首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
汽车 morning

OpenAI六年两次裁撤机器人团队,中国厂商却在给“小脑”持续下注

2026-11-16 1 阅读 约10分钟阅读 强调Next
分享:
字号:
文 | 强调Next 11 月 13 日,机器人学习大会 CoRL 在奥斯汀开幕。OpenAI 预订的 208 号展位空着。没有样机,没有海报,没有人站在那里回答问题。 同一天,《财富》披露OpenAI正式撤销独立机器人团队:研究员并入首席研究官Mark Chen统管的研究部门,应用机器人与硬件人员则划归总裁Greg Brockman分管的应用部门。 OpenAI给出的理由直接得近乎傲慢,他们原本以为,机器人能力需要靠Sora这类世界模型慢慢熬出来,但后来发现,像GPT-6 Astra这样的前沿通用模型已经能直接处理机器人任务,没必要再单设一个山头。至于人形机器人首次公开演示的时间表,依然定在2027年。 这是OpenAI六年里第二次拆掉机器人团队。2020年那次,是因为“缺训练数据”,这一次,是因为“通用模型够用了”。 几乎在同一周,大洋彼岸的中国产业链却在硬件与端侧密集落子: 11月10日,均胜电子旗下宁波超平面机器人向宇树科技交付首台高算力“大脑背包”;11月11日,优必选与沐曦股份合资的端侧芯片公司“曦选创智”被曝完成 5亿元 天使轮融资,由纪源资本、经纬创投联合领投;同日,北京市经信局发布具身智能机器人三年行动方案;11月13日,为优必选、智元、银河通用供应电动夹爪和灵巧手的大寰机器人,在深圳证监局完成上市辅导备案。 OpenAI的收缩与中国厂商的加码其实盯着同一个生态位:通用大模型与底层电机之间的那个“中间层”。 Astra 知道手往哪放,但管不好关节 OpenAI敢拆团队的底气,很大程度上来自英伟达西雅图机器人实验室10月14日发布的一份技术报告。 在包含120项桌面抓放任务的仿真基准RoboLab-120上,未经任何机器人专项训练的GPT-6 Astra直接输出动作,成功率就达到 66.3% ;如果把它放进保留交互历史、可调用工具并支持记笔记的Codex持续会话中,成功率更是跃升至 74.8% ,比此前排行榜上的最高纪录高出整整 23.8个百分点 。 但报告里真正耐人寻味的,是另一组对照数据。 同样由Astra直接控制,当动作指令用“末端执行器坐标”表达时,成功率为 66.3% ;一旦换成“关节位置”,成功率就掉到 50.2% ;如果换成更底层的“B样条轨迹”,则只剩下 38.8% 。 换句话说,Astra擅长告诉机器人“手该去哪里”,但至于每个关节转多少度、轨迹如何平滑过渡,最好还是交给底下现成的逆运动学和控制器去算。报告作者也坦言,提示词结构和动作表征方式会显著左右最终成绩。 这揭示了通用大模型在机器人领域拿高分的前提:它必须建立在一个清晰的分工接口之上:大模型负责输出意图和目标位姿,下层模块负责把位姿翻译成电机的力矩。 而时间与金钱的计算,则解释了这个接口为什么只能往上收,不能往下沉。 在直接控制配置下,Astra每次推理平均耗时 18.56秒 ,每个成功回合要消耗约 16万tokens ,成本 1.96美元 ;而把成功率多拉高8.5个百分点的Agent配置,代价是每个成功回合狂吞 3090万tokens 、花费 36.40美元 ,成本暴涨近 19倍 。更重要的是,这套测试的控制频率是15Hz,大模型在推理思考时,仿真环境可以暂停等待。但真实的工厂产线,一秒钟都不会等。作为参照,开源VLA(视觉-语言-动作)模型π₀.₅每次推理只需约 47毫秒 。 