上周在奥斯汀举行的机器人学习大会(CoRL)上,OpenAI预订的208号展位空着,连公司标识也没有出现。随后《财富》报道称,OpenAI再次解散了旗下独立机器人研究团队,并得到其承认。说再次,是因为2020年OpenAI曾关停机器人实验室,当时理由是物理交互数据不足、研发进展偏慢,公司需要集中资源攻克大语言模型。
这次调整并不等同于离场。这支数十人的团队被拆解重组:核心算法研究员并入首席研究官Mark Chen掌管的主模型研究组,应用与硬件团队则进入总裁Greg Brockman负责的Applied部门。OpenAI给出的逻辑是,新一代通用前沿模型GPT-6 Astra能力出现跃升,已足够跨界驱动物理硬件,行业不再需要一套孤立、专用的机器人基础模型。与此同时,Sam Altman仍在筹备自研人形机器人本体,目标是2027年公开亮相。
这究竟意味着通用大模型正在向物理世界外溢,还是具身智能走到了演化分水岭?先看通用模型的进展。7月,Anthropic发现新一代通用模型能通过视觉观察、编写控制程序、调用运动控制工具,完成部分此前需要专门机器人策略的任务。GPT-6 Astra也引发英伟达、宇树、银河通用等公司的实验兴趣,结果既有提升,也有局限。
11月初,Anthropic发布新一代旗舰模型Claude Fable 5.2。在评估双臂机器人基于纯视觉控制完成复杂物理操作的仿真基准RoboDojo Sim中,该模型取得64.9%的任务成功率。上一代Fable 5.1只有27.6%,Google Gemini 4 Argon为34.2%,OpenAI寄予厚望的GPT-6 Astra则为29.8%。Fable 5.2不仅领先同行两倍以上,还跑赢了大多数专门为机器人操作训练的系统。它并非为机器人研发,也没有大量百万小时机械臂示教轨迹,本质仍是在文本、代码和多模态图像视频数据中训练出的数字大脑。
真机盲测结果同样引人关注。在没有微调的情况下,Fable 5.2依靠零样本泛化接管机械臂,完成拧瓶盖、转魔方等精细动作;第三方测试中,它还现场控制机械臂下完一局62步跳棋。抓取棋子因机械公差发生滑动碰撞时,模型能根据视觉画面的细微变化自主反向补偿和纠偏。此前,多数机器人厂商相信物理世界有着严苛的物理定律、摩擦力、惯性和接触刚度,必须依赖专用视觉语言动作模型、高频仿真强化学习或世界模型。现实却是,通用大模型仅靠规模扩张和多模态预训练,似乎正在自然涌现出对三维空间因果关系的隐式理解。这也解释了OpenAI为何敢于撤掉独立机器人组:当大脑进化速度超过预期,继续关起门来为机器人定制小模型,在商业和技术效率上都不再合宜。
要理解这种变化,需要回看具身智能路径的演变。早期机器人运行传统C++控制算法和轨迹规划,大模型在云端把自然语言指令拆成预设函数调用。之后出现端到端VLA浪潮,行业把视觉、语言和动作整合进一个大模型,输入摄像头画面,输出关节角度或末端轨迹,机器人开始学着看着物体直接下手,泛化能力前进了一步,System 1与System 2组成的快慢双系统也成为重要思路。今年,世界模型受到更多关注,它更重视理解和预测物理世界变化,例如推门时预测不同方向、大小的力会让门和周围环境发生什么变化,既能服务动作规划,也能在仿真中学习并减少对昂贵真实数据的依赖。VLA和世界模型并非对立。英伟达11月公布的GR00T 2采用世界动作模型架构,在预测动作的同时预测动作后的视觉变化。银河通用创始人王鹤也主张融合VLA和世界模型,以学习更丰富的物理交互能力。
