OpenAI 人形机器人计划：大脑先于身体

OpenAI 已承诺打造一款人形机器人，但 Sam Altman 表示，机器的身体并非核心挑战。OpenAI 的人形机器人项目真正依赖的是一个可靠的“大脑”，能够感知、规划、移动，并从错误中恢复。

这一差异使一项引人注目的硬件宣布，变成了一场难度更高的人工智能考验。模型可以描述如何拿起一个马克杯，却未必能安全地控制一只手完成这件事。它必须将语言转化为动作，同时应对重量、摩擦力、人员，以及会在毫无预警的情况下移动的物体。

Altman 还预计 OpenAI 会在 2027 年推出令人印象深刻的机器人演示。不过，他并不认为人形机器人会在演示后立刻走上城市街头。Tesla、XPENG、Figure 等机器人公司已经面临压力的，正是受控演示与可靠日常工作之间的这段差距。

OpenAI 已从关注机器人领域转向明确承诺打造人形机器人

OpenAI 不再仅将机器人技术视为投资机会，或其语言模型的遥远延伸。

在 Sources 播客中，有人问 Altman，OpenAI 是会打造人形机器人，还是专注于为专用环境设计的机器。他的回答涵盖了两类产品。当被追问公司是否真的会制造人形机器人时，他说：“会。”

人类形态具备实际吸引力。住宅、工厂、办公室、工具、楼梯、门和工作台面，都是围绕人体尺度设计的。拥有相近触及范围和运动能力的机器，无须先让所有建筑和工具改变，就能进入这些空间。

“这个世界在很大程度上是为人设计的，”Altman 在完整访谈中说。他认为，采用与人类相近的形态因此合乎逻辑，即使 OpenAI 也会开发其他形态的机器。

但这一逻辑并未解决设计问题。人形机器人仍需要关节、手部、传感器、电源、散热系统，以及足以在人类身边工作的物理稳定性。它还需要一套制造系统，能够生产一致的机器，而非偶尔出现的实验室原型。

OpenAI 尚未推出成品机器人，未详细说明其外观，也没有公布商业发布日期。这一承诺目前仍是公开的发展方向声明，而非产品发布。

Altman 为这项工作给出了一个可见的里程碑。他表示，OpenAI 预计会在 2027 年推出一次“很酷的演示”，但机器人走上公共街道仍要再等数年。

这一差别很重要，因为机器人演示可以被严格编排。机器可能在已建图的房间中，借助受控照明和精心摆放的物体，重复执行预设任务。而实用产品必须在避免危险故障的同时，连续数小时应对各种变化。

OpenAI 的招聘为该项目的规模提供了更具体的证据。其岗位涵盖运动控制、状态估计、执行器控制、数据采集、机器学习基础设施、制造和供应链。

状态估计是指根据不完美的传感器信息，判断机器人的位置及其周边环境状态。如果控制器误判机器人的手、工具或目标所处的位置，就无法安全移动，因此这一能力至关重要。

该公司的招聘活动还表明，它并非只是将现有模型装进另一家制造商的机器人中。它正在汇集涵盖智能、物理控制和生产的专业能力。

根据最初的人形机器人项目报道，OpenAI 的短期目标聚焦于协助熟练工人建设基础设施的机器。能够完成更广泛任务的个人机器人，则被描述为更长期的目标。

这一顺序将工业工作置于人们想象中的机器人室友之前。基础设施项目提供重复性任务、受训的监督人员和受控场地。家庭环境则包含更广泛的变化、更密切的人机接触，以及显著更棘手的隐私问题。