Runway在开源世界动作模型Praxis-1时,曾做过一次残酷的真机对照:同一台双臂机器人跑同样的任务,Astra的平均耗时是Praxis-1的 15.6倍 ,单次成功成本是后者的 51倍 。 不可否认,通用模型在具身领域的进化速度惊人。Anthropic在11月9日发布的Claude Fable 5.2,在RoboDojo Sim双臂仿真中拿到 64.9% 的成绩,比上一代Fable 5.1(27.6%)暴涨 37个百分点 ;而在同一张内部测试表里,GPT-6 Astra只有 29.8% 。 同一个模型换一套基准测试,成绩就能从七成多跌到三成。这恰恰说明,通用大模型还没有长出稳定的“物理运动常识”,纸面高分依然高度依赖评测框架与外围脚手架的配合。 烧掉 579 美元,没抓起一个魔方 仿真环境里考的是“能不能做”,一旦上了真机,考题立刻变成“值不值得这样做”。 10月底,优必选公布了一组围绕Astra的真机与仿真测试,把这笔经济账算到了分钟级: 大模型直控:让Astra直接控制Walker C1抓取魔方,累计折腾了约 70分钟 ,消耗约 9558万tokens ,折合API成本约 579美元 。最后魔方也没抓起来。 分层协同:让Astra只做高层规划,期间调用两次自研的Thinker-VLA模型去执行抓取福袋,全程耗时约 5分钟 ,消耗 301万tokens ,成本约 17美元 ,任务顺利完成。 尽管两项任务不同、不能严格横向对比,但量级上的悬殊已足够说明问题。而在完全同任务的“仿真叠碗”测试中,Astra直接控制机械臂做了40次决策、耗时33分钟仍未完成;引入世界模型Thinker-WM生成候选动作并预测结果、让Astra只负责“做选择题”后,任务不仅顺利通关,Astra的token消耗更是骤降 83.6% ,API成本下降 74.2% ,执行时间缩短了 86.1% 。 优必选由此得出结论:让Astra决定“做什么”,让VLA解决“怎么做”。 这并非一家之言。在第九届进博会期间,多位一线从业者给出了高度一致的反馈:牧神智能首席科学家陈涛团队将Astra接入不同厂商的本体后发现,原生端侧大脑一两分钟就能搞定的任务,换成Astra要拖到半小时甚至一小时,中途出错还经常卡死;智元机器人合伙人熊炎算过一笔账,Astra生成简单动作也要几分钟,单次调用常常超过 100美元 ,部署阶段的调试成本高得惊人;银河通用创始人高继扬直言,模型必须跑在端侧,否则根本跟不上工业现场的作业节拍。 宇树科技创始人王兴兴则判断,目前的瓶颈早已不在理解和规划,而在于将模型输入输出与物理世界对齐的“最后几毫米”:目前抓取大件的成功率已接近100%,但精密装配依然偏低,预计这一卡点会在1到2年内基本解决。 谷歌的抉择更能说明问题。11月10日发布的Gemini Robotics 2.5,在梅赛德斯-奔驰匈牙利凯奇凯梅特和德国辛德芬根工厂的POC(概念验证)中,驱动Apptronik的Apollo 2人形机器人将金属支架从散料箱分拣至排序料盒,拿下了 96% 的成功率。 但哪怕是谷歌这样同时握有顶尖通用大模型与自研动作模型的巨头,进了奔驰工厂,依然老老实实选择了双层解耦架构:具身推理模型Gemini Robotics ER负责跟踪工作流,下层的Gemini Robotics 2.5负责控制手臂和灵巧手。 因此,OpenAI解散独立团队,绝不意味着“机器人不再需要专门的小脑”。更真实的情况是,OpenAI只打算做金字塔尖最赚钱的那一层。 云端大模型的计价单位是Token和分钟,工厂产线的计价单位是毫秒和节拍。这两套商业语言之间的换算,必须有人在机器人本体上完成。 虎口夺食:绕开英伟达,自己造“小脑” 读懂了这层换算逻辑,再看本周中国产业链的密集动作,脉络就
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