OpenAI 深耕底层机器人技术，打造“具身智能”基础
在过去一年中，OpenAI 在旧金山悄然设立了一处人形机器人实验室，并迅速扩展团队规模。目前该实验室已有近百名合同员工轮班工作，全天候进行数据采集，旨在训练机器人完成最基础的家庭任务。
与特斯拉、Figure 等企业热衷于展示完整人形机器人不同，OpenAI 选择了一条更为低调且聚焦底层技术的发展路径。通过大量人力投入和时间积累，公司正致力于构建机器人执行能力的基础数据集。
机械臂与低成本控制器：数据采集的核心工具
实验室所采用的核心硬件来自德国厂商 Franka 提供的机械臂。操作人员借助 3D 打印的 GELLO 控制器进行远程操控，引导机械臂完成一系列看似简单却极难标准化的家务动作，例如将橡皮鸭放入杯中、将面包置入烤面包机或叠衣服。
整个过程中，摄像头同步记录下人类与机械臂的动作行为，系统随后从中筛选出“有效工时”，用于模型训练。这种数据采集与训练模式，与 OpenAI 在语言模型阶段通过人工标注逐步放大数据规模的做法如出一辙，只不过此次的对象从文本转换为物理空间中的动作。
相比依赖全身动捕和 VR 设备来操控完整人形机器人的方案，OpenAI 选择的“机械臂 + 低成本控制器”组合更具成本优势，也更易于复制和部署。这种方式有助于建立人类动作与机器人执行之间的精准映射关系。
从强化学习到模仿学习：机器人训练策略的演变
早期，OpenAI 的机器人研究主要依赖强化学习方法，即通过试错和奖励机制训练机器人完成任务。然而，现实世界中复杂的环境与不确定性使得这种方案在成本和效率上面临较大挑战。
当前，OpenAI 正逐渐转向以大规模、结构化数据为基础的模仿学习策略，优先让模型“看懂”并“模仿”人类行为，再逐步提升其泛化能力。这也解释了为何实验室目前的主要关注点聚焦在机械臂，而非完整人形机器人——关键瓶颈不在于外形设计，而在于如何构建一个稳定、可重复执行真实任务的系统。
多位研究人员指出，当前机器人技术的挑战并非在于算法本身，而在于缺乏高质量、大规模的动作数据。OpenAI 正在以类似“数据工厂”的方式，系统性地补充这一短板。
组织扩张与长期布局：为“具身智能”奠定基础
从组织层面来看，OpenAI 的机器人项目仍处于早期阶段。尽管相关硬件项目尚未成为公司核心战略的一部分，但实验室规模在过去不到一年内已迅速扩张数倍。
据内部人士透露，公司正计划在加州里士满设立第二个研究基地，并积极寻找美国本土的制造合作伙伴，覆盖消费电子、机器人系统和数据中心等多个方向。
这些举措传递出明确信号：即使短期内不急于推出商业化产品，OpenAI 也在为“具身智能”这一长期愿景提前布局。
依托其在自然语言处理与多模态理解方面的深厚积累，一旦机器人在执行能力上达到可靠水平，类似 ChatGPT 的认知系统就有望成为“机器人之脑”，让机器不仅具备运动能力，更能真正理解并融入人类的物理世界。