为什么 OpenAI 人形机器人的大脑才是真正的项目核心

身体决定机器人在物理上能够触及什么，但智能决定任何动作是否有用、可靠且安全。

Altman 将物理设计问题描述为不如“弄清让机器人运作的大脑”重要。这个大脑并非一个单独发出高层指令的语言模型。

一个有能力的系统必须解读摄像头和传感器数据，理解请求，将其拆分为步骤，并选择恰当的动作。随后，它必须监控结果，并在现实与预测不符时调整计划。

以看似简单的将马克杯放进洗碗机为例。机器人必须将马克杯与附近物体区分开来，并判断其中是否装有液体。它必须评估杯把朝向，选择抓握方式，避开障碍物，并控制施力。

如果马克杯很滑、异常沉重或部分被遮挡，任务就会发生变化。有人可能走进机器人的行动路径。洗碗机架可能已满，或者预定位置可能与机器最初的计划不符。

这些变化揭示了生成一个看似合理的答案与完成实际物理工作之间的区别。文本模型可以犯错，再由用户纠正。正在移动的机器人则可能在收到下一条提示前掉落物体、损坏设备或伤害他人。

因此，OpenAI 机器人的大脑需要闭环控制。这意味着在任务持续进行时，反复感知环境、将结果与计划进行比较，并修正动作。

它还需要理解物理后果。语言可以将一个物体描述为易碎品，但安全操控取决于能否将这一标签转化为对速度、压力、抓握和放置方式的判断。

机器人学习进一步加剧了问题，因为有用的现实世界训练数据成本高昂。文本模型可以处理海量既有文档，而机器人需要将感知、动作、力量、时序和结果关联起来的样本。

这些样本往往需要实体机器、人类操作员、维护良好的设备以及经过仔细标注的传感器数据流。硬件故障可能中断数据采集。糟糕的演示也可能让系统学到低效或不安全的行为。

模拟提供了部分答案。开发者可以创建虚拟环境，改变其中条件，让系统尝试任务而不损坏实体设备。但模拟中的表面、电机、摄像头和接触力，永远无法与现实世界完全一致。

模拟与现实之间的差距被称为 sim-to-real transfer。一个在软件中成功的控制策略，可能在遭遇真实摩擦力、部件公差、传感器噪声或柔性物体后失效。

OpenAI 从直接经验中了解这一问题。其早期 Dactyl 项目通过模拟和强化学习，训练一只机械手操控物体。

2019 年，该公司将这项工作扩展到用 Shadow Dexterous Hand 解决魔方。其机械手研究采用了自动领域随机化，在训练期间反复改变模拟条件。

这种方法试图避免系统依赖单一的完美建模环境。实体装置仍需要多个摄像头、定制仪器、状态估计和大量工程工作。

一只解决特定谜题的机械手，与执行开放式工作的移动人形机器人仍相去甚远。不过，该项目说明了为何 OpenAI 如今将具身智能视为一项独立的研究挑战。

关键问题不在于告诉机器人应该发生什么，而在于在执行过程中，将这种意图与数以千计的物理决策保持可靠连接。

具身 AI 改变竞争格局

OpenAI 的行动给机器人公司带来压力，因为这家领先的模型供应商如今希望同时拥有智能与具身载体。

OpenAI 过去通过内部研究、投资和合作伙伴关系相结合的方式涉足机器人领域。Altman 后来承认，公司早期的尝试发生在支撑技术尚未成熟之前。

“我们太早开始做机器人了，”他在Associated Press报道的对 Bill Gates 的谈话中说。团队面对的是性能不足的模拟器和断裂的肌腱，这些问题分散了对智能研究的注意力。

随后，OpenAI 转而支持机器人公司，而非试图控制整个技术栈。这一战略让硬件专家负责机械结构，同时 OpenAI 专注于基础模型。

新的承诺改变了这种分工。如果 OpenAI 开发自己的硬件、控制系统、训练运营和基础模型，它将成为其曾经供应或支持过的公司的潜在竞争对手。

这一转变很重要，因为机器人业务所需的不只是接入一个能力强大的通用模型。它们需要针对自身传感器、关节、运行环境、延迟限制和安全系统调校的软件。

由多个制造商共享的基础模型，或许能提供有用的语言和视觉理解能力。但它不会自动为任何一家机器人公司创造差异化优势。

Figure 在 2025 年结束了与 OpenAI 的合作，并选择开发自己的机器人智能。这一决定反映出一种看法：具身 AI 必须与收集数据的机器深度整合。

机器人制造商掌握着通用 AI 实验室所缺乏的信息。它知道执行器如何老化、动作在何处失败、哪些抓握会打滑，以及人们如何在其硬件附近行动。

OpenAI 则带来了不同的优势。它拥有构建连接语言、图像、音频、推理和工具使用的通用模型的经验。这些能力可以帮助机器人理解复杂指令和陌生场景。

因此，这场战略竞争并不只是 OpenAI 对阵 Tesla、Figure 或 XPENG。它是整合式智能路线与围绕实体机器开发自身 AI 的硬件优先项目之间的竞争。

