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。

本文来自微信公众号： 42号电波 ，作者：小波，编辑：大吉，原文标题：《OpenAI 重新造机器人：27 个岗位暴露了什么全栈野心？》