OpenAI 狂砸百亿剑指具身智能

9月OpenAI发布号称史上能力最强的GPT-6 Astra模型后，业内迅速流传起一项针对性机器人测试结果：未对模型做机器人专项适配的前提下，GPT-6 Astra即可理解人类指令、识别操作目标、判断空间位置关系，还能根据执行反馈调整动作、修正错误。这项测试来自银河通用机器人团队，依托其长期积累的仿真与评测体系，通用大模型的物理世界能力边界被首次清晰量化。

GPT-6 Astra实测展现具身泛化潜力

测试结果既验证了通用大模型向具身智能延伸的速度，也暴露了当前技术的核心短板：模型的语义理解、视觉感知、任务规划、异常推理等“想”的能力已经趋于成熟，但抓取、力控、轨迹规划、双臂协调等物理世界“做”的能力仍存在明显缺口。
第三方评测机构RoboLab的公开数据显示，搭载GPT-6 Astra的混合架构在50项具身任务中成功率高达92%，平均得分62.60；仅调用GPT-6 Astra的Direct模式成功率虽达98%，但接触类任务（如搭塔、麻将杠牌）得分仅为12分和0分，远低于混合架构的64分和40分；处理叠衣服等柔性物体任务时，混合架构拿到满分，Direct模式则完全无法完成。而在语义类任务（按语言分类、模仿排序、排出最大数字）中，仅靠模仿轨迹成长的VLA模型π0.5得分仅为0.60到2.29分，混合架构直接拿到38到53分的碾压级表现。

百亿级资源投向具身数据与算力基建

GPT-6 Astra展现的能力跃迁，背后是OpenAI史无前例的资源投入。2026年2月OpenAI宣布获得1100亿美元新增投资，此后又迅速完成1220亿美元新一轮融资，资金持续向Stargate等算力基础设施倾斜，同时不断强化数据获取和模型训练能力。
据2026年外滩大会公开信息，美国已将大规模真实世界物理数据明确为训练Physical AI的关键瓶颈，OpenAI自2025年初起便通过数据采集机构采购千万小时级具身智能交互数据，涵盖各类真实操作场景；在具身模型训练上的数据、算力资源投入累计超过百亿人民币，这一规模已超越中国任意一家具身智能公司的投入，其战略目标十分明确：打造具身领域的“ChatGPT”。
为支撑数据采集，OpenAI自2025年2月在旧金山设立机器人实验室，团队规模已超百人，通过远程操控Franka机械臂执行烤面包、叠衣服等家务任务，以“有效功能性数据”的小时数作为绩效评估标准。到2026年该实验室规模已扩大四倍多。2026年6月，OpenAI CEO Sam Altman正式宣布成立独立机器人部门OpenAI Robotics，公开表态“一定会做人形机器人”。而目前OpenAI已秘密提交IPO招股书草案，计划最早2026年9月上市，当前估值已达8520亿美元，预期上市估值超1万亿美元，巨额资本正加速涌入具身智能赛道。

从“投资人”转向全链路自研布局

此次高调布局机器人赛道，是OpenAI战略方向的再次调整。早在具身智能发展早期，OpenAI联合创始人沃伊切赫·扎伦巴就曾解释放弃自研机器人的原因：机器人物理交互数据极其稀缺、采集成本高昂、迭代缓慢，而互联网上的文本、图像数据海量易获取，从通往通用人工智能（AGI）的效率路径看，集中资源发展大语言模型（LLM）是更优选择。
此后OpenAI并未完全放弃机器人领域，而是以投资人身份布局：2023年领投人形机器人公司1X Technologies，2024年参与Figure AI总额6.75亿美元的B轮融资，并为其开发专属多模态AI模型。但双方合作不到一个月便走向决裂，折射出大语言模型与机器人本体天然的适配矛盾：智元机器人合伙人姚卯青指出，GPT-5大语言模型的训练量级约100万亿Tokens，对应约100亿小时量级，而当前全球高质量具身智能真机交互数据仅在50万小时量级，两者存在数量级的数据鸿沟——大模型可以“安静地读书”从互联网汲取一维、二维信息，具身智能必须在三维开放世界中“摸爬滚打”产生闭环数据。
事实上OpenAI自身也承认，作为世界模拟器的Sora仍存在诸多局限，无法准确模拟玻璃破碎等基本物理相互作用，进食等交互也无法生成正确的物体状态变化，但从数字世界到物理世界的能力迁移路径已经打通，差异化研发具身智能模型已成为其明确方向。从OpenAI最新招聘岗位也能看出其全链路布局思路：官方招聘页面覆盖硬件软件协同、仿真环境搭建、仿真真实性优化、缩小“仿真到现实”差距等岗位，包括3D打印实验室技术员、执行器设计工程师、电气