Tesla 多年来一直结合其制造和计算机视觉业务开发 Optimus。其工厂提供了潜在的测试环境，其中的任务、工具和工作流程都已由公司控制。

XPENG 同样拥有制造知识、供应链经验，以及直接接触工业环境的渠道。这些资产之所以重要，是因为可靠运动既依赖机械迭代，也依赖模型训练。

OpenAI 的软件背景并不会消除这些优势。它必须在执行器、维护、部件采购、测试和质量控制等方面建立运营知识。

与此同时，机器人公司也不能假定硬件经验会永久保护自己。更强大的通用模型可能减少每个新环境所需的任务专用编程量。

这正是人形机器人 AI 变得具有商业重要性的地方。如果一个模型可以通过指令和演示学习多种任务，机器人就会比传统自动化更具适应性。

传统工业机器人通常擅长在经过严密工程设计的空间中执行重复性工作。它们之所以能够创造价值，是因为工程师消除了其周围的不确定性。

通用型人形机器人承诺的是相反的路径：它进入仍为人类设计的空间，并通过感知与智能适应更多环境变化。

这一承诺提高了所有竞争者的门槛。硬件制造商需要足够强大的智能，而 OpenAI 则必须证明其模型专长能够经受物理系统的考验。

身体依然不只是一个容器

认为智能是更难的问题，并不意味着人形机器人硬件就简单、次要或可相互替代。

OpenAI 机器人“大脑”做出的每一个决策，最终都必须通过电机、传动系统、传感器、关节和控制电子设备来执行。这些部件带来了软件无法回避的限制。

机器人或许能正确识别一个箱子，却没有足够的握力将其提起。它或许能规划安全路线，却会在抵达目的地前过热。它的模型或许能发出精确指令，但磨损的硬件未必能准确执行。

人形机器人的难度更高，因为它们需要依靠双腿保持平衡，并在为人类灵巧操作而设计的设备周围工作。一个微小的动作误差都可能传导至整个身体。

手部尤其具有挑战性。人类手指结合了精细控制、触觉、柔顺性和快速反馈。机械手必须在承受冲击和反复工业使用的同时，尽量接近这些能力。

供电也带来另一项限制。实用机器人需要足够的能量用于计算、感知、运动和散热。更大的电池会增加重量，进而要求执行器消耗更多能量。

可靠性与惊艳的演示同样重要。一台与熟练员工并肩工作的机器，必须能在长时间班次中重复完成任务，而无需持续重启或维修。

制造会放大每一个设计弱点。原型机可以依赖定制零件、频繁的技术人员支持和昂贵的校准。产品则需要在大量设备中持续稳定运行的部件。

这正是 OpenAI 的机器人招聘涵盖机电执行器、热管理系统、制造和供应链的原因。这些岗位类别削弱了任何将该公司视为把机器人身体当作无关紧要部分的解读。

更恰当的理解是，Altman 的论点是在强调战略差异化。多家公司都能开发性能出色的电机和机械结构，但能够展示出可理解多样化指令与场景的通用模型的公司要少得多。

即便这一比较在机器人领域仍未得到验证。语言模型的表现无法证明同一系统能够安全控制一台移动机器。

物理环境也不容许延迟响应。聊天机器人可以花更多时间推理后再给出答案；坠落物体或靠近的人则要求在严格的时间限制内采取行动。

这形成了一个分层计算问题。一部分规划可以由大型通用模型完成，但平衡和碰撞规避需要更快速的本地控制。

实用架构很可能会将高层推理与专用控制器结合起来。推理系统选择目标和步骤序列，底层系统则稳定运动并执行安全限制。

这种方式更像是层级体系，而非单一大脑。视觉模型、世界模型、规划器、控制器和安全系统彼此协作，同时以不同速度运行。

世界模型是一种用于预测行动如何影响环境的内部表征。它可以帮助机器预判：拉动把手会打开门，或推动堆满物品的货架会导致物品掉落。

