OpenAI自研人形机器人：AGI的物理出口与行业机遇-平芜编程栈

2025年刚开年，具身智能圈就扔出了一颗深水炸弹——山姆·奥特曼在一次公开访谈里，首次明确确认OpenAI将自研人形机器人。注意他的措辞，不是“投资一个团队”，不是“联合开发”，而是“自己做一整个人形机器人”。这事放在三年前不敢想，放在一年前也是争议巨大，但放在今天，几乎成了顺理成章的一步。

我先说结论：OpenAI下场做机器人，表面上看是业务边界扩张，实际上是在给自己寻找“AGI的物理出口”。ChatGPT再强，也困在文本和图像里，而一个能看、能听、能动手的实体，才是大模型真正进入物理世界的最短路径。这篇内容我不想只做新闻复述，我会从技术路线、行业格局、个人机会三个角度把这件事拆透，适合机器人方向的从业者、大模型应用开发者，以及所有正在观望具身智能赛道的朋友。读完你至少能明白：OpenAI到底在赌什么，这条赛道接下来会怎么走，以及你自己该怎么接住这波机会。

1. 为什么OpenAI突然“下场”造机器人

1.1 从幕后投资到亲自上手，态度转变背后有迹可循

过去几年，OpenAI在机器人领域一直走的是“投资+模型输出”路线。公开报道里能看到的就有Figure、1X、Physical Intelligence等多家公司，OpenAI要么出钱，要么提供GPT系列模型能力，让别人的本体搭载自己的“大脑”。这条路线的好处是轻资产，风险和成本都压在本体厂商身上，OpenAI只需要做好模型就行。但它有一个致命问题：模型能力再好，数据闭环不在自己手里，关键技术路线受制于人。

转折点也很明显。2024年底到2025年初，Figure公开表态在自研端到端AI系统，不再依赖外部大模型；甚至还有“某本体公司逐步减少OpenAI依赖”的说法在圈内流传。与此同时，OpenAI的内部招聘动向也很敏感——机器人机械设计、电子工程、系统集成、数据采集等岗位一口气放出好几个，这绝不是做一个API能解释的。奥特曼这次公开确认，只是把已经跑了一段的路摆到台面上。

用商业逻辑理解这件事，其实特别简单：当你发现你送出去的“大脑”正在给别人做嫁衣，而对方还想偷偷换脑子的时候，最稳妥的办法就是自己也长出一具身体。自研意味着从硬件设计到软件训练，所有环节都在自己掌控下推进，不会再出现“模型适配度不够”“数据舍不得给”这类扯皮问题。奥特曼的公开表态，等于把OpenAI过去几年反复摇摆的答案钉死了。

1.2 OpenAI造机器人，到底图什么

很多人第一反应是“OpenAI终于要跟特斯拉抢生意了”，但把账算细一点，你会发现它图的根本不是卖一台机器人那么简单。

第一层是数据。当前大模型最缺的不是文本，而是物理世界的交互数据。文本数据快被挖完了，视频数据也差不多，但机器人轨迹数据——也就是机械臂怎么动、手指怎么捏、人怎么走过去拿杯子——这些数据目前极度稀缺，而且每一小时都真实反映物理世界的因果关系。谁掌握海量真实的机器人操作数据，谁就能训练出更接近通用物理理解的模型。OpenAI如果继续只做软件，就只能跟人买数据或合作采集，这等于把命脉交给别人。自研人形机器人，本质上是自己搞了一条高质量数据生产线。

第二层是战略卡位。AGI要真正进入现实，不可能只靠对话框。无论是替你取快递、帮你做家务，还是在工厂里完成装配，都需要一个物理载体。谁先把这个载体跑通，谁就定义了下一代人机交互入口。OpenAI错过社交、硬件终端这些入口之后，不会再轻易放过机器人这个入口。

