从2019年Dactyl灵巧手单手解魔方，到2020年因数据瓶颈解散团队，再到押注Figure和1X，最后今年9月重回全栈自研——OpenAI用九年把机器人做了三遍。第一遍输在数据：真实交互数据比文本贵成千上万倍，当年联合创始人Zaremba称「数据不够是解散主因」。如今带着GPT-6和自建数据工厂回归，补的正是当年这块短板。

OpenAI前合伙伙伴Figure在2025年2月终止合作，4月推出自研VLA模型Helix：用7B参数VLM（系统2）做任务规划，8000万参数视觉运动策略（系统1）执行200Hz实时控制，百万小时级数据就能泛化到数千种物品。创始人Brett Adcock的核心理由正是「机器人AI必须垂直整合，不能大脑身体分家」。Helix已部署至Figure 03，完成4分钟61步复杂家务。这相当于立了一面镜子——OpenAI现在自研执行器、固件、控制链，本质上也是走向同一条垂直整合路。

当前全球高质量真实机器人交互数据仅约50万小时，而业界共识是通用具身模型至少需要数千万小时——缺口超99%。中国信通院和多家研究机构指出，真实场景数据采集成本极高（单条有效数据10-50元），且大量非结构化场景（玻璃杯滑落、地毯卡轮子）无法靠仿真补齐。OpenAI虽然正自建「机器人数据工厂」，GELLO低成本遥操、上百人采集团队、现场Field Engineer岗位都在指向规模化生产真实数据，但千万小时缺口不是一家能填平的——这恰恰是它从大脑下沉到身体、主动控制闭环的理由：只有自己定义身体，才能触达现成数据源头。

岗位描述和供应链RFP透露了清晰的产品顺序：短期聚焦数据中心和基础设施运维——结构化的环境、高价值的任务、OpenAI自己就是第一批客户。这比直接冲进家庭洗衣做饭现实得多，关键是能闭环产出Rollout Data。长期愿景虽是「人手一台个人机器人」，但真正的拐点不在本体发布，而在GPT-6与自研执行器能否在同一个数据循环里迭代。最新传闻指出，OpenAI已启动美国本土供应链招标，要求精密机加工、齿轮和PCBA供应商具备量产能力——这是从样机走向NPI再到大规模制造的关键信号。

OpenAI重回机器人的真正赌注不是卖硬件，而是锁定「身体→数据→模型」闭环中最稀缺的资产——真实交互数据。当通用模型越来越会「想」，机器人行业稀缺的能力会集中到接触感知、力控、失败恢复和基于真实小时数的数据飞轮。GPT-6已经能控制150美元机械臂画金门大桥，但在拼图等精细接触任务上成功率仅10%——作者认为「下一条Scaling Law要从大脑写到身体」。值得追问的是：如果数据缺口达到99%，OpenAI自建数据工厂的成本和速度，能否比1X、Figure等对手更快形成数据护城河？