7.2
深览指数
科技虎嗅·机器之心··AI 生成
机器人领域的OpenAI，竟然是OpenAI自己？
近期多个实验显示，OpenAI 的多模态模型 GPT-6 Astra 可直接控制机械臂完成抓取、绘画、积木入碗等复杂任务，成功率高达95%。这与近年机器人行业主流思路——专门训练机器人基础模型形成对照。文章指出，Astra 的优势在于理解环境、规划动作，但在涉及精细接触和力控制的"最后一毫米"任务上表现不佳。这引发了一个关键问题：通用AI足够强时，是否还需要从头训练机器人大脑？文章认为，未来更现实的形态是不同层级分工，而非单一模型从头管到脚。适合关注具身智能、机器人产业与AI通用化趋势的深度读者。原文 ↗
核心观点
- ▍机器人领域的OpenAI，可能不是专门训练机器人大脑的Physical Intelligence或Skild，而是OpenAI自己的通用模型Astra。
- ▍未来机器人更现实的形态不是让一个大模型从头管到脚，而是不同层级分工：Astra负责理解和规划，底层控制器负责高频反馈和精细动作。
- 01GPT-6 Astra控制SO-101机械臂完成金门大桥绘画，过程包括先规划落笔再通过摄像头边画边看。
- 02CMU Robotics研究人员让Astra通过观看人类演示视频，一次就跑通了物理ICL任务，相当于机器人从上下文示例中临时学会新动作。
- 03RoboCurve实机测试：Astra控制两只真实机械臂，20次积木入碗任务成功19次（成功率95%），而Fable 5.1仅成功8次。
- 04Astra控制机械手完成毕加索鸽子绘画，需同时处理握笔姿态、手指摩擦和笔纸接触。
- 05Astra可通过观看多视角视频，自行处理相机标定、场景重建和物理参数，生成可用于仿真和动作回放的real2sim环境。
- 06OpenAI早期机器人团队（2018年Dactyl灵巧手）因机器人数据昂贵、难以规模化而关闭，如今可能通过通用AI路线绕回。
- 07Sam Altman已明确表示OpenAI会做（带机器人身体的）人形机器人，强调关键在于让机器人工作的「大脑」。
- 08Physical Intelligence和Skild代表过去几年主流路线：专门训练一套跨任务、跨本体、跨场景的机器人基础模型。
反方 / 局限
- — Astra在需要精确嵌入的拼图任务上成功率仅10%（20次完成2次），显示其在精细接触和力控制方面明显不足。
- — Astra直接输出底层关节动作以50Hz控制四足机器人行走，250次推理仅换来约5秒行走，推理速度跟不上实时控制。
GPT-6 AstraPhysical IntelligenceSkildSam AltmanOpenAIDactylRoboCurveWenli XiaoZeeshan ZiaMuJoCoSO-101机械臂ICL
11 分钟 · 2 卡片 · 5 资料
读原文 →