第三层是模型边界验证。当前多模态模型对物理世界的理解还停留在“看图说话”的层面。机器人是天然的验证场，模型必须在真实环境里连续推理、纠错、规划，一次失误就是一次崩溃。这个过程逼着模型从“会聊天”走向“会干活”，对OpenAI整体模型能力的提升是全方位的。

1.3 为什么偏偏是人形，不是机械臂或轮式机器人

有人会问，做机械臂或者轮式底盘成本低、技术成熟，为什么非要啃人形这个硬骨头。我的理解是：通用性的天花板完全不同。

机械臂适合固定工位，轮式机器人适合平地和导航，但它们都只能覆盖特定场景。人形机器人最大的优势在于，整个世界的基础设施——楼梯、门把手、椅子、工具——都是按照人体工学设计的。人形意味着它天然能适配仓库、家庭、车间、医院这些场景，几乎不需要对环境做任何改造。这一点放在规模化部署语境里，价值就太大了：你不需要为了一个机器人重新改造整座房子或整条产线。

还有一个层面是交互体验。LangChain那类文本工具不需要身体，但未来机器人要和普通人协作，人形外观会带来更自然的沟通预期。就像老人院里的护理机器人，若有手臂和表情，心理接受度会显著高于一个扫地机器人。当然，人形形态的运动控制、功耗、成本全是地狱级难题，OpenAI敢选择这条最难的路，也侧面说明它不是想快速卖货，而是想在技术栈最深处建立起别人短时间追不上的壁垒。

2. 一台能干活的人形机器人，核心技术在拼什么

2.1 大脑、小脑的分工，决定了机器人“聪明”的上限

很多非技术读者会以为人形机器人就是“大模型+”一个金属身体，插上电就能干活。实际上，一个能稳定工作的机器人系统，至少要在两个层面同时发力。

“大脑”负责理解语言、规划任务、识别物体。比如你说“帮我把桌上那个红色马克杯拿来”，大脑要做的事情是：听懂指令、识别杯子位置、规划路径、判断抓取姿态。这套逻辑现在主要靠多模态大模型来完成，也就是视觉语言模型加推理规划。“小脑”负责执行层面的运动控制：走路不摔、伸手不抖、抓握不滑。小脑部分现在更依赖强化学习、模型预测控制这类底层算法，它们直接输出关节扭矩和轨迹。

传统机器人公司更擅长小脑，模型公司更擅长大脑。但真正好用的机器人必须把两者缝成一个整体。OpenAI自研的意义，就是要把大脑和小脑放到同一个优化目标里去训练，而不是像以前那样“大脑输出一个坐标，小脑机械执行”。只有联合优化，才能实现“看到杯子在倾斜的时候就提前补偿用力”这种自然到像人一样的操作。

2.2 VLA：把“看”和“说”直接变成“做”

最近这个圈子里高频出现的词叫VLA，全称是Vision-Language-Action，视觉-语言-动作模型。你可以把它理解成一个“端到端”的机器人控制大模型：输入是摄像头画面和人类指令，输出直接是机械臂或关节的动作序列，中间不再依赖一堆手写的规则模块。

过去机器人的经典做法是分模块级联：先视觉识别，再语义理解，再路径规划，再运动控制，每个模块单独调，累积误差巨大。VLA的做法是让Transformer去吃海量“图像+指令+动作”配对数据，自己学习从观察直接到动作的映射。谷歌的RT系列、Physical Intelligence的π0走的都是这个方向，OpenAI要做人形机器人，几乎绕不开VLA这条路线。

不过VLA目前的难点也很实在。一是动作表示：动作既可以离散成token像文字一样生成，也可以预测连续值，两种方案在精度和数据效率上差异很大。二是长程任务：现在VLA能做一个“拿杯子”动作，但要连续完成“打开冰箱、拿出鸡蛋、放到灶台、开火”这种长序列，仍然会崩。三是数据量：VLA是标准的“喂多少出多少”的模型，缺数据就是缺智能，而且机器人数据的维度又远高于文本，采集成本极高。

