过去一年里，OpenAI 在旧金山搭建了一间低调的人形机器人实验室，规模迅速扩张，目前已有约百名合同工轮班运转，全天候采集数据，目标是最日常、最琐碎的家庭任务。

　　当然与特斯拉、Figure 等公司高调展示整机人形机器人不同，OpenAI 的路径在最底层技术，用大量人力和时间去堆数据、打基础。

　　这套体系的核心是由德国公司 Franka 提供的机械臂。

　　数据采集人员通过 3D 打印的控制器 GELLO 进行远程操控，让机械臂完成诸如把橡皮鸭放进杯子、往烤面包机里放面包、叠衣服等看似简单却极难标准化的操作。

　　摄像头同时记录操作者与机械臂的动作，系统再从中筛选出“有效工时”，用于训练模型。这种做法与 OpenAI 早年在大模型时代通过大量人工标注、逐步放大数据规模的路径高度相似，对象从语言变成了物理世界的动作。

　　相比依赖动捕服和 VR 操控整个人形机器人的路线，OpenAI 选择的“机械臂 + 低成本控制器”方案更便宜、更容易复制，也更有利于把人类动作与机器人执行之间建立一对一映射关系。

　　OpenAI 对机器人问题本质的判断正在发生变化。

　　早期的机器人项目强调强化学习，让机器人在试错中通过奖励机制学会动作，但现实世界的复杂性让这种方法成本极高、效率有限。

　　如今，OpenAI 更倾向于通过大规模、结构化的数据收集，让模型先“看懂”和“模仿”人类，再谈泛化能力。

　　这也解释了为什么实验室的主要精力放在机械臂而非完整人形机器人上：真正的瓶颈不在于外形，而在于如何让系统稳定、可重复地完成真实世界任务。

　　正如多位学者所指出的，算法并不缺，缺的是足够多、足够好的数据，而 OpenAI 正在用近乎“数据工厂”的方式补这一课。

　　从组织层面看，这条机器人路线目前仍然处在非常早期的位置。

　　内部人士透露，相关硬件项目尚未成为公司核心战略的一部分，但实验室规模在不到一年内已扩大数倍，并计划在加州里士满设立第二个基地，同时开始寻求美国本土制造伙伴，覆盖消费级设备、机器人以及数据中心等方向。

　　这些动作释放出一个清晰信号：即便短期内不推出产品，OpenAI 也在为“具身智能”的长期可能性提前铺路。

　　结合其在语言、多模态理解上的积累，一旦机器人具备足够可靠的执行能力，ChatGPT 式的认知系统就有机会成为“机器人之脑”，让机器不只是会动，而是真正理解并参与人类的物理世界。