通用大模型的进展给出了新的答案。过去普遍认为System 2需要专门训练机器人的语义理解,但Claude Fable 5.2和GPT-6 Astra表明,通用大模型可能才是更好的System 2。它掌握百科常识,具备长链路规划能力,随着多模态能力进化,还能通过摄像头画面推演三维空间中的相对距离、遮挡关系和操作顺序。Fable 5.2发布次日,Google推出专用VLA模型Gemini Robotics 2.5,同时利用通用模型Gemini 4 Argon生成仿真环境、分析失败原因,加快机器人模型训练。通用模型、VLA和世界模型仍有各自擅长的领域,但边界正变得模糊,哪一种最终更有效,仍需真实世界验证。
对于通用大模型在具身智能中的价值和定位,产业界持续交锋。今年2月,Anthropic创始人Dario在接受《纽约时报》采访时表示,操纵真实机器人比玩电子游戏复杂,但从智能问题本身看,两者没有根本区别。Sam Altman和Figure AI创始人Brett Adcock是通用至上派的代表,认为智能才是唯一本质问题,硬件只是工业制造的标准苦力活。配合租用的10万张下一代GPU,Adcock甚至称机器人学习同样服从清晰的Scaling Law:只要算力够大、预训练数据够丰富,身体的运动智能就会指数级跃迁。
更务实的代表是宇树科技创始人王兴兴。他在世界物理AI大会上公开表示,物理AI被击穿的苗头已经非常清晰,快则一两年,慢则两三年。在他看来,未来两年内,行业能在物理层面真正把基础大模型和机器人技术完全统一起来。智元也看好基础大模型对具身智能的影响。智元联合创始人、总裁兼CTO彭志辉表示,GPT-6 Astra等通用基础模型向具身领域渗透是大趋势,但对智元这样的全栈机器人企业而言,坚持自研决策模型仍是必选项。智元联合创始人、联席总裁姚卯青更具体地指出,大模型会随着能力提升,更多在System 2上帮系统提高长程和规划上限,具身公司也需要持续围绕System 2本身投入。
自变量机器人创始人王潜则更谨慎。他在今年9月的外滩大会上指出,智能很大程度上存在于数据之中。通用模型能够控制机器人,并不能证明其他领域的智能自然迁移到了具身领域。OpenAI、Anthropic的模型具备机器人操作能力,可能与它们吸收了更多物理世界经验直接相关。这也是GPT-6、Fable 5.2留下的重要疑问:我们知道它没有针对部分测试任务进行专项训练,却无法确定它在预训练中究竟学习过多少机器人和物理数据。Physical Intelligence联合创始人Sergey Levine的判断偏向融合。他认为,LLM拥有丰富的通用知识,恰好可以弥补机器人数据不足,是研发机器人基础模型非常好的起点;但机器人仍需通过真实操作、视频和其他物理数据,让这些知识真正转化为可执行能力。
由此看,分歧集中在一点:产业界普遍承认通用模型带来了新能力,但对机器人需要多少独立物理智能、这些能力能否随着通用模型升级自然获得,还没有形成共识。通用模型与具身模型的竞争,最终还可能涉及谁掌握机器人积累的数据,以及谁能在真实场景中持续提高任务成功率。
六年前,OpenAI因为机器人数据稀缺,把更多资源转向大语言模型;六年后,通用模型的发展又让它重新审视独立机器人团队的必要性。今天,通用多模态基础模型已经完成对人类社会常识、视觉理解与复杂逻辑的前置打包,具身智能不必从婴儿感知期重新学起,而是直接站在具备大学学术水平的超级大脑肩膀上。硬币的另一面是,通用模型改写了具身智能的起跑线,却没有抹平通往终点的物理鸿沟。即便Fable 5.2在仿真测试中取得64.9%的成绩,仍意味着数字仿真世界里有35.1%的任务失败率。机器人要进入工厂、家庭和其他复杂场景,仍需解决实时控制、物理交互和长期可靠性问题。对具身智能企业来说,通用模型的进步既是机会也是压力:一方面可以利用更强的基础模型降低学习新任务的难度,另一方面,原本需要专门研发的部分智能能力也可能逐渐变得容易获得。