2.3 数据才是终极壁垒，遥操作、仿真与数据飞轮

聊到数据，就得展开讲讲机器人的数据从哪来。目前主流是三条路。

第一条是遥操作采集。人操作员戴上动作捕捉设备，远程控制机器人做任务，整个轨迹数据被完整录制下来。这套方式数据质量最高、最接近人的操作习惯，但人力成本极大，一个人一天也就采几百条轨迹，而且很难规模化。第二条是仿真训练。在MuJoCo、Isaac Lab这类模拟环境里，让机器人自己疯狂做任务，相当于让它在虚拟世界里跑几百万次“抓杯子”，然后再把策略迁移到真实世界。仿真便宜且量大，但要解决“仿真到现实”的鸿沟，模型在模拟器里学会的动作一上真机就变形甚至翻车。第三条是数据飞轮。机器人部署到真实环境后，一边干活一边回传失败案例和新场景数据，自动变成下一代训练集。这条路最终能降低数据成本，但只有先卖出去、部署出去才能形成。

OpenAI自研人形机器人，最重要的其实是把第三条路抓在自己手里。它不缺资金、不缺算力、不缺模型能力，缺的是真实世界的数据入口。自己造机器人，就拥有了一个全天候工作的数据采集终端网络。长期看，这才是远比卖硬件更有想象力的生意。

3. OpenAI入场，整个机器人生态都得重新洗牌

3.1 原来靠OpenAI大脑做事的本体厂商，处境最微妙

OpenAI宣布自研之前，市面上有不少机器人公司的主打卖点是“接入OpenAI模型”，等于把“聪明的大脑”作为一个核心亮点。现在OpenAI自己也下场了，这些公司就相当尴尬：继续用OpenAI模型，是在给对手喂数据；不用OpenAI模型，又可能要从头训练大模型，研发成本陡然上升。

最理性的选择是转向开源模型或自研模型。Figure已经这么做了，更多中小型机器人公司大概率也会跟进。这会带火一波开源VLA和开源多模态模型的生态，比如让机器人团队用开源模型做任务规划和控制，反而会让模型生态更加百花齐放。对OpenAI来说，虽然会失去一部分模型授权生意，但它本来就不靠这个盈利，这笔账完全划得来。

短期里有一类公司反而会因此受益，就是专门的机器人AI模型供应商，比如Physical Intelligence这类独立公司。它们既不绑定OpenAI，也不做本体硬件，专门给各家机器人厂商提供AI方案，随着OpenAI和本体厂商的矛盾加深，它们的议价权反而会上涨。当然，这也意味着它们很可能成为OpenAI收购名单上的优先目标。

3.2 供应链被推到前台，硬件产能成为卡点

在软件圈混久了，很容易低估硬件制造的难度。一台人形机器人身上的核心零部件，比如行星滚柱丝杠、无框力矩电机、谐波减速器、六维力矩传感器、灵巧手里的微型驱动器和触觉传感器，每一项都是高精度制造工艺，产能爬坡慢、良品率提升难。

OpenAI自研消息一出，最开心的其实是产业链上游。整机需求的确定性提高，意味着这些零部件厂商的订单预期会水涨船高。供应链的逻辑很简单：无论谁最终做出爆款人形机器人，只要这个品类起来了，上游关键零件的出货量就一定会爆发。这也是为什么最近一两个月，很多资本开始密集看机器人核心零部件项目，本质上是在赌“量产放量”早周期。

对OpenAI来说，硬件供应链是它最大的短板。强如特斯拉，在Optimus的量产过程中也反复吃零部件的亏。OpenAI作为软件基因很重的公司，要么自建供应链团队硬啃，要么通过与多家零件厂深度绑定的方式借力。这个环节一旦卡住，再强的模型能力也无法变成产品，所以实际情况可能会比乐观预测慢不少。

