NE时代

◎ OpenAI要造人形机器人，身体和“大脑”一起做。

△ 撰文：董志洋

“我们一定会做人形机器人，也会做其他形态的机器人。”

在2026年9月1日发布的《Sources》播客交流中，OpenAI首席执行官Sam Altman向科技人员Alex Heath给出了这一回答。

继组建机器人团队、招募硬件工程师之后，他明确把人形机器人列入了公司的开发方向。

截至9月3日，OpenAI官网Robotics团队列出21条招聘岗位，涉及执行器设计、固件、传感器和数据采集，也包括原型制造、零部件采购和训练系统工程师。

从这些研发安排看，OpenAI准备把机器人的本体与模型一起做。研究范围已经深入电机、齿轮和传感器，公司也在寻找制造伙伴，为硬件开发配置人员和供应资源。

Altman还谈到了机器人准备承担的工作。

个人机器人是长期设想，近期更重要的是帮助熟练工人建设基础设施。

他把机器人与芯片、供应链放在一起讨论，设想它们共同帮助OpenAI降低数据中心建设成本。

01.

机器人要适应人的环境

Altman选择人形，首先考虑的是机器人要在什么环境中工作。

开门、在电脑上打字、操作设备、清理厨房，是他在交流中举出的几个例子。这些空间和工具大多围绕人的身体设计，采用相近的形态，有助于机器人使用既有设施。

他也希望，人类继续按照自身需求建设这个世界，再让机器人适应它。

因此，人形成为OpenAI准备开发的形态之一；对于数据中心中的机器人，他认为可以采用其他形态。

这种选择把本体设计与实际任务联系起来，需要频繁使用人类工具的工作，可以保留与人相近的活动范围和操作方式；用途较为专门的机器人，则可以围绕设备和作业空间安排结构。

但在Altman看来，形态还不是最关键的部分。

他在谈到数据中心机器人后说：“相比形态，我认为更重要的是，真正研究出能让机器人工作的「大脑」。”

机器人要使用现成工具，模型与硬件就要共同适应操作要求。

模型生成的动作需要由关节和末端执行，接触后获得的信息又会影响下一步控制。手部的抓握范围、关节响应和传感配置，都与机器人能完成的工作有关。

OpenAI已经将硬件与机器学习协同设计列为机器人研发的基础。

5月31日，Altman介绍，由Aditya Ramesh带领的世界模拟研究，在过去一年中发展为OpenAI Robotics，团队正在招募硬件、运营、系统和机器学习人才。

02.

本体与模型同步研发

OpenAI早已研究过机器人的动作学习。

2018年的Dactyl项目让机械手在掌内调整物体姿态，2019年又展示了机械手解魔方。

2024年2月，人形机器人公司Figure AI宣布完成6.75亿美元B轮融资，OpenAI Startup Fund参与投资。

与此同时，Figure与OpenAI签署合作协议，计划结合双方在人工智能及机器人软硬件方面的积累，共同开发面向人形机器人的新一代模型。

同年3月，Figure发布双方合作的演示。面对“给我一些吃的”这一请求，Figure 01递出桌上的苹果，并解释选择它的原因。机器人还能一边交流，一边整理桌面物品。

这套系统有明确分工：OpenAI模型提供视觉理解和语言能力，Figure自己的神经网络负责快速、精细的机器人动作。

但合作没有持续下去。

2025年2月，Figure创始人兼首席执行官Brett Adcock宣布终止双方的合作协议，称公司内部研发的端到端机器人AI取得了突破。

随后，Figure发布自研视觉语言动作模型Helix，将场景理解、语言指令与连续动作控制结合起来，控制范围覆盖手指、手腕、躯干和头部，并展示了两台机器人协作收纳物品的能力。

Adcock后来回顾这段合作时，强调机器人研发需要持续围绕实体硬件开展训练和调试。他还透露，Altman曾致电告知他，OpenAI正在考虑建立自己的内部机器人项目。

Figure从机器人本体出发，扩大自研模型的投入；OpenAI则开始把执行器、传感器和整机开发纳入研发。原本通过合作连接的模型与硬件，两家公司如今都希望在内部共同推进。

在OpenAI目前的硬件招聘中，执行器是一项重点。

OpenAI正在招募工程师开发定制机电执行器，从概念和架构设计开始，完成原型验证与系统集成。电机、传动机构和传感系统都在设计范围内，结构与散热也需要一并考虑。

公司要求工程师综合考虑扭矩密度、响应带宽、效率和反驱性能，以及可靠性与成本。测试工作包括性能验证、耐久性和故障分析，工程师还要与控制、固件和制造团队协作。

这些指标会影响机器人的实际动作，执行器能输出多大的力、是否及时响应指令、连续工作时怎样处理发热，都与动作执行有关。模型制定操作策略时，需要适应机器人能够提供的力量与响应能力。

