OpenAI重新造机器人：27个岗位暴露了什么全栈野心？

如果 OpenAI 只是想给机器人提供一个更聪明的大模型，它不需要招聘一个齿轮设计工程师，也不需要专门招聘电机电磁设计、执行器测功台、PCB、机器人库存管理、制造工程、EHS、供应链品类经理，以及一名只为机器人业务服务的商业律师。

但截至 9 月 19 日，OpenAI 官网以「robotics」为关键词可以找到 27 个职位。今年 5 月，这个数字还是 11 个。新增岗位横跨算法、控制、执行器、传感器、固件、数据采集、制造、供应链、安全和现场部署。

甚至在供应链岗位的招聘说明里，OpenAI 直接写了一句话：We're a growing hardware company。——我们正在成为一家不断成长的硬件公司。

这句话可能比任何一场机器人发布会都更能说明 OpenAI 正在做什么。

七年前，OpenAI 也曾经拥有一支明星机器人团队。Dactyl 用 Shadow Dexterous Hand 在模拟环境里训练，再通过 Automatic Domain Randomization 把策略迁移到真实世界。2019 年，这只机械手已经能够单手转动并解开魔方。OpenAI 当时给出的判断是，灵巧操作可能是通往通用机器人的重要路径。

但机器人没有成为 OpenAI 下一个 GPT。

2021 年，负责机器人研究的 OpenAI 联合创始人 Wojciech Zaremba 确认团队被解散。他当时解释，机器人领域缺少足够的数据，无法像语言模型一样持续扩大训练规模。从 AGI 研究的投入产出来看，公司决定把资源转向更有希望快速 Scaling 的方向。

五年以后，OpenAI 重新回来了。

只是这一次，它准备解决的恰恰是当年缺掉的东西。

机器人第一次失败，输在数据

Dactyl 时代的 OpenAI 相信，可以把真实世界的大部分复杂性塞进模拟器。

机械手并不需要观察几百万个人类怎样转动方块。研究团队在仿真中不断随机化物理参数，让策略适应不同摩擦、质量、延迟和扰动，再把学到的能力迁移到真实机械手。这是一条非常漂亮的路线，因为真实机器人是昂贵而缓慢的，GPU 仿真却可以并行运行。

但它也暴露了机器人与语言模型最根本的差别。

互联网天然存在海量文本和图像，人类过去几十年已经替 AI 完成了数据生产。机器人面对的却是触觉、关节状态、动作、接触、失败、摩擦和时间同步。很多关键变量根本不会出现在普通互联网视频中。

这也是为什么 OpenAI 这次公开招聘中，一整套组织直接围绕Robotics Data Acquisition 建立起来。

它在招聘负责机器人数据采集的技术项目经理，要求把机器人、传感器、计算设备、操作员界面和数据管线组合成「production-ready」的数据采集系统，并将这些系统扩展到多个站点。另一名数据采集运营经理需要管理工作站、操作员和材料，跟踪利用率、Cycle Time、Throughput、Downtime、Operator Productivity 和 Data Quality —— 几乎完全是一套制造工厂的生产指标。

OpenAI 甚至已经开始招聘专门维护这套数据生产系统的 Field Engineer。

岗位描述里透露的信息很多：OpenAI 需要一个「大型、持续运行的真实机器人环境」，其中存在大量已经部署的数据采集工作站，配置不断变化，同时「几乎不能容忍停机」。Field Engineer 负责保持这些机器人工作站持续在线，处理机械、电气、控制和软件问题，再把重复故障汇总给研发团队。

这意味着 OpenAI 正在搭建的可能不是一个普通机器人实验室，而是一座机器人数据工厂。

从这个角度再看 2021 年的失败，会出现一个很有意思的历史闭环。

第一次 OpenAI 做机器人，希望尽量用仿真绕过昂贵的真实数据；第二次回来，它首先开始建设的，却是一套规模化生产真实机器人数据的基础设施。

这不是 Dactyl 2.0。

OpenAI 为什么连齿轮都要自己做？

真正让这次机器人计划显得不同的，是执行器岗位。

如果只是训练机器人模型，OpenAI 完全可以购买成熟机械臂、人形机器人或者灵巧手。事实上，它过去几年一直采用这种方式。

2023 年，OpenAI Startup Fund 领投人形机器人公司 1X 的 2350 万美元融资；2024 年，它又投资 Figure，并与 Figure 签署协议，共同开发下一代人形机器人 AI 模型。当时的分工十分清晰：Figure 理解机器人硬件，OpenAI 提供 AI 能力。

但这段合作只持续了一年左右。

2025 年 2 月，Figure CEO Brett Adcock 宣布结束与 OpenAI 的合作，把机器人 AI 全部收回内部开发。他给出的理由恰好击中了机器人行业最核心的争议：要在真实世界大规模解决 Embodied AI，机器人 AI 必须与具体硬件垂直整合，不能把大脑和身体分别外包。随后 Figure 发布了自己的 Helix VLA。

