如果OpenAI只是想给机器人提供一个更聪明的大模型，它不需要招齿轮设计工程师，也不需要电机电磁设计、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，以及一名只服务机器人业务的商业律师。

但截至9月19日，OpenAI官网以「robotics」为关键词能搜到27个职位；今年5月还是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。供应链岗位招聘说明里甚至直接写：We're a growing hardware company——我们正在成为一家不断成长的硬件公司。这句话可能比任何机器人发布会都更能说明OpenAI在做什么。

七年一轮回：第一次失败，输在数据

七年前OpenAI也有明星机器人团队。Dactyl用Shadow Dexterous Hand在仿真里训练，靠Automatic Domain Randomization把策略迁到真实世界；2019年那只机械手已经能单手转魔方、解魔方。当时OpenAI认为灵巧操作是通用机器人重要路径。

但机器人没成为OpenAI下一个GPT。2021年，联合创始人Wojciech Zaremba确认机器人团队解散，理由是机器人领域缺少足够数据，无法像语言模型一样持续Scaling，公司把资源转向更可能快速扩大的方向。

五年后OpenAI回来，准备解决的恰恰是当年缺掉的东西。

Dactyl时代相信可以把真实世界复杂性塞进模拟器：机械手不用看几百万人怎么转方块，只要在仿真里随机化摩擦、质量、延迟、扰动，再迁回真实机械手。这条路线很漂亮，因为真实机器人贵且慢，GPU仿真可以并行。但它暴露了机器人与语言模型的根本差别——互联网天然有文本和图像，人类替AI完成了数据生产；机器人面对的是触觉、关节状态、动作、接触、摩擦、时间同步，很多关键变量根本不在普通视频里。

所以这次OpenAI围绕Robotics Data Acquisition建了一整条组织：技术项目经理要把机器人、传感器、计算设备、操作员界面、数据管线拼成production-ready的数据采集系统并扩到多站点；数据采集运营经理跟踪利用率、Cycle Time、Throughput、Downtime、Operator Productivity、Data Quality，几乎就是制造工厂指标；还有Field Engineer维护“几乎不能容忍停机”的数据生产系统，处理机械、电气、控制和软件问题，把重复故障回传研发。

这意味着OpenAI在搭的可能不是普通机器人实验室，而是一座机器人数据工厂。第一次做机器人想用仿真绕过昂贵真实数据；第二次回来，先建的是规模化生产真实机器人数据的基础设施。这不是Dactyl 2.0。

连齿轮都要自己做：身体本身就是模型的一部分

如果只是训模型，OpenAI大可买成熟机械臂、人形机器人或灵巧手。它过去就是这么做的：2023年领投1X，2024年投Figure并合作开发人形机器人AI。分工很清晰——Figure懂硬件，OpenAI给大脑。

但这段合作只持续约一年。2025年2月Figure CEO Brett Adcock宣布结束合作，把机器人AI收回内部，理由正戳行业核心：真实世界Embodied AI必须大脑和身体垂直整合，不能分别外包。随后Figure发Helix VLA。

一年多后，OpenAI招聘页像得出了相似结论。它在招执行器设计工程师，要求做custom robotic actuators，覆盖电机、传动、传感、热设计和结构，在扭矩密度、带宽、效率、反驱性、转动惯量、可靠性、制造性、成本之间做系统权衡；还单独招电磁设计、齿轮设计。更关键的是它自己建执行器测功基础设施：用负载电机测扭矩、速度、效率、温度、耐久性，搭电力、传感、DAQ、安全联锁、故障检测；另招机械工程师做测试台、夹具、Load Path、防护结构。

一家有世界级AI模型的公司，为什么关心齿形、电磁、散热？因为对机器人来说，身体本身就是模型的一部分。关节瞬时扭矩决定Policy敢不敢快速运动；Backdrivability决定接触响应；传动间隙改变毫米级操作误差；热衰减决定训练策略连跑两小时后还成不成立；传感器位置和采样频率决定模型能看到什么。语言模型可相对独立于键盘存在，机器人模型无法真正独立于执行器存在。模型团队改不了身体，就只能适应硬件误差；硬件和模型进同一个迭代循环，才能反过来改身体，让下一代模型更好学。OpenAI向执行器下沉，争的不只是硬件利润，而是训练分布的控制权。

从相机到安全控制器：把控制链一起拿走

执行器之外，OpenAI补传感和实时控制。传感器项目经理覆盖Camera、LiDAR、IMU、Radar、Proximity、Audio，要从设计、集成、测试一路推进到BOM、供应链、生产发布。Firmware Engineer要定义机器人嵌入式系统：实时运行、设备Bring-up、硬件接口、Fault Handling、Safety Mechanism、生产准备，特别要求Watchdog、冗余、故障恢复、Safe-state，嵌入式栈大量用Rust。Control Systems Engineer负责实时系统、执行器、动力学和低层硬件交互，直接在机器人上调整机行为。

