文｜三少爷

山姆 · 奥特曼跟马斯克的梁子怕是要结得更深了。

这几年来，OpenAI 和奥特曼一直是马斯克眼中的头号劲敌：打官司、口水战，在各类访谈里互揭其短；产品层面，马斯克的 Grok 一直在试图撼动 OpenAI 在数字 AI 领域的王者地位，然并卵。就在马斯克咄咄逼人地进攻时，奥特曼发起了主动反击——在最近的一次播客上，他明确表示，OpenAI 将进军人形机器人。

这一手，简直是抄了特斯拉的后路。自 2021 年公开人形机器人计划以来，或许是因为觉得这个赛道还没有值得认真打量的对手，特斯拉的步子始终不紧不慢，擎天柱的量产时间拖了半年又半年。现在，将 xAI 按在地上摩擦的 OpenAI 来了，站在天字号第一猛男的对立面，这个无可争议的 AI 王者，到底有几分胜算呢？

OpenAI，动机何在？

要判断 OpenAI 挑战特斯拉有几分胜算，得先问一句：奥特曼是认真的吗？

当然是认真的。AI 硬件这条赛道，OpenAI 早就下场了，而且毫不惜力。2025 年 5 月，它掏出 65 亿美元买下苹果前首席设计师乔纳森 · 艾维的硬件公司 io，要做一台没有屏幕的 AI 伴侣设备；2026 年，断线六年的机器人业务重新上线——新部门由 DALL · E 共同创造者 Aditya Ramesh 带队，脱胎于 Worldsim 项目。为这条战线，它从苹果挖走数百名硬件工程师，就因为这事，2026 年 7 月，OpenAI 被苹果一纸诉状告上公堂，指控它窃取商业机密。为了造硬件不惜跟苹果撕破脸，这份决心可谓含金量十足。

不过，OpenAI 到底为什么非要自己下场造硬件呢？其实，历史早就给过答案：让爱迪生创立的通用电气辉煌几十年的，不是它发明的电，而是电冰箱、洗衣机这些建在电之上的应用。一项颠覆性的技术一旦成了基础设施，入口和主导权就流到应用那一层——光有底座不够，得有建在它之上的应用，才撑得起长期繁荣。

这个剧本正在 AI 领域重演。Token 正在变成 AI 时代的基础设施，Agent 正在变成 Token 之上的 AI 应用。如果说 Coding 是数字世界里的超级应用，那么，人形机器人就是物理世界的超级应用。硬件对 OpenAI 还有一层更深的含义——把搭载模型的硬件交到消费者手里、占住那个位置，用户就有理由一直用 OpenAI，哪怕模型不比对手强，对手也切不断这条路。所以奥特曼那句 " 我们一定会做人形机器人 " 不是空话，是实打实重返赛场的决心。

决心回答的是 " 要不要做 "；能不能做成，得看有没有金刚钻。OpenAI 恰好攥着两张决定人形机器人成色的绝佳好牌。

运动控制小脑，强化学习的先行者

OpenAI 当然不是机器人领域的门外汉—— " 在仿真里训练、再迁移到真实世界 " 这条基于强化学习的运动控制路线，它是最早走通的公司之一。

跟一众使用工具的本土厂商相比，OpenAI 在机器人强化学习这条线上动手早得多，而且是工具的创造者。2016 年，它发布 Gym，给强化学习搭起一套标准训练环境—— OpenAI Gym 后来成了整个强化学习领域的事实标准，一千五百多家组织在用，连今天的继任者 Gymnasium 都原样沿用它的接口。

不过，仿真只是现实的一份不精确复制品——地面的摩擦、电机的延迟、传感器的噪声，真实数值总在漂移，渲染出的画面和真实摄像头拍到的也总有出入。更要命的是，一套环境只能按某一组 " 猜定的 " 参数来设定，策略在这组参数上练得再好，也不过是过拟合了一份猜测的现实，搬到真机就打折扣。这道仿真到现实（sim-to-real）的鸿沟，绕不过去。

2018 年，OpenAI 通过 Dactyl 给出解法：既然猜不中真实世界长什么样，就让策略在成千上万种随机物理参数里都练过，如此一来，真实世界不过是 " 又一个没见过的变体 " 而已。2019 年它再进一步，把随机化本身自动化（ADR），训练机械手在从没见过的处境里复原魔方。虽说最终的成功率数字不算漂亮，却证明复杂操作真能在仿真里练成、再搬到真机。

既然如此，OpenAI 为什么在 2020 年解散了机器人团队呢？不是能力到顶——路已经被 Dactyl 走通了——而是账算不平。强化学习仿真这条路当年又贵又慢。2020 年前后，主流物理引擎（MuJoCo、PyBullet、DART）全跑在 CPU 上—— GPU 只负责训练神经网络，物理世界的每一步推演都压在 CPU 核上，两边还要不停来回倒数据。