视觉-语言-动作模型为这种整合提供了一条路径。VLA 模型将视觉输入和语言指令与机器人动作相连，而非只生成文本。

Google DeepMind 已通过其机器人模型探索这一方向，使 OpenAI 的计划置身于一场围绕具身智能展开的更广泛竞争之中。

不过，任何模型架构都无法消除对硬件反馈的需求。机器人的身体决定了智能系统能接收什么数据，以及它能够执行哪些动作。

因此，大脑与身体需要共同进步。更好的硬件会产生更干净的数据和更精确的动作；更强的智能则会揭示哪些物理能力最为重要。

OpenAI 可以优先发展大脑，而不必把身体视为商品。它协调两者的能力，将决定 2027 年的演示呈现的是一个系统，还是一场经过编排的表演。

2027 年的演示无法证明一台通用机器人

最大的不确定性不在于 OpenAI 能否做出令人印象深刻的演示，而在于该演示能否预示实验室外可靠的工作能力。

Altman 设定了一个醒目的目标，却没有定义其测试方式。OpenAI 尚未说明机器人将执行什么任务、环境是否受控，或它将获得多少人工协助。

这种缺失的背景信息很重要。完成一段预演流程的机器，与能通过自然语言指令处理多项陌生任务的机器人，所提供的证据并不相同。

演示也需要明确边界。观众应当知道，机器人的动作是自主完成、远程控制，还是从预先训练的程序中选取。

有价值的评估应披露任务完成率、人工干预频率、运行时长和故障类别。仅凭一段精心制作的视频无法确立这些指标。

在人类附近工作时，演示与部署之间的区别尤为重要。机器人需要具备安全停止、识别不确定性，以及在错误变得危险前移交控制权的程序。

OpenAI 尚未宣布针对机器人的安全框架。它也没有说明其机器将如何处理在工作场所或家庭内收集的摄像头、麦克风、空间地图和录音数据。

这些传感器能够持续捕获敏感信息。家用机器人可能会观察到文件、对话、日常习惯、访客、药物，以及私密房间的布局。

因此，数据保留和模型训练政策将成为产品安全的一部分。用户需要知道哪些数据留在设备上、哪些会传往远程服务器，以及哪些会被用于后续训练。

网络安全构成另一种物理风险。攻破软件账户可能会泄露信息；攻破移动机器人还可能影响附近的物体和人员。

攻击者不需要获得完全控制权就可能造成伤害。操纵传感器数据、任务指令、软件更新或访问权限，都可能让原本正常的行为变得不安全。

目标首发市场又增加了一项不确定性。据报道，OpenAI 希望其早期机器人协助参与基础设施建设的熟练工人。

这比从不可预测的家庭环境开始更现实，但基础设施工作会带来严重后果。施工现场有移动设备、重型材料、不断变化的布局，以及严格的安全要求。

机器人仍可通过有限的协助创造价值。它或许能搬运物资、固定部件、进行检查，或在监督下准备重复性步骤。

这类任务将检验机器是否能在不造成新延误的情况下减轻工作负担。一台需要持续由人类救援的机器人，可能会消耗比其节省更多的熟练劳动力。

仅凭模型能力无法推断经济性。可用性、维护、能耗、技术人员支持和集成时间，都会影响雇主是否采用机器。

OpenAI 尚未披露生产目标或客户试点情况，也没有指出哪些外部组织会在真实工作条件下验证该系统。

独立测试将至关重要，因为该公司控制着演示、所选任务，以及关于故障所披露的信息。

持怀疑态度并不等于断言 OpenAI 会失败，而是要求区分宣传叙事中经常被合并的三种成就。

首先，OpenAI 可以制造一台完成指定演示的机器。其次，它可以打造一个学习多种实体任务的通用系统。第三，它可以制造该系统，以实现可靠部署。

