据外媒报道,OpenAI 第二次解散独立机器人团队,研究人员分流至其他部门;公司的理由是通用模型已能直接控制机器人。这不是收缩,而是一个更激进的战略宣示:只做大脑,不做身体。
一、第二次解散:这次的理由更硬
据 The Decoder 报道,OpenAI 再次解散了独立的机器人团队,研究人员被重新分配到其他团队。公司给出的解释是:GPT-6 Astra 等通用模型已经可以直接控制机器人,专门设立机器人部门"没有必要",研究人员的工作将以"整合"的方式继续。
值得注意的是,这是第二次解散——说明上次解散后公司又尝试过重建专项团队,最终仍然放弃。两次放弃叠加在一起,结论就很清晰了:在 OpenAI 的路线图里,机器人不是一个需要"专门团队"的垂直领域,而是通用模型能力版图上的一块拼图。
同样的组织动作,两次的理由完全不同。第一次可以解读为战略摇摆,这一次有了"模型能直接控制机器人"作为依据——理由更硬,也更值得认真对待。
二、"通用模型吞掉专用团队",意味着什么
这件事最深刻的地方不在机器人,而在组织:当基座模型的通用能力足够强,垂类部门的存在价值会被重新定价。过去成立一个专项团队的理由是"这个领域需要专门的知识和数据";现在基座模型吃掉了越来越多的专门知识,垂类团队的核心工作——数据、微调、场景适配——正在被通用能力覆盖。
这个逻辑不只适用于机器人。语音、图像、翻译、代码,这些曾经各自养团队的领域,都在被通用模型逐步吸收。企业内部也一样:围绕单一 AI 能力搭建的小团队,护城河正在变浅。
对从业者来说,判断标准其实很朴素:你掌握的东西,是"基座不会的",还是"基座还没学到的"?前者是真壁垒,后者只是时间差。
三、"只做大脑,不做身体"的战略选择
把 OpenAI 的选择放到行业坐标系里看更清楚。同一段时间里,特斯拉在自研 Optimizer,宇树的机器狗在登山比赛拿冠军,Meta 被曝联合中国厂商快速造出人形机器人原型——这些玩家走的都是"大脑 + 身体"一起做的重路线。
OpenAI 反其道而行:不碰硬件、不建工厂,把全部筹码押在"谁的模型能指挥所有身体"上。这是一笔清晰的算账——硬件是重资产、慢迭代、强制造属性的生意;模型是快迭代、高杠杆的生意。如果通用模型真能成为机器人的"操作系统",它拿走的将是整个行业最上游的位置。
但风险同样清晰:机器人公司完全可以自研模型、或者用开源方案,"大脑"的位置从来不是独家生意。两种路线的胜负,要等规模化落地那一刻才能揭晓。
四、机器人公司的护城河搬家了
这次解散给机器人创业公司的信号很直接:护城河正在从算法搬到场景与数据。当顶级模型的控制能力对所有人开放,比拼的就是谁能先在真实场景里积累"任务数据"——哪类抓取容易失败、哪种地形容易打滑、什么流程人类最需要。
这也解释了为什么头部公司都在抢"落地面":进工厂、进仓储、进餐饮后厨。场景数据是通用模型吃不掉的部分——它需要物理世界的真机运行,需要和客户的生产流程深度绑定。谁先跑出规模化部署,谁的数据飞轮就先转起来。
对投资人和观察者而言,评估机器人公司的问题也要跟着换:别再问"技术多先进",要问"在哪个场景跑了多少台、攒了多少真实任务数据"。
五、零售视角:机器人最先"上岗"的地方
回到零售行业,通用模型控制机器人这件事,最先落地的大概率是三个场景。第一是仓储与补货:任务结构化、容错率高、夜间无人环境友好——机器人在这里不需要完美,只需要比夜班人力成本更低。
第二是后场作业:理货、搬运、清洁这类"顾客看不见"的环节,先用机器人把人力挪到服务一线。第三是巡检与盘点:让机器人带着摄像头和模型"值班",异常自动上报。
给零售企业的建议只有一条:现在开始记录自己的"任务清单"——哪些流程规则清晰、重复度高、容错可控。这份清单,就是未来机器人招标书的第一页。机器人时代的机会,属于提前把流程写清楚的人。
通用模型吞掉的是团队,
留给场景的,是数据和时间差。
参考:OpenAI 二次解散机器人团队及其原因表述来自 The Decoder 等外媒报道,以 OpenAI 官方披露为准;GPT-6 Astra 直接控制机器人为公司口径,实际能力边界未经独立验证。本文不构成任何投资建议。
热门跟贴