OpenAI 决定收起机器人研究的独立旗帜。这家公司向《财富》杂志证实，鉴于通用模型已经展现出直接胜任部分机器人任务的能力，管理层选择撤销独立机器人团队，把相关人员分流至核心研究与应用部门，让机器人研发与通用模型研究拧成一股绳。
促成这一变化的，是通用模型在机器人任务上交出的成绩单。英伟达10月公布的仿真实验中，OpenAI 的通用模型 GPT-6 Astra 被要求跳过传统机器人策略，直接产出机械动作，成功率录得 66.3%；接入能持续保留历史记录的编码智能体 Codex 后，成绩爬升至 74.8%，而页面所列最强专用机器人策略的参照成绩只有 51.0%。
这场测试铺在名为 RoboLab-120 的仿真基准上，覆盖 120 项抓取与放置任务。实验套路并不复杂：研究人员把任务指令、机器人规格、摄像头画面和当前状态一并递给模型，模型经控制接口给出机械臂末端的位置、朝向或关节目标，控制系统再把这些目标翻译成实际运动；动作执行完毕，新的画面与结果回流给模型，供它决定下一步怎么走。
实验衡量的是模型在零任务专用微调条件下的本事：机器人规格、动作格式、身体约束全靠提示词交代，执行反馈则充当纠错依据。子集测试还显示，会话历史里存下的计划、动作与反馈能帮模型盯住任务进度，可一旦继续开放代码执行、图像检查等工具，收益却相当有限。
对 OpenAI 而言，机器人研究被裁撤并非头一遭。2019年，公司曾公开展示机械手还原魔方的成果：团队先在仿真环境里用强化学习训练神经网络，让系统依据动作结果改进控制方式，再把习得的本领迁移到真实机械手上；为了抹平虚拟与现实的落差，研究人员还不断随机调整魔方尺寸、质量、手指摩擦等参数。
这个项目一度被视作学习系统驾驭复杂物理操作的例证，但数据瓶颈很快浮出水面。2021年，联合创始人沃伊切赫·扎伦巴在播客节目中道出缘由：机器人缺少适合预训练的海量数据，而其他领域的数据充裕得多，更有利于公司推进通用人工智能（AGI）。
扎伦巴口中的预训练，指先让模型从广泛数据里吸收可复用的知识与表示，再迁移到具体任务。语言模型靠预测后续文字就能学到表达与知识；机器人却必须把观察与身体动作一一对应——手往哪儿移、夹爪何时合拢、接触之后物体会怎样变化。这类交互记录在互联网上凤毛麟角，采集还牵扯硬件、操作者和现场维护。
机器人领域自身也在设法借用互联网沉淀的知识。2023年，谷歌 DeepMind 提出视觉—语言—动作模型（VLA）RT-2，把视觉语言任务与机器人轨迹数据合在一起训练，让语言和视觉知识参与动作预测，改善模型对新物体、新指令的理解，同时仍靠机器人数据建立观察与动作之间的对应。
转折发生在2024年。那一年，OpenAI 重建机器人团队，与人形机器人公司 Figure 签下合作协议，计划把自家模型研究嫁接到对方的硬件与软件经验上，共同开发人形机器人模型。同期亮相的视频生成模型 Sora，其技术报告把生成视频描述为探索物理世界模拟器的一条路径——视频记录着物体的运动与相互作用，有望让模型攒下可用于物理任务的知识，只是这些知识还得转化成机器人能执行的动作。
从早期指望机器人在行动中直接长出智能，到转向数据更肥沃的领域，再到通用模型壮大后重新看向机器人，OpenAI 的路线兜兜转转。如今公司看到另一种可能：机器人所需的一部分智能，可以从更广泛的模型训练中顺带获得。
今年9月问世的 Astra，最初主打编码、计算机操作、科学研究等能力。随后，外部团队纷纷把它接到机器人上，想弄清一个具体问题：一个能读图、会推理、能处理反馈的通用模型，能否仅凭摄像头画面和机器人状态直接生成动作，顶替机器人策略的位置？