3.3 创业团队的机会：别硬拼整机，去做数据与场景

每次有巨头入场，都会有人焦虑：是不是没机会了？我的看法恰恰相反，大厂做整机，反而给中小团队腾出了更清晰的生态位。

第一条路是做数据服务。大量机器人公司会缺数据，尤其是真实场景的操作数据。如果你能在特定场景里高效采集、清洗、标注机器人轨迹数据，并且形成规模化交付能力，你就成了所有模型和本体厂商都需要的外包资源。第二条路是做场景集成。工厂巡检、物流分拣、养老护理、零售导览，这些行业都不是靠一台裸机就能落地的，需要有人做需求分析、方案设计、部署调试和售后运维。这些脏活累活巨头反而做不细，恰好是中小团队的收入来源。第三条路是做垂直模型或中间件。开模型底盘+特定行业的增量数据训练，做成“懂这个行业的机器人解决方案”，这是OpenAI短时间不会亲自去碰的角落。

说白了，人形机器人是一个超级大赛道，不会只有一家通吃。大厂抢的是平台和入口，创业团队赚的是密度和深度，只要找准一个具体场景死磕下去，机会并不少。

4. 新闻落地到工程，普通人该怎么接住这波机会

4.1 机器人方向开发者：从一条VLA小链路开始

如果你有编程背景，哪怕没有机器人硬件，也完全可以先把VLA链路跑通。最快速的路径是：用开源VLA权重加一台便宜的模拟机械臂环境，在小规模任务上做行为克隆训练。

大致的流程是这样：

搭建仿真环境，比如MuJoCo或Isaac Lab，里面放一个机械臂和几个方块。
定义动作空间，通常是末端位置加夹爪开合，或直接输出关节角。
用遥操作或脚本控制的方式，自动化生成几千条“图像+指令+动作”的轨迹数据。
用开源VLA模型或两阶段训练方式进行行为克隆，让模型学会从图像和指令输出动作。
在未见过的新位置做泛化测试，记录成功率。

# 概念示意：VLA 模型输入与输出（具体接口以所用模型文档为准） observation = { "image": camera_frame, # 当前相机画面 (H, W, 3) "instruction": "把红色方块放到篮子里", "state": joint_angles # 当前关节角度，假设是7自由度机械臂 } action = vla_model.predict(observation) # 返回动作可以是末端轨迹点，也可以是目标关节角

这里最关键的“第一性原理”是：VLA不会天生就会做任务，它需要大量行为示范才能像“肌肉记忆”一样把指令转成动作。刚开始跑通流程比追求精度重要，你会很快理解模型的泛化极限在哪、数据质量如何影响动作质量，这些体感是看再多论文也得不到的。

4.2 大模型方向开发者：先给机器人装一个“任务大脑”

如果你没有机器人硬件基础，只熟悉大模型应用开发，可以从任务规划的“大脑”切入。核心思想用一句话概括：让大模型负责“决定做什么”，把“具体怎么做”交给底层运动模块。

架构大致是这样：接收用户自然语言，大模型把它分解成一串可执行的子任务；然后调用现成的机器人能力模块，比如移动到某个坐标、抓取某个物体、执行某个动作；每执行一步再调取环境反馈，修正后续计划。这个过程中，大模型相当于调度员，不是每个动作都直接出扭矩，而是做高层决策。

# 概念示意：任务规划模型的结构化输出 system_prompt = """ 你将获得一句用户指令和一些可用技能。请将指令拆解为有序技能调用列表，输出严格的JSON。 可用技能: navigate_to(目标位置), grasp(物体名称), place(放置位置), handover(对象) """ # 用户输入: “从桌上递水杯给我” # 模型输出: # [ # {"skill": "navigate_to", "target": "桌子"}, # {"skill": "grasp", "object": "水杯"}, # {"skill": "navigate_to", "target": "用户面前"}, # {"skill": "handover", "object": "水杯"} # ]