每个阶段都引入不同的证据要求。一个阶段的成功并不能证实下一个阶段。

该公司在语言模型方面的历史，为其通用智能带来了可信度。但这并不会自动转化为运行时间、硬件服务、工作场所认证或物理安全方面的可信度。

在外部人士能够测试 OpenAI 人形机器人之前，这一验证缺口应当成为审视所有相关主张的框架。

三个信号将显示 OpenAI 能否弥合这一缺口

下一阶段应通过技术证据、部署证据和竞争对手反应来评判，而不是另一份雄心声明。

第一个信号是 2027 年演示的设计。OpenAI 必须披露机器人做什么、它获得多少自主性，以及任务是否包含有意义的变化。

涉及陌生物体或变化指令的演示，将更有力地证明通用机器人“大脑”的能力。高度脚本化的流程则能显示集成进展，但对适应性的证明较弱。

最好的测试应要求机器接收一项新请求、检查周围环境、规划任务，并从至少一个意外情况中恢复。OpenAI 也应报告未成功的尝试。

披露失败很重要，因为实体智能的一部分正是恢复能力。实用机器人应在继续以危险的自信行动之前，发现自身计划何时失效。

第二个信号是与熟练工人的真实试点。外部工作场所将检验该系统能否在不断变化的任务、排班、安全规则和既有设备周围运行。

可信的试点应报告运行时长、人工干预、已完成任务，以及导致工作停止的故障类型。这些指标比经过精心剪辑的演示能揭示更多信息。

基础设施工作也将解释 OpenAI 为何选择人形机器人。如果机器人主要搬运标准化材料，轮式机器或固定机械臂可能会更高效地完成任务。

当机器必须使用现有的梯子、工具、门、工作站和空间时，人形形态才更具合理性。试点应展示这种优势，而不是将其视为理所当然。

持续独立工作的证据将增强 OpenAI 的地位。频繁重置、遥操作或针对场地的专门改造，则会削弱通用形态的论点。

第三个信号是竞争对手的反应。Figure、Tesla、XPENG、Google DeepMind 和其他机器人团队，正在探索模型、硬件和训练数据的不同组合。

如果竞争对手在 OpenAI 演示之前实现可靠部署，关注点将从通用模型声誉转移开。物理运行数据可能形成一种难以快速复制的优势。

OpenAI 可以通过发布机器人模型、与选定制造商合作，或将其智能能力保留给自有机器来回应。每种选择都会形成不同的市场结构。

对外提供模型将使 OpenAI 成为跨机器人品牌的平台。独占模型则会使它成为一家对硬件性能负责的垂直整合型竞争者。

该公司的招聘和公开承诺目前指向更深度的整合。不过，其最终分发策略仍不明朗。

开发者应关注 OpenAI 是否会开放仿真工具、机器人接口或应用框架。这些发布将显示第三方能否基于该系统进行构建。

企业采购方应更关注运营层面的证据，而非人形外观的新奇感。可靠性、人工干预率、数据控制措施以及安全失效行为，将决定其实际价值。

知识工作者也应密切关注。实体智能体让 AI 的能力从准备信息延伸到直接改变现实环境。

这一转变提高了误解指令的代价。当软件能够触发实体行动时，团队需要更清晰地记录目标、权限、源材料与决策。

核心问题已不再是 OpenAI 是否想造机器人。Altman 已经给出了答案。问题在于，该公司能否将通用智能与现实世界的运动连接起来，同时不牺牲可靠性、安全性或信任。

2027 年的演示将提供首个重要检查点，而非最终定论。应关注真正的自主性、公开披露的失败案例，以及 OpenAI 自身受控环境之外的实际工作表现。

如果这些信号同时出现，OpenAI 的人形机器人将不只是一次硬件展示。否则，身体可能早已准备就绪，而它的大脑仍未可靠到足以投入使用。