这笔账英伟达后来算过：OpenAI 练那套解魔方系统，动用了 384 台 16 核服务器、共 6144 个 CPU 核跑仿真，外加 8 块 V100 训练网络，连跑 30 个小时；同样的成绩，2021 年 8 月发布的 Isaac Gym 用一块 A100 一小时就追平——它把物理仿真整个搬上 GPU，一块卡就能并行几千个环境。

AI 产业的进步极大地优化了强化学习这条路线的成本和速度，OpenAI 高调回归也是顺应大势之举。而且，它回来的时机也不晚。机器人运动控制还有很长的路要走，而这条路上最关键的一环——强化学习——恰恰是 OpenAI 最不缺的。

做 GPT 这些年，它把强化学习做到了顶尖：最早的 ChatGPT，核心是 RLHF（基于人类反馈的强化学习）；后来做推理模型，靠可验证奖励的强化学习让模型学会一步步思考；到了 coding 还是同一招——代码能跑通，本身就是奖励。从对话到推理再到写代码，它一路攒下的强化学习经验，正是机器人小脑最需要的东西。

具身大脑，万事俱备

机器人真正难做的是 " 大脑 " ——听得懂话、看得懂场景、拆得了任务、预判得了后果。有意思的是，OpenAI 这几年一件接一件的标志性工作，恰好一样一样全对上了。

第一件是 2022 年 11 月发布的 ChatGPT。听懂 " 把杯子收进柜子最下层 "，靠的是语言理解和世界知识，这是大语言模型最擅长的事—— ChatGPT 让全世界第一次见识到，LLM 在语言理解上的泛化能力有多好。

第二件是 2024 年 5 月发布的多模态大模型 GPT-4o，把文本、图像、语音并进了同一个模型；机器人大脑要 " 看懂场景 "、认出眼前的东西、理解东西之间的关系，靠的正是多模态理解能力。

第三件是 2024 年 9 月发布的推理模型 GPT-o1。o1 开创了 " 慢思考 "：用强化学习训练出 " 先想后答 " 的能力——不急着给出答案，先在内部推演一遍，用思考换成功率。对机器人而言，这个取舍尤其值得：动手失败的代价远高过多想半秒。会 " 想 "，正在成为机器人的核心能力。有一说一，现在即便是开了三倍速，机器人干活还是显得慢吞吞的，就跟推理脱不了关系。

第四件是 2024 年 12 月正式发布的世界模型 Sora。按李飞飞的世界模型分类法——输出像素的是渲染器、输出状态的是模拟器、输出动作的是规划器—— Sora 这类视频生成模型似乎应该是渲染器，但 OpenAI 却从第一天就把它定位成世界模拟器。据悉，Sora 由 OpenAI 内部的 Worldsim 团队负责，今天复活的机器人团队正是从它演变而来。

模拟器中的状态是世界模型的枢纽，掌握了状态，就能推演 " 这个动作做了，世界会怎么变 "，也就有了规划的基础。落实到机器人上，世界模型一可用于仿真，二可用于生成策略。根据星动纪元的实测，引入世界模型后，效果比纯 VLA 平均提升约 40%。

这四样能力差不多可以拼出一颗完整的大脑。而且，这里面没有一件是 OpenAI 为机器人临时准备的，全是它做 LLM、多模态、推理、Sora 这几年，一层一层积累下来的能力——它的机器人团队还没复活的时候，这些本事就已经在了。

这个分量，要放到整个行业的坐标里才看得清。别家的机器人大脑，都站在别人的基座上—— OpenVLA 的底座是 Llama 2，智元 GO-1 的视觉语言底座是 InternVL；而 OpenAI 自己就是基座厂商，旗舰线上的每一次迭代，都能直接落到机器人大脑上。具身公司做大脑，进度常常不由自己掌握，因为基模能力握在上游手里；OpenAI 不必等，因为，它自己就是上游！

写在最后

敢跟特斯拉掰手腕，OpenAI 的牌确实足够硬：小脑有强化学习的老底，大脑有多模态推理大语言模型和世界模型。只是机器人这张考卷，不只在脑子里——脑子之外还横着两道坎。

一是本体。缺乏硬件经验的 OpenAI 没迈过这道坎：设计上电机、减速器、关节从没碰过，量产上从样机到规模交付隔着供应链、良率、成本的深沟。二是数据，大脑训练需要真实物理世界的交互数据，虽然 UMI 无本体采集正在变成产业主流，但 UMI 采的是人的动作，不是机器人的，人手和机器手之间隔着一道形态鸿沟；真正跟自家机器严丝合缝的真机数据，还是得靠自己攒——而攒得起的前提，是把机器铺进真实场景，一边干活一边回流数据。OpenAI 既没有机器也没有场景，这个飞轮得从零开始转。

有意思的是，这两道坎，恰好都是特斯拉的壁垒所在：本体这道坎，是它造车攒下的产线、工艺和供应链；数据这道坎，FSD 十亿英里真实道路数据对擎天柱的价值不容小觑，而今年下线的几千台机器人送进自家工厂，也能一边干活一边收数据。作为 AI 王者，OpenAI 能做出最聪明的脑子，但特斯拉的工厂和庞大车队，它想抄也实在是臣妾做不到啊！