夜雨聆风2026年6月1日，OpenAI在官网悄然发布一则招聘公告，组建新团队自研实体机器人。科技媒体当天的报道中，多数标题的措辞不是"重磅"而是"重返"或"重启"，折射出行业内的普遍困惑：五年前刚解散，为什么现在回来。2020年那场放弃被解释为"研究优先级调整"，当时负责机器人项目的Wojciech Zaremba后来在一次采访中说过一句值得琢磨的话：从AGI的角度看，当时有一些组件是缺失的。五年后这些组件补齐了吗，答案并不那么确定。更值得追问的是，如果组件真的补齐了，为什么偏偏是2026年6月，而不是2025或2027——这中间的差异不仅在于技术曲线的斜率变化，更在于OpenAI资本化进程的特定节点。
回到2020年。那一年OpenAI放弃机器人，表面上是因为模拟到现实的迁移效率太低，强化学习在物理环境中收敛太慢。但真正让管理层下决心的，是资源投入的性价比。据The Information 2021年报道，OpenAI机器人团队2019到2020年累计支出约4000万美元。而GPT-3的训练成本据Lambda Labs 2020年估算约为1200万美元，后者的潜在客户覆盖量级完全不同。到了2026年，情况确实变了。多模态模型可以理解摄像头画面，大语言模型能拆解复杂指令，扩散模型也能实时规划机械臂的运动轨迹。如果只从技术能力看，今天的模型比五年前强了不止一个量级。但这仍然不是OpenAI重启机器人的根本原因。
要理解这个判断，需要把视角拉到整个具身智能领域。2023年到2025年，Google DeepMind的RT-2系列模型在真实环境中展现出了零样本泛化能力，Tesla的Optimus在工厂内完成了从分拣到焊接的多场景迭代，Figure AI的Figure 02实现了双手协同操作。这些公司都在同一条技术路线上狂奔——用大模型做大脑，用强化学习做小脑，用仿真环境加速训练。到了2026年中期，这条路线的可行性已经不再需要被证明，剩下的问题是执行效率和成本控制。当然，这些进展大多来自竞争对手的实验室，OpenAI自2020年解散团队后在这一领域的公开积累几乎为零。但大模型和多模态能力正是OpenAI的核心长板，而具身智能的核心瓶颈——语义理解、任务拆解、环境感知——恰恰是通用模型的延伸问题。从技术继承性上看，OpenAI并非从零开始。也就是说，OpenAI选择这个时间点重返机器人赛道，技术窗口确实已经打开。
但窗口打开不等于现在就必须跳进去。技术可行了，软件增长慢了，两个条件同时满足，机器人就从一个研究问题变成了一个商业问题。OpenAI的选择，本质上是将后者的优先级提到了最前。
真正推动决策的，是另一个层面的判断。从Semianalysis对API调用量的估算、G2上的企业NPS变化，以及多个行业访谈来看，软件端的增长斜率正在趋缓。需要说明的是，OpenAI官方并未披露完整数据，以下判断部分基于第三方估算。GPT-4到后续版本在标准benchmark上的提升幅度仍然显著，但普通用户在实际对话中的感知差异明显弱于GPT-3到GPT-4的跃迁——这一观察在2025到2026年的多份行业报告中均有提及。API调用的单次成本下降空间也在收窄，企业客户开始评估"更强的模型"到底能带来多少实际业务增量。但对于一家据彭博社2026年5月报道估值已达8520亿美元的未上市企业，这种趋缓意味着另一个问题。机器人业务在这个时候被重新拎出来，不是因为模型能力在这一天突然质变，而是因为软件故事的增长天花板比预期来得更早。