一年多以后，OpenAI 自己的招聘页面看起来越来越像是得出了相似结论。

它正在招聘执行器设计工程师，而且不是采购成熟关节。岗位明确要求设计custom robotic actuators，覆盖电机、传动、传感、热设计和结构，并在扭矩密度、带宽、效率、反驱性、转动惯量、可靠性、制造性和成本之间进行系统权衡。除此之外，OpenAI 还单独招聘电磁设计和齿轮设计工程师。

更夸张的是，它正在自己建设执行器测功基础设施。

相关岗位需要设计测功机和执行器测试台，用负载电机测量扭矩、速度、效率、温度和耐久性，同时建立电力、传感、DAQ、安全联锁和故障检测系统。另一名机械工程师则负责测试台、夹具、Load Path 和防护结构。

这已经超过了「为了理解机器人，做一点硬件原型」的范围。

为什么一家拥有世界级 AI 模型的公司，要关心齿轮齿形、电机电磁设计和执行器散热？

因为对于机器人来说，身体本身就是模型的一部分。

关节能提供多大的瞬时扭矩，会影响 Policy 敢不敢快速运动；Backdrivability 决定机器人与环境接触时如何响应；传动间隙会改变毫米级操作的误差分布；热衰减决定一套训练策略连续运行两小时以后是否还成立；传感器安装位置和采样频率，又直接决定模型能够看到什么。

语言模型可以相对独立于键盘存在，但机器人模型无法真正独立于执行器存在。

如果模型团队无法改变身体，它最终只能学习适应硬件留下的误差；如果硬件和模型被放到同一个迭代循环里，团队可以反过来修改身体，让下一代模型更容易学。

这大概才是 OpenAI 向执行器下沉最值得注意的地方。

它争夺的不只是机器人硬件利润，而是训练分布本身的控制权。

从相机到安全控制器，OpenAI 准备把控制链一起拿走

执行器之外，OpenAI 也在补齐传感和实时控制。

传感器项目经理的岗位覆盖 Camera、LiDAR、IMU、Radar、Proximity Sensor 和 Audio，并且要求从设计、集成、测试一路推进到 BOM 准备、供应链和生产发布。

Firmware Engineer 的描述更加直接。这个岗位要定义机器人嵌入式系统，包括实时运行、设备 Bring-up、硬件接口、Fault Handling、Safety Mechanism 和生产准备。OpenAI 还特别要求设计 Watchdog、冗余、故障恢复和 Safe-state，并透露机器人嵌入式栈大量使用 Rust。

Control Systems Engineer 则负责实时系统、执行器、动力学和低层硬件交互，要直接在机器人上调试和验证整机行为。

这几类岗位共同勾勒出了一条完整控制链：

传感器 → 实时固件 → 低层控制 → 执行器 → 机器人运动。

换句话说，OpenAI 并没有准备让 GPT 之类的大模型直接以几十赫兹控制电机。相反，它在建立机器人行业已经越来越明确的分层体系：高层模型负责理解任务、规划和泛化，低层实时系统负责动力学、安全和快速反馈。

真正值得观察的是，这两层是否会共同训练。

如果高层模型能够读取更加丰富的低层状态，而低层控制器又能够根据模型的任务上下文动态调整，那么 OpenAI 最终拥有的就不只是一个「机器人用 GPT」，而是一套从 Language Reasoning 一路延伸到 Torque Output 的完整系统。

最值得警惕的岗位，其实是供应链经理

算法和执行器还能被解释成研究。

供应链很难。

OpenAI 的机器人 Technical Commodity Manager 招聘描述几乎把它下一阶段的路线图直接写了出来。

公司称自己是「一家正在成长的硬件公司」，目前需要建立适合研发迭代的供应链；下一步进入 NPI，也就是新产品导入；再下一步则是high-volume manufacturing，大规模制造。

这个岗位未来还要帮助建立完整供应链团队，包括 Buyer、Global Supply Manager 和 Contract Manufacturing 负责人，采购类别明确列出了精密机加工、齿轮和机械件、EMS/PCBA、电气元件，以及 Contract/JDM Manufacturing。

从原型供应商迁移到量产供应商、做 DFM、首件检验、Pilot Build、供应商质量和单一来源风险管理 —— 这些事情与训练机器人模型几乎没有关系，却是任何一家准备真正制造硬件的公司最终都必须经历的过程。

今年早些时候，OpenAI 面向美国制造业发布供应链 RFP 时，也已经把「advanced robotics 所需的 gearboxes、motors 和 power electronics」列为希望强化的关键产业输入。

