過去一年里，OpenAI 在舊金山搭建了一間低調(diào)的人形機器人實驗室，規(guī)模迅速擴張，目前已有約百名合同工輪班運轉(zhuǎn)，全天候采集數(shù)據(jù)，目標(biāo)是最日常、最瑣碎的家庭任務(wù)。

　　當(dāng)然與特斯拉、Figure 等公司高調(diào)展示整機人形機器人不同，OpenAI 的路徑在最底層技術(shù)，用大量人力和時間去堆數(shù)據(jù)、打基礎(chǔ)。

　　這套體系的核心是由德國公司 Franka 提供的機械臂。

　　數(shù)據(jù)采集人員通過 3D 打印的控制器 GELLO 進行遠程操控，讓機械臂完成諸如把橡皮鴨放進杯子、往烤面包機里放面包、疊衣服等看似簡單卻極難標(biāo)準(zhǔn)化的操作。

　　攝像頭同時記錄操作者與機械臂的動作，系統(tǒng)再從中篩選出“有效工時”，用于訓(xùn)練模型。這種做法與 OpenAI 早年在大模型時代通過大量人工標(biāo)注、逐步放大數(shù)據(jù)規(guī)模的路徑高度相似，對象從語言變成了物理世界的動作。

　　相比依賴動捕服和 VR 操控整個人形機器人的路線，OpenAI 選擇的“機械臂 + 低成本控制器”方案更便宜、更容易復(fù)制，也更有利于把人類動作與機器人執(zhí)行之間建立一對一映射關(guān)系。

　　OpenAI 對機器人問題本質(zhì)的判斷正在發(fā)生變化。

　　早期的機器人項目強調(diào)強化學(xué)習(xí)，讓機器人在試錯中通過獎勵機制學(xué)會動作，但現(xiàn)實世界的復(fù)雜性讓這種方法成本極高、效率有限。

　　如今，OpenAI 更傾向于通過大規(guī)模、結(jié)構(gòu)化的數(shù)據(jù)收集，讓模型先“看懂”和“模仿”人類，再談泛化能力。

　　這也解釋了為什么實驗室的主要精力放在機械臂而非完整人形機器人上：真正的瓶頸不在于外形，而在于如何讓系統(tǒng)穩(wěn)定、可重復(fù)地完成真實世界任務(wù)。

　　正如多位學(xué)者所指出的，算法并不缺，缺的是足夠多、足夠好的數(shù)據(jù)，而 OpenAI 正在用近乎“數(shù)據(jù)工廠”的方式補這一課。

　　從組織層面看，這條機器人路線目前仍然處在非常早期的位置。

　　內(nèi)部人士透露，相關(guān)硬件項目尚未成為公司核心戰(zhàn)略的一部分，但實驗室規(guī)模在不到一年內(nèi)已擴大數(shù)倍，并計劃在加州里士滿設(shè)立第二個基地，同時開始尋求美國本土制造伙伴，覆蓋消費級設(shè)備、機器人以及數(shù)據(jù)中心等方向。

　　這些動作釋放出一個清晰信號：即便短期內(nèi)不推出產(chǎn)品，OpenAI 也在為“具身智能”的長期可能性提前鋪路。

　　結(jié)合其在語言、多模態(tài)理解上的積累，一旦機器人具備足夠可靠的執(zhí)行能力，ChatGPT 式的認(rèn)知系統(tǒng)就有機會成為“機器人之腦”，讓機器不只是會動，而是真正理解并參與人類的物理世界。