OpenAI关闭机器人团队，通用模型真的能完全替代专用模型？

一、被解散的团队，被重写的技术路线

11月13日，OpenAI宣布了一项看似矛盾的操作：关闭独立机器人部门。原研究人员并入核心研究团队，应用机器人及硬件团队则转移至应用部门。官方表述是“聚焦加速研发”，机器人项目仍是“长期愿景”的一部分。

但在硅谷内部，这一动作传递的信号远比字面更激进——具身智能的开发逻辑正在被彻底重写。

过去三年，主流路径是训练“全栈专用具身模型”：让AI同时学会看世界、做决策和操控机械臂。这条路线需要海量机器人交互数据，训练成本高企，且单个模型的泛化能力受限。一个典型的具身模型不仅需要处理视觉信息，还要理解物理世界的空间关系、力反馈以及复杂的操作序列，这要求极大规模的专用数据集。

现在的路径变了：用通用的大语言模型解决意图拆解和轨迹规划，把高频末端控制留给专用的视觉－语言－动作模型。简单说，就是让“大脑”想策略，让“小脑”干脏活。这种架构被称为VLA（Vision－Language－Action）＋ WM（World Model），前者负责动作生成，后者负责物理状态预测。

这不是理论推演，而是已经在真机上跑通的方案。优必选的实测数据显示，这种“通用＋专用”协同模式下，Token消耗降低了83．6％，API费用同步下降74．2％。这意味着机器人的运行成本有望大幅降低，而不再是曾经那种高昂的云端算力负担。

代价是什么？单次任务推理成本约36．40美元。优必选的工程师坦言，这还只够在仿真环境和简单抓取场景中验证。对于更复杂的工业场景，这个价格仍然偏高，但它指明了未来的降本产品方向。

二、74．8％对51％：谁赢了这场比赛？

英伟达在RoboLab－120基准测试中给出了一个关键对比：

带持续交互上下文的Agent方案——也就是用GPT－6 Astra这样的通用模型负责高层决策——成功率达到74．8％。而对照组的全栈专用模型Lakeside只有51．0％。直接由GPT－6 Astra生成动作方案的得分则为66．3％。

看起来差距不小，但这个成绩有前提条件：英伟达在模型推理期间保持了仿真环境的“冻结”。也就是说，物体不会自己乱动，测试环境比真实工厂安静得多。此外，该基准并未覆盖插接、装配等强接触任务。

换句话说，通用模型在计划制定层面确实领先了，但它离真正“接管”机器人还有很长的路要走。在复杂、非结构化的环境中，通用模型的泛化优势才能充分体现，而在精密操作中，专用模型依然不可或缺。

英伟达选择在这个时候公布这个基准，用意明确：标定通用模型的技术天花板，同时引导业界思考——与其死磕专用模型的端到端性能，不如把通用模型作为高层决策器接入现有架构。这实际上是给整个行业指明了新的发展方向。

三、国内玩家的试水战场

海外大厂还在论文里赛跑时，国内实体制造端的反应更快。

宇树科技在10月22日举行的世界物理AI大会上演示了通用模型入局的初步成果。同一天，优必选公开了他们的混排测试结果：Astra直控在魔方抓取、篮子搬运、叠碗三项任务中全部失败。

这说明一个问题：通用模型擅长宏观规划和任务分解，但在实时响应和精细控制上仍不靠谱。长尾场景下的稳定性依然是硬伤。

智元等其他头部企业也在跟进测试，普遍得出的结论相似——通用模型能做“指挥”，但“执行层”必须依靠专用VLA（视觉－语言－动作模型）或WM（世界模型）。两条线怎么衔接、延迟控制在多少毫秒内，才是真正的工程难题。目前业内普遍认为，如果延迟超过100毫秒，机器人在动态环境中的响应就会出现明显迟滞，导致动作变形甚至任务失败。

四、算一笔账：谁在为这场转型买单？

把技术路线图变成商业路线图，核心问题是钱。

以优必选的方案为例：直接使用通用模型Astra负责所有环节，每次任务API费用约36．40美元。如果叠加专用Thinker－VLA／WM进行协同控制，Token消耗可降至原来的16．4％（降幅83．6％），API费用随之下降74．2％。但这笔账还没结束。

36．40美元一次的任务成本，放在实验室里或许能接受，放到工厂流水线上则是另一回事。一家中等规模的协作机器人产线如果每天运行1000次任务，仅API调用成本就接近3．6万美元／月。这意味着机器人的售价至少要覆盖这个数字，才能在商业上成立。

对于投资人来说，这意味着具身智能赛道的估值逻辑需要调整：单纯堆专用模型参数的厂商价值可能下降，而能提供“通用＋专用”协同方案的集成商将更具吸引力。未来谁能率先将这套架构转化为低成本的工业级产品，谁就能掌握下一个风口。

五、下一步观察什么？

未来半年，建议关注三个指标：

第一，实时控制延迟能否压到50毫秒以内。这是从“演示品”变成“工业品”的分水岭。通用模型的推理耗时目前平均为18．56秒／次，要让它胜任连续作业，要么大幅压缩响应时间，要么在前端增加缓冲机制——后者又会影响效率。

第二，英伟达是否会正式推出基于此架构的行业级SDK。如果Nvidia将RoboLab－120的测试结果转化为标准化的开发工具链，那么整个产业的技术路线可能会快速收敛。

第三，头部企业的订单转化情况。优必选、宇树、智元的测试数据都是公开的，但最终决定谁能拿到第一批付费客户的是价格、可靠性和交付周期。这三者目前都没有定论。

通用模型打穿具身智能的故事才刚刚开始。它不是万能药，但是一个新的支点。至于这个支点能不能撬动整个行业，还需要等到下一个季度、下一批真机测试报告揭晓。