动作生成的层次深浅不一：给出机械臂位置目标、调用现成抓取技能、直接驱动电机，对能力的要求逐级抬升；选用哪种控制接口，就决定了模型实际分担哪一段工作。
真实硬件上的案例更能看出通用推理如何改写动作选择。商汤科技的日日新联合研究团队把同一个 Astra 接上单臂、双臂、移动机器人、人形机器人等8种平台。双臂机器人的插花任务里，夹爪竖直夹住花茎，持花机械臂自己的腕部摄像头压根看不到花瓶口——单臂配置下插入失败；换成双臂配置，模型调动空闲的那只机械臂，让另一台腕部摄像头看清瓶口，插入随即完成。
该团队还发现，模型摆弄刚性物体的抓取与堆叠较为可靠，柔性物体、精密接触和长距离移动操作则明显吃力。实验依旧依赖人工提供的机器人约束与控制接口，但跨平台的场景理解、行动判断和反馈纠错，已经能由同一个通用模型包办。
机器人软件的写法可能因此改变。过去任务一变，往往要补示范、重训练或调整专门流程；通用模型能在执行中理解新目标、察觉视野受阻并自行挑选补救动作，一部分变化由此可以在运行过程中消化。开发者仍需定义身体能执行的指令，但应对任务变化的那份能力，开始由更通用的模型供给。
把通用模型推向物理行动的不止 OpenAI 一家。11月，Anthropic 推出 Claude Fable 5.2 与 Claude Mythos 5.2，并演示 Fable 5.2 操控真实机器人拧瓶盖、解益智方块和绘画。在统一运行框架、各模型均调至最高可用推理强度的 RoboDojo Sim 双臂仿真评测中，Fable 5.2 拿下 64.9%，上一代 Fable 5.1 为 27.6%，Astra 只有 29.8%。
谷歌选择双线并进。在通用模型 Gemini 4 Argon 的发布中，谷歌演示它通过动作接口控制机械臂摆正杯子、放进纸巾，还让它为波士顿动力的 Spot 四足机器人搭建垃圾桶仿真模型，先在仿真里练习踩踏板开盖，再回到真实环境投放易拉罐。
不久前，谷歌又推出新一代机器人动作模型 Gemini Robotics 2.5。在梅赛德斯-奔驰工厂开展的汽车零件分拣装盘概念验证中，具身推理模型负责跟踪工作流程，动作模型负责控制手臂。谷歌透露，Argon 还通过搭建仿真环境、剖析失败过程，帮着加快了这款机器人模型的开发。
三家公司的落子各有侧重：OpenAI 把机器人研究收编进通用模型体系；Anthropic 把机器人操控纳入旗舰通用模型的能力展示与评测；谷歌一边发展通用模型能力，一边继续训练机器人动作模型，并让前者反哺后者的开发。
理解一项操作，与以合适的速度稳定执行，是两回事，资源配置也各不相同。机械臂接触物体后，位移、受力和碰撞必须被及时处理；机器人本地的算力、网络条件和任务节拍，都会限制模型的规模与运行方式。
OpenAI 此番把研究人员并入主模型团队，实质是对研发资源的一次重新排布：部分机器人问题可以并入通用模型的能力建设，相关进步还能被多个应用共同分享。硬件与控制工程继续应付具体身体的约束，模型研究则不断扩大能够统一解决问题的范围。
独立机器人模型公司的处境随之微妙起来。Physical Intelligence 目前的打法是通过 API 提供模型微调和托管推理，帮客户高效适配新任务；另一家初创企业 Generalist 则依靠自采的物理交互数据训练模型，并适配夹爪等不同机械臂末端工具。独有数据能换来多大的执行优势，将直接左右它们的竞争位置。
这些公司同样在追逐跨任务、跨机器人的通用能力。当前沿模型不断闯入物理行动领域，比拼将集中到相近条件下的实际表现：完成同一项工作，各自需要多少新数据、多长适配时间和多高的运行成本。
