編按:本文綜合整理自 Fortune 獨家報導〈OpenAI disbands stand-alone robotics team as general AI models start running robots〉(2026/11/13,記者 Wen Shao)、NVIDIA SRL 技術報告〈Astranomy: An Empirical Study of GPT-6 Astra as a Native Robot Policy〉(2026/10/14)、Apple〈On Agentic Manipulation Policies〉(arXiv/alphaXiv,2026/11/6)、NVIDIA RoboLab 論文〈RoboLab: A High-Fidelity Simulation Benchmark for Robot Manipulation Policies〉(arXiv:2604.09860)、CellCog 事實查核〈OpenAI Robotics Team: Disbanded or Reorganized?〉(2026/11/14)、OpenAI 官方〈GPT-6 Astra: A new generation of intelligence〉、TechCrunch Disrupt 2026 影片〈How Close Are We to a ChatGPT Moment for Robots? Nvidia Weighs In〉 與 Hacker News 討論串(72 則回覆),並加入 Siami 編輯部觀點與分析。文中所有數字、引述與時間點均以原始來源為準;本文同時收錄 Siami 自製圖表(團隊生命週期與 RoboLab-120 效能成本對照)。
2026 年 11 月 13 日,《Fortune》獨家報導:OpenAI 解散了獨立的機器人團隊。這不是裁員公告,不是關閉專案,而是一個組織架構上的判斷——機器人不再是一個需要專屬團隊的問題。
OpenAI 向 Fortune 確認了這項重組。發言人的說法是:機器人仍然是公司長期願景的核心,這次調整是「對機器人的承諾,而非撤退」。但同時,OpenAI 把機器人研究團隊併入主要研究團隊(向研究長 Mark Chen 匯報),把應用機器人與硬體團隊併入 Applied 組織(向總裁 Greg Brockman 匯報)。
最直觀的證據不在新聞稿裡,而在一張空攤位上。本週在德州奧斯汀舉行的 CoRL(Conference on Robot Learning)是機器人領域頂尖的學術會議。OpenAI 明明已經登記了攤位,會場 App 與平面圖上都標得清清楚楚——但 Fortune 的記者走到第 208 號攤位時,那裡空無一人,連 OpenAI 的標誌都不在。倒是幾位前團隊成員在會場裡走來走去聊天,即便沒有展示與 demo,依然吸引了一群觀眾圍觀。
一、這支團隊活過幾個週期?
要理解這次的解散,先得看 OpenAI 在機器人上繞過的圈。
第一次解散:2020 年。 OpenAI 早期有過機器人團隊,但 2020 年就把它收掉了。共同創辦人 Wojciech Zaremba 當時的說法是,機器人資料有限,而通往 AGI 有一條更有效率的路——用海量人類文字訓練超大語言模型。這條路在 2022 年底結出了 ChatGPT。
重組:2024 年。 OpenAI 重建了獨立的機器人團隊,並宣布與新創 Figure 合作開發人形機器人的 AI 模型。
合作終止:2025 年 2 月。 Figure 宣布改為自行開發機器人 AI,雙方分道揚鑣。
短命重啟:2026 年 5 月 31 日。 Sam Altman 在 X 上發文:「我們的世界模擬研究計畫,由 Aditya Ramesh 領軍,過去一年已演進為 OpenAI Robotics。」貼文同時宣布招募全棧硬體、營運、系統與 ML 工程師,並描述了長期願景:「在長期,我們想像每個人都擁有一台個人機器人,能為他做任何需要的事。」那則貼文累積約 358 萬次瀏覽。
解散:2026 年 11 月 13 日。 從成立到解散,一共 166 天。