这里有一条必须强调的安全红线：不要让大模型直接控制机械臂末端，更不要让模型直接发关节扭矩指令。正确做法是模型只输出高层意图，由一层确定性的安全策略去校验后，再触发运动指令。否则大模型的幻觉，哪怕只有千分之一的概率，也会导致真实世界的危险。这是我在跑机器人Demo时踩过的坑，永远别相信模型的每一步判断都正确。

如果你连代码也不想写，还可以去做机器人语料整理。比如把特定场景的设备说明书、故障知识、操作手册整理成RAG知识库，让机器人能回答“这台设备报警了是什么意思”这类问题。这种工作门槛低、需求旺，而且不管模型厂商如何换，知识库资产都会沉淀下来。

4.3 非技术出身：场景、数据、产品化三条路

没有技术背景的人，听到“OpenAI自研机器人”可能觉得跟自己没关系。其实这波浪潮里，最缺的往往不是工程师，而是“知道怎么把机器人用起来”的人。

场景这条线，核心是找到愿意付费的具体需求。我认识一个做工业巡检的朋友，他对机器人技术细节一窍不通，但他非常清楚锌冶炼厂里需要检查哪些仪表、什么温度区间算异常、数据日志怎么录。他只需要把需求文档写清楚，对接技术团队，就能做集成商门槛不低的生意。这类“懂行业+愿意干活”的角色，在大厂标准化产品落地前，价值非常大。

数据这条线，是所有模型公司都绕不开的。现在要做机器人操作数据采集，就需要大量人做标注、校验、回放，比如判断一次抓取动作是否成功、一帧图像里哪个区域是目标物体。这些工作不需要太深的技术背景，但需要细心和耐心，收入也在随行业水涨船高。

产品化这条线，适合有产品思维的人。把一台“啥都能干”的人形机器人，定义成某个场景里“能干好”的专用设备，本身就是一门学问。谁先把功能边界、验收标准、失败兜底策略说清楚，谁就能拿到落地合同。

5. 热闹背后，我看到的冷风险和长期变量

5.1 硬件制造是慢生意，OpenAI也绕不过供应链

OpenAI在软件上再强，也要面对一个现实：造硬件不是训模型，模型迭代可以几周一个版本，硬件从设计到量产往往按年计。尤其是人形机器人这种复杂机械系统，一颗螺丝的材质选错都可能导致整机寿命缩水。

供应链的第二个问题在良率和成本。目前一台人形机器人原型机的物料成本还很高，传感器、关节执行器、灵巧手这些部件，单是BOM就能压垮多数初创公司。哪怕OpenAI资金充裕，也不能凭钱变出产能，它需要跟大量零部件供应商磨合、测试、迭代。所以我的判断是，OpenAI自研机器人的真正落地周期大概率比宣传的“即将发布”要长，可能需要两三年才看到有意义的原型或小批量产品。

5.2 泛化、幻觉与安全，端口到端还远不能盲目上车

技术层面，最让人不放心的还是泛化和安全性。VLA模型在实验室里表现亮眼，一旦放到真实的家庭或工厂，光照、物体位置、干扰因素全变了，成功率断崖式下降是家常便饭。再加上大模型本身存在幻觉，机器人端到端控制一旦把幻觉“执行”出来，就可能造成真实损坏。

所以靠谱的产品一定会做分层安全设计。比如在低层加物理约束：力矩限制、速度限制、机械急停、安全PLC；在高层加逻辑校验：机器人准备执行动作前，先由另一套规则系统评估动作是否安全。这也是我特别不建议工程师在真机上直接跑端到端模型的原因，只适合在仿真或安全隔离区里验证。真正的商用产品，必须有一个不依赖大模型的硬性安全兜底，这是所有想做机器人落地的人都要记住的底线。