Перейти к содержанию

OpenAI

OpenAI распустила команду робототехники

5 мин чтения

Наш ИИ-аналитик сам проверил эту историю: запускал, считал, сверял с оригиналами. Что мы проверили

Текст написан ИИ-моделью по источникам, на которые ведут ссылки, и сверен с ними второй моделью. Как мы работаем

Всё о теме: OpenAI: модели и продукты →
Изображение: fortune.com

OpenAI распустила отдельную команду робототехники и раздала её исследователей по другим командам. В ответ на вопрос Fortune 13 ноября компания подтвердила перестройку и объяснила её тем, что универсальные модели вроде GPT-6 Astra оказались применимы к роботам напрямую. Самый заметный замер в пользу такой ставки, 74,8% успешных эпизодов у агента на Astra в исследовании Nvidia, получен в симуляции, которую ставили на паузу, пока модель думает, а на раздумья, по расчёту самих авторов, уходит около 97% оценочного времени эпизода.

Исследователи робототехники перешли в основную исследовательскую команду, которой руководит директор по исследованиям Марк Чен. Прикладная робототехника и железо ушли в подразделение Applied под президентом OpenAI Грегом Брокманом. Представитель компании называет перестройку знаком приверженности робототехнике, а не отступлением, и уверяет, что OpenAI по-прежнему намерена вывести в мир роботов общего назначения. Своего гуманоида компания разрабатывает сама, и первую публичную демонстрацию Сэм Альтман наметил на 2027 год.

Решение приняли так недавно, что на CoRL, ведущей академической конференции по робототехнике, которая на этой неделе идёт в Остине, за OpenAI остался стенд №208. В приложении конференции и на плане зала он отмечен, но стоял пустым, без логотипа.

Почему без отдельной команды

В начале года, по словам OpenAI, её исследователи считали, что робототехнику лучше строить на работе над Sora: чтобы генерировать правдоподобное видео, модели приходится неявно понимать, как устроен физический мир. С тех пор, говорит представитель компании, фронтирные модели, включая GPT-6 Astra, показали, что их можно применять к роботам напрямую, и именно это подтолкнуло к роспуску команды. Гуанья Ши (Guanya Shi), доцент Института робототехники Университета Карнеги-Меллон, читает перестройку как сигнал, что для OpenAI робототехника «уже не особая задача»: скорее прикладное применение общего интеллекта, как программирование или юридическая работа поверх тех же фронтирных моделей.

Отдельную команду робототехники OpenAI сворачивает уже второй раз. Fortune относит первое закрытие к 2020 году; The Robot Report датирует закрытие группы июлем 2021-го, а DIGITIMES сообщал, что исследования остановили в октябре 2020-го, а команду распустили в 2021-м. Сооснователь Войцех Заремба тогда ссылался на нехватку данных с роботов и на более эффективный путь к AGI через другие методы, и OpenAI ушла в большие языковые модели, обученные на человеческих текстах, из которых в конце 2022 года вырос ChatGPT. Теперь отказ от отдельной команды компания объясняет как раз успехами моделей, выросших из этого подхода.

Совпала перестройка и с давлением на расходы. В 2025 году Альтман призвал сотрудников бросить «побочные квесты», и OpenAI свернула часть проектов, включая Sora, чтобы отдать вычисления основным и потенциально прибыльным направлениям. Операционный убыток компании за последний квартал, по сообщениям, составил 10,9 миллиарда долларов, а сама она пытается закрыть новый раунд и готовится к возможному IPO в начале 2027 года.

Аргументы робототехников

Ши признаёт, что общие модели уже справляются, когда бутылка стоит в другом месте или меняется освещение, и умеют рассуждать о порядке шагов и о том, где задача пошла не так. Но большие языковые модели медленные и живут в облаке, роботу с ними нужна постоянная связь, поэтому он по-прежнему видит место для небольших специализированных моделей, работающих на бортовом компьютере без интернета.

Расс Тедрейк, профессор MIT и сооснователь и гендиректор Walden Robotics, считает, что у робототехнических компаний есть то, чего нет у лабораторий: их роботы уже набирают опыт на реальных площадках вроде заводских цехов. Эти данные помогают подстроиться под конкретное место и задачу, и чем лучше базовая модель, тем они ценнее, потому что робот учится на них быстрее. Пит Флоренс, сооснователь Generalist, который обучает общие модели для роботов, не уверен, что в долгую в робототехнике победит какая-то из нынешних моделей: «У того, как выращивать интеллект, могут быть разные отправные точки».

Авторский разбор

Что мы проверили

14 ноября мы разобрали страницу исследования Nvidia и лидерборд его бенчмарка, а по таблице из 120 задач пересчитали доли успеха и доверительные интервалы.

Как мы проверяем истории

Fortune говорит об «агенте на Astra»; по странице исследования 74,8% набрала Astra внутри постоянной сессии Codex, с сохранённой историей и дополнительными инструментами. Та же модель, вызванная напрямую через API, дала 66,3%, а с командами в позициях суставов, как у лучшей специализированной модели Lakeside, всего 50,2% против её 51,0%. Сравнение с 51,0% по-прежнему верно для обученных моделей, но лучшим результатом агента 74,8% уже не является: на лидерборде этой записи нет, а наверху сейчас AMP1 с 86,0%, пока без отметки о проверке.

  • Исследование Astranomy выпустила NVIDIA Seattle Robotics Lab 14 октября как позднее сообщение на CoRL 2026, пока в виде страницы проекта: ссылка на arXiv помечена «coming soon». Бенчмарк RoboLab-120 моделирует задачи «взять и переложить»; вставка, сборка, долгая мобильная манипуляция и задачи на быструю реакцию в него не входят.
  • Astra прогоняли по 5 эпизодов на задачу: 449 успехов из 600, у Lakeside 1 531 из 3 000. Авторы признают, что статистическую значимость различий между конфигурациями не установили. Наш 95-процентный интервал Клоппера-Пирсона для Astra 71,2-78,3% против 49,2-52,8% у Lakeside: если считать эпизоды независимыми, сам разрыв устойчив, шумят цифры по отдельным задачам.
  • Лимитов на время и число попыток не было. В примере Nvidia задача с йогуртом, где движение длится около 5,2 секунды, с учётом раздумий модели заняла бы примерно 3 минуты 57 секунд.
  • Агентная схема, по приблизительной оценке Nvidia по ценам на 1 октября, тратит 30,9 миллиона токенов и 36,40 доллара на успешный эпизод против 160 тысяч токенов и 1,96 доллара при прямом вызове, в 18,6 раза дороже.
  • Результат сильно зависит от обвязки, кода, который подаёт модели картинку с камер и данные робота и передаёт её команды. SenseNova-RoboRSI, другой агент на GPT-6 Astra, набирает на лидерборде 57,1%. Claude Opus 5.5 в прямой схеме Nvidia на 30 задачах показал 25,3% против 72,7% у Astra (по 150 эпизодов), а в статье Apple об AMP1 от 6 ноября тот же Opus 5.5 в обвязке Apple дошёл до 82,8% на всех 120 задачах.

OpenAIOpenAIразбор

Агенты в ChatGPT платят картой, не видя её номера

Агент dot в ChatGPT собрал корзину, показал сумму и выбранную карту, а покупку вы подтверждаете отпечатком пальца или Face ID. Номер карты при этом не видят ни агент, ни магазин, платит токен. Вы бы доверили агенту оплату картой или оформляете покупки только сами?

Пока никто не написал. Будьте первым.

Присоединяйтесь к разговору

Войдите, чтобы оставить комментарий. Он появится после модерации.