把执行器纳入自身研发，OpenAI就有机会同时调整硬件和控制方法。

研究人员可以根据任务提出对关节的要求，硬件团队也能把测试结果反馈给算法团队，用于调整动作和训练设置。

此外，招聘分工也已进入部件内部。

电磁设计、齿轮设计和执行器测试分别设有岗位，热仿真、固件和传感器也有对应职位。公司还在招募原型实验室人员及零部件采购人才。

这类分工涉及本体开发中的实际取舍，调整电机或传动结构，会影响关节的尺寸、输出和发热；改变传感与控制设计，则关系到系统如何获知并修正动作。

模型团队参与这些设计，可以把训练需求与硬件条件放在一起处理。

仿真是另一项研发内容。

OpenAI此前的仿真岗位要求涉及物理求解、传感器与渲染，并关注刚体、软体运动和接触过程，目标是缩小虚拟训练环境与真实硬件之间的差异。

对机器人操作而言，仿真既要处理物体外观，也要处理碰撞、摩擦和接触后的运动。训练场景与真实系统之间的差异，会影响训练出的策略在真机上的表现。

自己参与硬件设计，有助于团队把实际关节和传感器的特性纳入仿真。真机测试出现偏差时，研究人员也有条件结合硬件测试结果，判断应当调整模拟环境、控制参数还是训练策略。

真实交互数据则需要专门的采集体系。

在数据采集运营岗位中，OpenAI要求负责人协调作业人员、设备和物料，组织采集工作站的校准与维护，并追踪设备利用率、停机时间和数据质量。

采集后的处理也有明确分工。

分布式数据系统工程师负责数据处理、样本筛选、自动标注和训练数据加载，为多模态训练与评估提供支持，训练系统工程师则处理训练框架、GPU集群等环节的工程问题。

采集工作站的运行情况会影响数据产出，采集质量和后续处理又会影响可用于训练的样本。安排专人管理采集设备、处理数据，有助于研究团队持续获得训练所需的真实交互记录。

制造合作也已进入准备范围，今年1月，OpenAI向美国制造企业发出合作征集，覆盖消费设备、机器人和数据中心。

在机器人部分，公司寻求的制造能力包括执行器等机电模块，以及精密轴承、谐波传动、齿轮箱与电机。

其中，永磁材料和功率电子也在征集范围内。执行器岗位则要求工程师参与供应商评估、原型制作和供应链开发，与制造伙伴协作，将设计推进到适合生产的组件。

研发团队需要与制造伙伴反复沟通，结构设计要考虑加工和装配，测试发现的问题可能要求更改零件。

供应伙伴能否参与这些调整，会影响机器人硬件的迭代速度，也会影响后续复制同一设计的成本。

值得一提的是，另一家模型公司Anthropic也在研究通用模型如何使用机器人。

其Project Fetch与Claude plays robotics实验，让Claude接入已有平台、编写控制程序或调用已有策略。宇树G1人形机器人的相关测试在仿真中进行，Go2四足机器人实验则包括仿真和实体平台。

不难看出，Anthropic这些公开实验的重点，是让模型操作现有硬件；而OpenAI还把定制执行器、原型验证和制造协作纳入自身研发。

两者都在探索机器人智能，OpenAI同时开始处理机器人的身体应该怎样设计和制造。

03.

先服务基础设施建设

在应用安排上，OpenAI把帮助熟练工人建设基础设施列为近期重点。

五月的招募声明明确区分了近期工作与长期的个人机器人设想；这次交流中，Altman也表示，让每个人拥有个人机器人不是最优先的一步。

Altman在谈到算力建设时提出，公司需要通过技术增加AI供应、降低使用成本。他希望更多人能够充分使用AI，而模型能力提升与需求增长，又会推高算力需求。

主持人把扩大算力投入理解为追加更多资本时，Altman纠正了这个说法：他强调的是技术上的改进。随后，主持人举出芯片和机器人，Altman表示，加快供应链运转的能力会很重要。

讨论OpenAI是否会向行业提供算力时，他说，近期公司自身仍需要这些算力。随后，他提出：“人们经常讨论AI模型的递归自我改进，却较少讨论在物理世界中做到这一点的可能性。”

他的设想是，如果机器人项目、芯片项目和供应链投资能够共同推进，OpenAI就可能以更低成本建设数据中心，并获得更好的芯片。

如果机器人能够参与基础设施建设，OpenAI可能同时成为开发者和使用者，这项投入的回报，便有机会体现在它自身的算力建设成本上。

-END-