值得注意的是,在 Fortune 報導發布後,CellCog 團隊做了獨立查核,發現 OpenAI 官方新聞頁在 11 月 14 日凌晨前沒有任何機器人相關公告;他們也搜尋了 OpenAI 帳號、新聞室帳號、Sam Altman、Greg Brockman 與 Mark Chen 自 11 月 12 日起含「robot」關鍵詞的發文,一則都沒有。這家公司對外的唯一說明管道,是 Fortune 的記者打電話問到的那一句。
二、真正的理由:通用模型長出了「身體」
Fortune 報導裡,OpenAI 發言人解釋了決策過程,邏輯相當清楚。
年初的時候,OpenAI 的研究員認為,要推進機器人,最該做的路徑是建立在 Sora 這類模型的工作上——影片生成模型為了產生逼真的影片,必須隱含地理解物理世界如何運作。
但到了年尾,情況變了。公司的前沿通用模型,包括 GPT-6 Astra,被發現可以直接用於機器人。這項發現,就是解散獨立團隊、把研究員併進通用模型團隊的直接動機。
換句話說,這不是「放棄機器人」,而是把機器人從一個專案變成通用模型的一個下游應用。
Carnegie Mellon 大學機器人研究所助理教授 Guanya Shi 對 Fortune 的解讀相當精準:這動作代表 OpenAI 認為機器人「不再是一個特殊問題」,而是一個可以用通用智慧解決的下游應用——就像同一批前沿 AI 模型現在也支撐著程式開發工具、法律工具與金融工具一樣。
Shi 補充的技術細節也值得記下:通用模型在空間與推理能力上的進展,已經讓它們能處理過去需要專門訓練的任務。它們可以應對瓶子換了位置、光線改變,也能推理任務順序、或判斷是哪一步出了錯。
三、74.8% 對 51%:數字是真的,但有代價
支撐這個決策的關鍵數字來自 NVIDIA SRL 的技術報告《Astranomy》,發表於 2026 年 10 月 14 日。研究團隊把 GPT-6 Astra 當成機器人策略(robot policy)直接驅動模擬機器人,在 NVIDIA 自己的 RoboLab-120 基準上測試:
- Astra + Agentic Policy(Codex 常駐代理):74.8%
- Astra + Orchestrated Policy:66.5%
- Astra + Direct Policy:66.3%
- 最佳專用機器人模型(Lakeside):51.0%
- 最佳 VLA(視覺語言動作模型):49.2%
- 最佳 WAM(世界動作模型):42.9%
Agentic Policy 比排行榜上最強的專用模型高出 23.8 個百分點。這是「通用模型能取代專用機器人模型」最硬的一個證據。
但同一份報告也把代價寫得很清楚:
- Direct Policy:每回合 160k token,約 1.96 美元
- Orchestrated Policy:每回合 1,100 萬 token,約 17.72 美元
- Agentic Policy:每回合 3,090 萬 token,約 36.40 美元
Agentic 的 token 用量是 Direct 的 193 倍,而每次推論平均要花 18.56 秒。
更關鍵的是,這些數字全部來自模擬環境(simulation),不是真機。Fortune 引述 MIT 教授、Walden Robotics 共同創辦人暨執行長 Russ Tedrake 的說法,點出了機器人新創相對 AI 實驗室的真正優勢:它們的機器人已經在真實場所(工廠生產線)累積了工作經驗,這種「部署」經驗與數據能讓機器人適應特定工作場所與任務,而更好的基礎模型會讓這些場域專屬數據更有價值——因為機器人可以學得更快。
換句話說:通用模型解決了「大腦」,但解決不了「在真實世界累積的經驗」。
四、拆掉專屬團隊,等於拆掉一道牆
這件事對機器人產業的結構性影響,可能比 OpenAI 自己的團隊調整更大。
AI 實驗室長期以來是機器人新創的資金來源——新創募到錢做機器人,買的卻是實驗室訓練出來的模型。過去這個結構的前提是:機器人需要「自己的腦子」,所以需要專門的空間智能(spatial intelligence)模型,也需要專屬團隊去打造它。
Fortune 的報導指出,這個前提正在被通用模型直接挑戰。而真正值得注意的是另一件事:Fortune 報導隔天,Apple 發表了〈On Agentic Manipulation Policies〉,提出一套跨單臂、雙臂與移動式操作的通用參考框架 AMP1,在 RoboLab-120 上拿到 85.6% 的零樣本成功率——同樣不需要示範資料或任務專屬訓練。
