徑。VLA 模型把視覺輸入與語言指令連接至機械人動作，而非只產生文字。

Google DeepMind 已透過其 機械人模型 探索這種方法，令 OpenAI 的計劃置身於具身智能的更廣泛競爭之中。

不過，任何模型架構都不能免除對硬件回饋的需要。機械人的身體決定智能接收甚麼數據，以及它能執行哪些動作。

因此，大腦與身體會一同改進。更好的硬件帶來更乾淨的數據和更精準的動作；更好的智能則揭示哪些實體能力最重要。

OpenAI 可以優先發展大腦，而不把身體視為商品。它協調兩方面的能力，將決定 2027 年的示範究竟代表一個系統，還是一場精心編排的表演。

2027 年示範不會證明通用型機械人

最大的未知數並非 OpenAI 能否製作出令人印象深刻的示範，而是該示範能否預示實驗室以外可靠的工作表現。

Altman 設定了一個明確目標，卻未定義測試方式。OpenAI 未有說明機械人會執行哪項任務、環境是否受控，或會獲得多少人類協助。

這些缺失的背景資訊十分重要。完成一段經排練流程的機器，與能透過自然語言指令處理多項陌生任務的機械人，提供的是截然不同的證據。

示範亦需要清楚界定範圍。觀眾應知道其動作是自主完成、遙距操控，還是從預先訓練的程序中選出。

有用的評估應披露任務完成率、人工介入頻率、運作時間及失敗類別。單靠經潤飾的影片無法證實這些指標。

在接近人類的環境中，示範與部署之間的分別尤其重要。機械人需要安全停止、識別不確定性，以及在錯誤變得危險前交出控制權的程序。

OpenAI 尚未公布針對機械人的安全框架。它亦未解釋其機器會如何處理在工作場所或家居內收集的鏡頭、咪高峰、空間地圖及錄影資料。

這些感測器可以持續擷取敏感資訊。家居機械人可能會觀察到文件、對話、日常習慣、訪客、藥物及私人房間的佈局。

因此，數據保留及模型訓練政策將成為產品安全的一部分。使用者需要知道哪些資料留在裝置上、哪些會傳送至遙距伺服器，以及哪些會用於後續訓練。

網絡安全帶來另一種實體風險。入侵軟件帳戶可以洩露資訊；入侵流動機械人亦可能影響附近物件和人員。

攻擊者毋須取得全面控制權便可造成傷害。竄改感測器數據、任務指令、軟件更新或存取權限，都可能令原本正常的行為變得不安全。

目標首個市場增添另一項不確定性。據報 OpenAI 希望早期機械人協助建設基礎設施的熟練工人。

這比一開始便進入難以預測的家居環境更現實，但基礎設施工作涉及重大後果。建築工地有移動設備、重型物料、變動中的佈局及嚴格安全要求。

機械人仍可透過狹窄範圍的協助創造價值。它可以搬運物資、固定組件、進行檢查，或在監督下準備重複性工序。

這類任務可測試該機器能否減少工作量，而不造成新的延誤。需要人類持續救援的機械人，可能消耗的熟練勞動力多於它所節省的。

經濟效益不能單從模型能力推斷。可用性、維護、能源使用、技術人員支援及整合時間，都會影響僱主是否採用這類機器。

OpenAI 尚未披露生產目標或客戶試驗，也未指出哪些外部機構會在真實工作環境下驗證系統。

獨立測試將不可或缺，因為公司控制示範、所選任務，以及對失敗情況所公開的資訊。

持懷疑態度並不需要斷言 OpenAI 會失敗，而是要區分宣傳敘事經常混為一談的三項成就。

第一，OpenAI 可以製作一部完成指定示範的機器。第二，它可以建立一套學習多樣實體任務的通用系統。第三，它可以製造這套系統，以供可靠部署。

每個階段都提出不同的證據要求。某一階段成功，並不證實下一階段。

公司在語言模型方面的歷史，令其在通用智能上具有可信度，卻不會自動帶來正常運作時間、硬件服務、工作場所認證或實體安全方面的可信度。

在外界能夠測試一部 OpenAI 人形機械人之前，這個驗證缺口應為所有相關說法提供框架。

三個訊號將顯示 OpenAI 能否縮窄差距

下一階段應以技術證據、部署證據及競爭對手反應來評價，而非另一份雄心聲明。

第一個訊號是 2027 年示範的設計。OpenAI 必須披露機械人做甚麼、獲得多少自主權，以及任務是否包含有意義的變化。

涉及陌生物件或更改指令的示範，會強化通用機械人大腦的論據。高度編排的流程則會展示整合進度，但對適應能力提供較弱證據。

最佳測試應要求機器接收一項新請求、檢視周遭環境、規劃任務，並從至少一項意外情況中恢復。OpenAI 亦應報告未成功的嘗試。

披露失敗情況十分重要，因為實體智能部分由恢復能力定義。有用的機械人應在其計劃不再奏效時偵測到問題，而非帶着危險的自信繼續行動。

第二個訊號是與熟練工人的真實試點項目。外部工作場所可測試系統能否在變動任務、日程、安全規則及既有設備之中運作。

可信的試點應報告運作時數、人類介入、完成任務，以及導致工作停止的失敗類型。這些指標揭示的資訊多於經精心剪輯的示範。

基礎設施工作亦可釐清 OpenAI 為何選擇人形機械人。若機械人主要搬運標準化物料，輪式機器或固定機械臂可能更有效率。

當機器必須使用現有的梯子、工具、門、工作站及空間時，人形設計才更具說服力。試點應展示這項優勢，而非假定其存在。

持續獨立工作的證據會鞏固 OpenAI 的位置。頻繁重設、遙距操作或專門改造工地，將削弱通用型設計的論點。

第三個訊號是競爭對手如何回應。Figure、Tesla、XPENG、Google DeepMind 及其他機械人團隊，正追求模型、硬件與訓練數據的不同組合。

若競爭對手在 OpenAI 示範前實現可靠部署，焦點便會從通用模型聲譽轉移。實體運作數據可以創造難以迅速複製的優勢。

OpenAI 可以透過發布機械人模型、與指定製造商合作，或將其智能限定於自家機器來回應。每項選擇都會產生不同的市場結構。

外部模型會令 OpenAI 成為跨機械人品牌的平台。專屬模型則會令它成為須為硬件表現負責的垂直整合競爭者。

公司目前的招聘及公開承諾，指向更深層整合。然而，其最終分發策略仍未明朗。

開發者應留意 OpenAI 是否推出模擬工具、機械人介面或應用框架。這些發布將顯示第三方能否在該系統之上進行開發。

企業買家應聚焦於營運證據，而非人形機械人外觀的新鮮感。可靠性、人工介入率、數據管控，以及安全失效時的表現，將決定其實際價值。

知識工作者同樣應留意。實體代理把 AI 的角色由整理資訊，延伸至直接改變周遭環境。

這種轉變提高了誤解指令的代價。當軟件能夠觸發實體行動，團隊將需要更清晰記錄目標、權限、來源材料及決策。

核心問題已不再是 OpenAI 是否想製造機械人。Altman 已經回答了這一點。問題在於，公司能否把通用智能連接至現實世界的移動能力，同時不犧牲可靠性、安全性或信任。

2027 年的示範將提供第一個重要檢查點，而非最終定論。應留意真正的自主能力、公開披露的失敗案例，以及在 OpenAI 自身受控環境以外的工作表現。

如果這些訊號同時出現，OpenAI 人形機械人將不只是硬件展示。否則，身體或許早已準備就緒，但它的大腦仍未足夠可靠，難以投入使用。