机器人业务真正的坑，从来不在AI。做一台能在仓库里搬货箱的机器人，最难的部分不是让它理解"把这个箱子搬到那个货架"，而是让它连续工作八小时不出故障，坏了之后二十分钟内有人能修好，零部件出了问题能在两天内从仓库调出替换件。这些事和Transformer架构没有任何关系，它们属于另一个世界——硬件供应链管理、制造流程控制、现场服务网络搭建。OpenAI的团队基因里，这些能力几乎是空白。翻阅这次招聘的岗位描述可以发现一个细节，他们招的不是单纯的机器人算法工程师，而是大量full-stack hardware和ops相关职位，要求有量产经验、有供应链管理背景、有现场部署能力。这在五年前的机器人团队招聘中几乎看不到。OpenAI很清楚自己缺什么，但清楚和能补上是两回事。对比Figure AI这样的纯机器人公司，他们在成立第一天就把硬件迭代周期压缩到三个月，创始人自己是机械工程出身，团队里有大量来自特斯拉、波士顿动力、亚马逊机器人部门的工程老手。即便如此，Figure AI在公开演示中也未能完全避免机械臂卡顿和线缆松动。硬件制造的一个基本约束是：一个零件的公差没控制好，整批机器人就得返工。工地和仓库场景的客户更不关心你的模型用了什么技术架构，他们要的是两样东西：不容易坏，坏了能马上修。这两样恰恰是软件公司最不擅长的事。
OpenAI目前的招聘岗位中出现了硬件可靠性工程师和供应链合规经理等过去从未设立的职位，但这距离真正建立起应对工厂投诉的现场服务体系，中间差着三年以上的组织磨合。
另一种值得考虑的解读是时间点与资本市场的关联。多位未具名的投行分析师，包括两家精品投行和一家美资大行，在2026年5月的行业报告中提出，OpenAI若在2026年底前启动IPO，需要在招股书中呈现一条清晰的、超越纯软件的长期收入曲线。机器人业务恰好提供这一叙事。这并不意味着重启机器人的决策主要是为了上市，更合理的理解是，上市时间表使得机器人业务的优先级被提前了十二到十八个月。8520亿美元的估值已经提前消化了软件业务未来三到五年的增长预期，以SaaS行业平均4到6倍前瞻市销率作为保守参照，这一估值隐含的2029年收入预期约为1500到2000亿美元——考虑到AI龙头溢价，实际隐含预期可能更高。分析师们接下来要问的是五年之后。基建辅助机器人、仓储物流机器人，任何一个细分市场的潜在规模都足以支撑OpenAI未来十年的增长叙事。但这些市场的收入贡献在短期几乎可以忽略不计——一台原型机从实验室走到工地现场完成第一个商业化部署，通常需要三到五年，期间的成本远高于收入。资本市场当然知道这个时间差，他们需要的不是真实的财务报表，而是一个可信的长期图景。这个图景一旦讲出来，就足够让估值模型往后多推五年。OpenAI入局也意味着整个赛道的估值水位被拉高，而纯软件模型公司的独立价值相对下降——因为资本会重新评估没有硬件入口的纯软件层的长期护城河。
从行业惯例看，最直接的路径是找几个愿意签长期采购意向的大型基建或物流公司，用客户承诺的订单来支撑早期投入，同时把机器人业务拆成独立的成本中心，不在上市公司主体的损益表上造成太大压力。另一种路径更轻——不自己量产，而是输出模型和操作系统，让第三方硬件公司去承担制造和服务的苦活。这种方式既规避了供应链管理的短板，又保留了生态主导权。2025年以来，Covariant等初创公司已尝试AI模型授权加第三方硬件的轻资产模式，毛利率可达70%以上，但缺点是场景落地速度和数据回流效率远低于自研硬件。从目前的招聘信息和对外表述来看，OpenAI似乎更倾向于前者，即至少做一款完全自研的量产机型。这个选择很冒险，但也很符合OpenAI一贯的控制关键环节风格——从自建数据中心到自研推理架构，他们很少把核心能力外包。只不过这次赌注比以往任何一次都大，因为硬件失败的代价不是关掉一个实验室那么简单，而是会直接冲击上市时的定价逻辑。
从资本市场叙事的角度看，OpenAI在解决一个很现实的问题：软件时代的增长故事，在高估值预期下已经不够用了。机器人能否成功，不取决于下一代模型有多聪明，而取决于OpenAI愿不愿意去做那些不聪明的事——管理一个公差0.1毫米的金属件的库存和返修流程，培训一线维修技师，处理客户因为机器人卡住而打来的投诉电话。这些事情没有任何技术光环，但恰恰是硬件这门生意真正的门槛。OpenAI在IPO前迈出这一步，说明管理层已经想清楚了。但如果只是想用机器人讲一个漂亮的故事，那这个故事在第一个量产批次出问题后就会崩塌。