換句話說,兩週之內,兩份來自不同機構的技術報告,分別用不同方法,把「通用模型通吃機器人」的結論推到了 74.8% 與 85.6%。這條路不是 OpenAI 一家的孤例,而是一個正在收斂的產業共識。
TechCrunch Disrupt 2026 現場片段:NVIDIA 物理 AI 部門主管 Les Karpas 提出反向問題——機器人還在等它自己的 ChatGPT 時刻,而最大的瓶頸不是模型能力,是資料。這是理解「通用模型為何勝出、但通用模型還不能獨自撐起機器人產業」最關鍵的一段背景。
五、Fortune 自己改口了
這則新聞有一個容易被略過的細節,而它恰恰是判讀此事的關鍵。
Fortune 在 11 月 13 日 21:00 UTC 發的第一則 X 貼文寫的是:「OpenAI 已解散其獨立的機器人團隊。」到了 22:58 UTC,第二則貼文改成了:「OpenAI 已重組其獨立的機器人團隊。」標題卡片也從 “disbands” 改成 “reorganizes”。CellCog 記錄了這兩則貼文的瀏覽數:第一則 2,722 次,第二則 4,003 次。
而真正引爆社群的是一則比 Fortune 早了 3 小時 23 分的第三方貼文——@ns123abc 在 17:37 UTC 發文稱「正式解散,五個月前才重啟」,累積約 68.4 萬次瀏覽,是 Fortune 第二則貼文的 171 倍。該貼文還配了標題寫著 “disbands” 的文章截圖。
CellCog 明確指出他們沒有讀過 Fortune 原文,所有資訊來自 X 上的貼文與截圖,因此無法比對截圖與原文是否一致。但有一件事是確定的:「解散(disbanded)」與「重組(reorganized)」這兩個詞,都是 Fortune 自己的帳號先用先用後改的,而理由從未說明。
Fortune 在 11 月 13 日晚間更新了文章,澄清的內容是「在 CoRL 現場的團隊成員狀態」——不是「解散」還是「重組」的用詞爭議。
這裡有一層很值得玩味的落差:公司內部發生的組織重組,外部世界收到的第一個版本是「倒數 166 天就散伙」。 而真正決定團隊命運的技術判斷——通用模型已經能直接驅動機器人——是在事件發生之後才被公開敘述的。
為什麼這件事重要
這不是「OpenAI 又砍掉一個部門」的裁員新聞,而是機器人產業的分工邊界被重新畫了一次。
過去十年,機器人產業的心智模型是這樣的:機器人是一個「本體+專屬大腦」的組合,大腦需要示範資料、需要空間智能、需要專門的團隊與專門的訓練流程。整個產業的估值敘事(Figure、Physical Intelligence、以及數十家新創)都建立在這個前提上。而 OpenAI 這次做的事情是:當通用模型的通用性足夠高,專屬大腦這一層就不再需要存在了。
這帶來三個直接後果。
第一,機器人新創的護城河敘事被削弱了。 如果通用模型就能達到 74.8%,那新創公司賣的「更聰明的機器人大腦」這個商品,就變成了一個可能被基礎模型供應商隨手壓價的東西。Tedrake 提出的反駁是部署經驗——但部署經驗要靠真的出貨、真的壞掉、真的在工廠累積,這需要時間,而需要時間正是資本最不耐煩的地方。
第二,OpenAI 自己也在示範一種更激進的效率選擇。 Fortune 報導指出,Altman 去年要求公司放棄「支線任務」(side quests),公司已經丟掉了包括 Sora 在內的若干計畫,把算力重新分配給更核心、更可能獲利的方向。近期季度虧損據報達 109 億美元,公司正在募資並準備 2027 年初可能的 IPO。在這種財務壓力下,「把機器人研究併進通用模型團隊」同時是一個技術判斷和一個成本判斷——少一個團隊、少一套算力需求、少一份專屬模型訓練的開銷。
第三,這把整個產業的時間表往前推了。 Altman 說 OpenAI 正在自研人形機器人,目標是 2027 年首次公開展示。注意這句話的順序:因為通用模型夠強了,所以不需要專屬機器人團隊;但機器人本身還是要自己做出來。解散的是「大腦團隊」,不是「機器人業務」。 這兩件事被媒體混為一談,是這則新聞最大的落差。
數據解讀與質疑
質疑一:74.8% 是在模擬環境裡測的,這個數字能外推嗎?