因此，这 27 个职位里真正值得关注的，不是又多了几个 ML Engineer。

而是 OpenAI 开始为机器人建立从样机到量产之间的组织能力。

数据、供应链以后，是现场

甚至这还不是终点。

OpenAI 同时招聘机器人 Lead Safety Engineer，要从研发最早期就参与产品架构，并负责监管策略和产品安全；它还设置 Senior Manager EHS 岗位，处理真实硬件研发和生产环境中的健康、安全与环境问题。机器人商业律师则需要处理供应商、制造、采购、许可和战略合作协议，并明确提到「commercialization of next-generation robotics systems」。

这些岗位的重要性在于，它们通常出现在一个硬件项目从研究走向产品以后。

实验室里的机器人可以随时急停、拆开、重新刷固件；真正进入工厂、数据中心甚至家庭的机器人，却要面对责任事故、供应商协议、隐私、产品责任、认证和售后。

OpenAI 自己的机器人岗位描述也已经给出了一条非常明确的产品顺序。

短期，它希望制造能够帮助熟练工人「建设未来基础设施」的机器人；长期愿景则是让每个人拥有一台可以完成各种任务的 Personal Robot。Business Insider 进一步报道称，OpenAI 早期关注的应用包括数据中心，而团队由 DALL·E 和 Sora 核心人物 Aditya Ramesh 领导。OpenAI 并未公布正式机器人产品或上市时间。

如果把这条路线放回 OpenAI 自身的现实需求，它很合理。

OpenAI 正在以前所未有的规模建设 AI 基础设施。数据中心、机电设备、服务器部署、运维、供应链和制造都需要大量熟练劳动，而且环境相对结构化、任务价值高、公司自己又能够控制场景。

这可能比一开始就让机器人去普通家庭洗衣服，容易得多。

更重要的是，如果 OpenAI 自己就是第一批客户，它可以同时拥有三样东西：机器人、任务，以及 Rollout Data。

这正是机器人闭环最难从外部合作中获得的东西。

OpenAI 真正想拿回来的，是身体产生的数据

GPT-6 真正带给机器人行业的冲击，不只是「又多了一个可以控制机器人的模型」。

RoboCurve 的实验已经划出了一条很清楚的边界：抓放积木，GPT-6 Astra 完成了 19/20 次；但到了需要精确接触和插入的拼图任务，只完成 2/20 次。

这意味着，视觉理解、空间推理、任务拆解和粗粒度动作规划，正在越来越快地变成通用模型的基础能力；真正困难的部分，则继续向接触、力控、实时反馈和执行器下沉。

对于机器人行业，这会直接重写价值分配。

VLA 公司需要证明，为什么客户不能直接用 GPT-6 负责高层理解，再调用一个更小、更快的专用 Policy；本体公司也不能再只靠「机器人会开冰箱、整理物品」这样的 Demo 证明 AI 壁垒。通用模型越强，行业越会追问成功率、人工接管、连续运行、异常恢复和真实生产小时。

而那些过去被大模型叙事遮住的东西 —— 触觉、执行器、低层控制和真实交互数据 —— 反而会重新变贵。

这也解释了 OpenAI 为什么开始自己设计执行器。

从 1X 到 Figure，OpenAI 过去采取的是典型基础模型公司的方式：让别人造身体、进入现场，自己提供智能。但如果未来机器人模型真的遵循 Scaling Law，最稀缺的资产可能并不是某一代本体，而是机器人每天在真实环境里产生的交互数据。

而数据从来不是独立产生的。

自由度决定机器人能做什么，传感器决定它能看到什么，执行器决定什么动作可以稳定重复，控制器决定一次失败留下多少信息。

谁定义身体，谁就在相当程度上定义数据集。

如果 OpenAI 永远只提供 GPT-6，它可能拥有最强的高层模型，却未必拥有最稀缺的真实世界数据。本体厂商控制身体，部署公司控制客户，真正高价值的失败、接触和 Rollout 数据都会沉淀在别人的系统里。

Figure 最终转向自研 Helix，只是这种矛盾最直接的一个案例。

所以 OpenAI 现在从模型一路向执行器、固件、控制、数据采集和现场部署下沉，并不只是为了造一台机器人。

它是在争夺机器人下一轮 Scaling 真正需要的东西：

身体 → 数据 → 模型 → 部署 → 更多数据。

GPT-6 越强，这个趋势反而越明显。

因为当通用模型越来越会「想」，机器人行业真正稀缺的能力，就会越来越集中到它如何感知接触、如何稳定行动，以及如何把每一次真实世界的失败重新变成下一次模型进步。

2019 年的 OpenAI 想证明，一个足够好的算法，可以让一只普通机械手学会前所未有的能力。

2026 年的 OpenAI，开始重新设计那只手。

通用机器人最终或许需要一个通用大脑，但下一条真正的 Scaling Law，很可能要从大脑一直写到身体，再从身体写回数据。

作者：小波

编辑：大吉