这条链很清楚：传感器→实时固件→低层控制→执行器→运动。OpenAI不是让GPT直接几十赫兹控电机，而是建行业正在形成的分层：高层模型管任务理解、规划、泛化；低层实时系统管动力学、安全、快速反馈。真正值得看的是两层是否共同训练——高层读更丰富低层状态，低层按任务上下文动态调整，那OpenAI最终有的就不只是“机器人用GPT”，而是从Language Reasoning一路延伸到Torque Output的完整系统。

最值得警惕的是供应链经理

算法和执行器还能被解释成研究，供应链很难。

机器人Technical Commodity Manager岗位几乎把路线图写出来：先建适合研发迭代的供应链，再进NPI新产品导入，再进high-volume manufacturing大规模制造；未来还要搭Buyer、Global Supply Manager、Contract Manufacturing团队，采购类目列明精密机加工、齿轮机械件、EMS/PCBA、电气元件、Contract/JDM Manufacturing。从原型供应商迁到量产供应商、做DFM、首件检验、Pilot Build、供应商质量、单一来源风险管理——这和训模型没关系，却是任何真要造硬件的公司必走的过程。

今年OpenAI面向美国制造业发供应链RFP，已把advanced robotics的gearboxes、motors、power electronics列为要强化产业输入。所以27个岗位里最该盯的不是又多几个ML Engineer，而是OpenAI开始建“样机到量产”之间的组织能力。

数据、供应链之后，是现场

它还招机器人Lead Safety Engineer，从研发早期进产品架构、管监管策略和产品安全；招Senior Manager EHS管真实硬件研发生产的健康安全环境；机器人商业律师管供应商、制造、采购、许可、战略合作，明确写commercialization of next-generation robotics systems。这些岗位通常出现在硬件项目从研究走向产品之后——实验室机器人可以急停、拆刷固件；进工厂、数据中心、家庭的机器人要面对责任事故、供应商协议、隐私、产品责任、认证、售后。

OpenAI岗位描述也给了产品顺序：短期做帮熟练工人“建设未来基础设施”的机器人；长期让每人有一台干各种任务的Personal Robot。BI报道称早期应用包括数据中心，团队由DALL·E、Sora核心人物Aditya Ramesh领导，OpenAI未公布正式产品或上市时间。放回自身现实很合理：它正以空前规模建AI基础设施，数据中心、机电、服务器部署、运维、制造都需要熟练劳动，场景结构化、任务价值高、自己能控场，比一上来让机器人去家里洗衣服容易得多。如果OpenAI自己就是第一批客户，它能同时拿到三样东西：机器人、任务、Rollout Data——而这正是机器人闭环最难从外部合作里拿到的。

真正想拿回来的，是身体产生的数据

GPT-6给机器人行业的冲击不只是“又多一个控机器人的模型”。RoboCurve实验里，抓放积木GPT-6 Astra完成19/20；到要精确接触和插入的拼图，只2/20。也就是说视觉理解、空间推理、任务拆解、粗粒度规划正变成通用模型基础能力；真正难的继续向接触、力控、实时反馈、执行器下沉。

这会重写价值分配：VLA公司要证明客户为啥不能直接用GPT-6管高层、再调一个小而快的专用Policy；本体公司也不能靠“会开冰箱、整理物品”的Demo证明AI壁垒。通用模型越强，行业越追问成功率、人工接管、连续运行、异常恢复、真实生产小时。而被大模型叙事遮住的东西——触觉、执行器、低层控制、真实交互数据——反而重新变贵。

从1X到Figure，OpenAI过去是典型基础模型公司：别人造身体、进现场，它给智能。但如果机器人模型真遵循Scaling Law，最稀缺的资产可能不是某代本体，而是机器人每天在真实环境产生的交互数据。而数据从不独立产生：自由度决定能做什么，传感器决定能看到什么，执行器决定什么动作可稳定重复，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。OpenAI只给GPT-6，可能有最强大脑，却未必有最稀缺真实世界数据；本体厂控身体，部署公司控客户，高价值失败、接触、Rollout数据都会沉别人系统里。Figure转自研Helix只是这矛盾最直白的案例。

所以OpenAI从模型一路沉到执行器、固件、控制、数据采集、现场部署，不只为了造一台机器人。它争的是机器人下一轮Scaling真正需要的东西：

身体 → 数据 → 模型 → 部署 → 更多数据。

GPT-6越强，这趋势越明显。因为通用模型越来越会“想”，机器人行业真正稀缺的能力，就越集中到如何感知接触、如何稳定行动、如何把每次真实世界失败重新变成下一次模型进步。

2019年的OpenAI想证明：足够好的算法，能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要一个通用大脑，但下一条真正的Scaling Law，很可能从大脑一直写到身体，再从身体写回数据。