要打折扣,但幅度需要分開看。RoboLab-120 是 NVIDIA 自建的高保真模擬基準,提供 100 多個操作任務並以自動化流程評分,設計目的本來就是「可規模化的 AI 式工作流程」,用來評估真實世界機器人策略的泛化能力。它的優勢是可控、可重現、同一套基準讓不同方法能直接比較——這正是「74.8% vs 51.0%」這個對比有價值的根本原因:兩邊跑的是同一場考試。
但它的限制也真實存在:模擬器裡的物理、摩擦、接觸與真機終究不同,而且報告明確說明所有成本數字「僅統計成功回合」。也就是說,失敗回合的 token 成本沒有被計入。真實部署時,失敗不只更貴,還可能損壞設備。真機上的成功率與成本,會比這份報告呈現的更難看。
質疑二:Apple 11 月 6 日的 85.6% 是不是直接推翻了 NVIDIA 的 74.8%?
不是,兩者不是同一個設定,不能直接相減。AMP1 是一套「參考框架/harness」,作者明確說它跑在單臂、雙臂與移動式操作上都不需要修改;NVIDIA 的 Agentic Policy 則是用 Codex 當常駐代理。兩者都用通用模型做通用操作,但 harness 設計、動作介面、觀察歷史的給法都不同,基準相同不代表設定相同。比較誠實的說法是:兩個獨立團隊在兩週內各自拿到 74.8% 與 85.6%,說明這個領域的「通用模型能贏」不是單一報告的偶然。
質疑三:拿「Lakeside 51.0%」當專用模型的基準,這個對照公平嗎?
這是最需要保留的一點。NVIDIA 的報告是在自家主辦的自家基準上,把自家模型跟第三方模型比。Lakeside 這個名字在基準排行榜上是領先者,但它是 2026 年的狀態,而專用機器人模型的領域正在快速迭代——被拿來當「專用模型天花板」的那個數字,本身也是移動靶。Fortune 報導裡那句「compared with 51.0% reported by the best specialized robotic models on this leaderboard」說得很謹慎,但傳播過程中很容易變成「通用模型打敗了所有專用機器人模型」。這兩者之間的差距,值得記住。
質疑四:18.56 秒的推論延遲,在真實場景是什麼意思?
HN 討論串裡有個回應點得很準:感測器與致動器需要毫秒級的反應,「這是你不可能從通訊連線另一端的一個 LLM 得到的」。18.56 秒意味著一個機械臂的抓取動作要等近 20 秒才能開始——這在受控的模擬 pick-and-place 裡或許還能接受,在需要處理意外狀況的工廠或倉儲場景裡,是不可用的。另一位網友 gopalv 說得更具體:他們玩遊戲用的模型已經慢到落後一幀(36 毫秒一幀),而機器人的反應需求比那還嚴苛。
質疑五:「解散」到底發生了什麼?
