
专为机器人开发的模型,正在机器人任务上输给通用大模型。
英伟达10月公布的一项仿真测试显示,通用模型GPT-6 Astra直接生成机器人动作的成功率达66.3%;结合智能体系统后,成功率进一步提升至74.8%,远超专用机器人模型。理解场景、决策下一步及纠错,这些曾需专门处理的工作,正逐步纳入通用模型的能力范畴。
这一趋势已影响OpenAI的研发架构。据《财富》杂志确认,鉴于通用模型已具备直接执行部分机器人任务的能力,OpenAI决定撤销独立机器人团队,将相关人员并入核心研究和应用部门,以整合资源。
数据瓶颈与机器人研究的回归
在此次整合前,OpenAI曾因训练数据不足暂停过机器人研究。
2019年10月,OpenAI发布机械手解魔方研究成果,通过强化学习在仿真环境中训练神经网络,并迁移至真实机械手。尽管展示了处理复杂物理操作的潜力,但受限于数据规模,该项目随后停滞。2021年,联合创始人沃伊切赫·扎伦巴(Wojciech Zaremba)指出,机器人领域缺乏适合预训练的海量数据,而其他领域数据更为丰富,更利于推进通用人工智能(AGI)。
机器人预训练需要将观察与身体动作对应,这类交互数据的采集成本高且数量远少于互联网文本。与此同时,行业开始尝试利用互联网预训练知识。2023年,谷歌DeepMind提出视觉—语言—动作模型RT-2,结合视觉语言任务与机器人轨迹数据,提升了对新物体和指令的理解能力。
2024年,OpenAI重建机器人团队并与Figure公司合作,旨在结合模型研究与硬件经验开发人形机器人模型。同年发布的视频生成模型Sora,也被视为探索物理世界模拟器的路径,有望帮助模型获取物理任务知识。
Astra承担机器人策略工作
今年9月,OpenAI推出Astra模型,重点展示编码、计算机操作及科学研究能力。外部团队随即尝试将其连接至机器人,探究通用模型能否根据摄像头画面和状态直接生成动作,承担机器人策略工作。
实验向模型提供任务指令、机器人规格、图像及状态,模型输出机械臂位置或关节目标,经控制系统转化为实际运动。执行后的新图像和结果反馈回模型,以决定下一步动作。
英伟达在包含120项任务的RoboLab-120仿真基准上测试Astra:直接生成动作成功率为66.3%;使用保留历史的编码智能体Codex后达到74.8%,高于最强专用策略参照的51.0%。会话历史有助于跟踪任务进展,但额外工具的提升有限。
商汤科技联合研究团队将Astra接入单臂、双臂、移动及人形机器人等8种平台。在双臂插花任务中,当持花机械臂视野受阻时,模型能控制空闲机械臂调整视角以看清瓶口,从而完成插入。实验显示,模型在刚性物体抓取堆叠上表现可靠,但在柔性物体、精密接触及长距离移动上仍有困难。
这种能力改变了机器人软件开发模式:开发者只需定义身体可执行的指令,通用模型即可在执行中理解新目标、发现视野问题并补救,无需针对每个任务变化重新训练。
多家巨头布局通用模型控机器人
其他通用模型也展现出类似能力。11月,Anthropic发布Claude Fable 5.2和Claude Mythos 5.2,展示其控制真实机器人拧瓶盖、解益智方块和绘画。在RoboDojo Sim双臂机器人仿真评测中,Fable 5.2得分为64.9%,显著高于上一代的27.6%及Astra的29.8%。

谷歌则采取双轨并行策略。其通用模型Gemini 4 Argon可通过动作接口控制机械臂摆正杯子,并为波士顿动力Spot机器人构建仿真模型以练习开盖投放。近日发布的新一代机器人动作模型Gemini Robotics 2.5,在梅赛德斯-奔驰工厂的概念验证中,由具身推理模型跟踪工作流程,动作模型控制手臂,Argon则通过构建仿真和分析失败加速开发。
目前,OpenAI将机器人研究纳入通用模型体系;Anthropic将机器人操控作为旗舰模型能力展示;谷歌则在发展通用模型同时继续训练专用机器人动作模型,并利用前者辅助后者开发。
独立模型公司的生存挑战
理解操作与持续执行对资源配置要求不同。机械臂接触物体需及时处理位移、受力,受限于本地算力、网络及任务节拍。OpenAI的资源整合表明,部分机器人问题可由通用模型解决,而硬件与控制工程仍负责处理具体身体约束。
独立机器人模型公司需证明其独特价值。Physical Intelligence通过API提供模型微调和托管推理,帮助客户快速适配新任务;Generalist则依靠自采物理交互数据训练模型,适配不同末端工具。其竞争优势取决于独有数据带来的执行效率提升。
随着前沿模型进入物理行动领域,竞争焦点将转向相近条件下的实际表现:完成同一工作所需的新数据量、适配时间及运行成本。总体而言,机器人仍需在真实世界积累经验,但越来越多的理解、推理和行动判断正成为通用模型的领地。
注:封面/首图由 AI 辅助制作