這件事的誠實答案目前是:不知道,而且這本身就是新聞的一部分。 CellCog 的查核指出,OpenAI 從未就此事發布官方公告,公司帳號、Sam Altman、Greg Brockman、Mark Chen 都沒有發文。團隊有多少人、是否有人離職、硬體部門的未來如何,CellCog 全部列為「未查證」;Fortune 報導本身也只提到「重組」而未說明團隊規模。
唯一確定的是組織流向:研究團隊 → Mark Chen 的研究團隊;應用與硬體團隊 → Brockman 的 Applied 組織。
Siami 觀點
這則新聞真正的重量,不在「OpenAI 解散了一個團隊」,而在它背後那個更大的判斷:通用模型的邊界,正在被一點一點地推到硬體的邊界上。
過去幾年,AI 產業界的敘事主軸是「越專越好」——專門訓練的模型在垂直任務上永遠贏過通用模型,通用模型只是個通用底座。這個判斷在程式生成、在醫療影像、在所有有明確目標函數的任務上都成立。但機器人給出了相反的訊號:當任務的物理結構是「共通的」,專門訓練帶來的不是專精度,而是資料瓶頸。 機器人示範資料是全世界最貴、最難收集的資料之一,而通用模型可以用它已有的世界知識直接補上這個洞。
三個獨立團隊在 2026 年 10 月到 11 月間各自交出 74.8%、85.6% 與 51.0% 這些數字,指向同一個方向:「專用機器人大腦」這個品類,正在從必需品變成可選項。 這對產業的影響,遠大於一個團隊的合併與解散。
但我們要補一句話,因為市場敘事已經跑得太快:通用模型能贏,不代表通用模型夠用。 18.56 秒的延遲、193 倍的 token 成本、只在模擬器裡驗證過的成功率、以及完全沒有被計入的失敗回合成本——這些數字共同說明一件事:今天通用模型在機器人上的角色,是「還不錯的大腦」,不是「可以派上用場的大腦」。 真要讓它控制一台工廠裡的機械臂,還需要一整個「反射層」(HN 網友 gopalv 的說法:讓模型用自己大腦的一部分建構出快速反應的子系統)——而那恰恰是 OpenAI 這次拆掉的團隊原本在做的事。
所以更準確的解讀是:OpenAI 不是因為不需要機器人專家而解散團隊,而是因為它決定讓通用模型去訓練機器人專家。 這在組織上是一次降級(不再有獨立團隊),在策略上是一次極端的集中押注。
最後,一個關於資訊傳播的觀察值得留下:這件事的社群傳播版本(68 萬瀏覽的那則貼文)比原始報導早了 3 個多小時,而內容把「reorganized」說成「disbanded」;Fortune 自己的帳號也先用「disbanded」、再用「reorganized」。一件純粹的組織調整,在傳播層被翻譯成「倒數 166 天就散伙」。 對讀者的實務建議很簡單:看到「解散」這類斷言時,先去查原始報導的用詞。 這次連原報導者自己都在兩個詞之間搖擺。
延伸閱讀
- Fortune:OpenAI disbands stand-alone robotics team as general AI models start running robots(2026/11/13,本篇原始報導)
- NVIDIA SRL:Astranomy — An Empirical Study of GPT-6 Astra as a Native Robot Policy(2026/10/14,74.8% 與成本數字的原始出處)
- NVIDIA SRL:RoboLab — A High-Fidelity Simulation Benchmark for Robot Manipulation Policies(arXiv:2604.09860,基準設計說明)
- Apple:On Agentic Manipulation Policies(alphaXiv:2611.09892,AMP1 85.6% 零樣本成功率)
- OpenAI 官方:GPT-6 Astra — A new generation of intelligence(模型一手說明)
- CellCog:OpenAI Robotics Team — Disbanded or Reorganized?(2026/11/14,X 貼文傳播路徑與官方聲明查核)
- TechCrunch:Robots are waiting for their ChatGPT moment — Nvidia’s Les Karpas explains why(2026/09/16,Disrupt 2026 演講公告)
- RoboLab 官方 GitHub 儲存庫(NVIDIA Isaac Lab 基礎上的 100+ 操作任務基準)
- Hacker News 討論串:OpenAI disbands its robotics team as its general models start running robots(173 分、72 則回覆,本次 topComments 擷取來源)
- TechCrunch Disrupt 2026 官方頻道影片:How Close Are We to a ChatGPT Moment for Robots?(Nvidia Les Karpas 現場對談)
網友熱門留言 (6)