OpenAI、字节开始下场做机器人，创业公司如何拿到“大结果”？

文 | 具身商业前哨

哪里热钱多，大厂就往哪里挤！机器人创业公司最担心的事，还是发生了。

日前，OpenAI在官网密集放出机器人岗位。截至10月23日，相关职位已经达到15个，从机器人软件、控制系统，一路招到电机、执行器、PCB、测试设备和现场工程师。

其中，机器人电气工程师岗位的年薪上限开到42.3万美元。一支覆盖软硬件全栈的机器人队伍正在成形。

OpenAI曾因机器人训练数据不足关停团队。这一次回来，模型、硬件和部署一起补。

字节也在把牌摊开。今年6月，Seed Robotics并入多模态与世界模型负责人周畅的管理范围，并招聘L8级具身智能技术负责人，候选人直接瞄准头部机器人创业公司的技术一号位。

字节手里也是有货的。Seed官网把GR-3、GR-RL放进了Robotics产品线，招聘页面还挂着机器人仿真、具身数据开发和本体结构岗位。

与此同时，张一鸣亲自督导实时空间视频和世界模型。字节做视频、做空间理解、做机器人，原本分散的几条线开始往一起收。

这一次，具身智能创业公司面对的已经不只是另一个竞争对手。国内外的头部大模型公司带着算力、模型、人才和资金，从软件一路压到物理世界。

但大厂下场不会把创业公司一锅端。它会把这个行业迅速分层：少数公司占住基础模型，少数公司控制本体和关键部件，还有一些公司握住客户场景与运行数据。

最危险的，是卡在中间的那批公司——模型追不上大厂，本体拉不开差距，客户和数据也留不住。

所谓“大结果”，以后不会只看融了多少钱、出了多少台货。它要回答一件更硬的事：你手里有没有一个别人绕不开、还能持续产生数据和收入的闭环。

大厂来拿的，不只是一颗“大脑”

GPT-6 Astra已经让机器人行业看到，通用模型向机器人扩张有多快。

9月，一项覆盖42个任务、2100次试验的RoboDojo测试显示，GPT-6 Astra在没有为具体任务微调的情况下，平均成功率达到22.48%，综合成绩超过参与对比的40种机器人控制模型。

在语义明确、精度要求不高的任务上，它进步很快；碰到高精度、动态控制和双臂配合，表现又会迅速下滑。

例如在搭塔任务里，机械臂伸手去拿下一块积木，却把已经搭好的部分碰倒。它知道下一步要做什么，还顾不上前一步留下的结果。

破壳机器人创始人许华哲说得很直接：GPT-6的语义和空间泛化能力较强，物理泛化仍然偏弱。它可以识别并拿起筷子，但在用筷子完成复杂接触操作时，表现仍不理想。

这已经足够改变分工。过去，机器人创业公司可以把“理解任务、拆解步骤、规划动作”都装进自己的技术壁垒；现在，上半截能力正在被通用模型快速压平。大模型越强，创业公司留在PPT里的“通用智能”越不值钱。

OpenAI这次连电机、执行器和测试基础设施一起招，说明它盯上的也不只是模型授权费。机器人会把真实世界的动作、失败和反馈重新喂回模型。谁控制模型、硬件、部署和数据回流，谁就能让系统越用越好。

OpenAI从通用模型向硬件压，字节则从视频生成和空间世界模型向机器人延伸。世界模型在虚拟空间里生成、预测环境，机器人再进入真实世界验证；现场产生的交互数据，又会回到下一轮训练。

两条路线起点不同，最后争夺的是同一个东西：物理世界的学习闭环。

创业公司的窗口并没有关。自变量机器人创始人王潜说得更实际：OpenAI、Anthropic进入具身智能，同样需要建设数据采集、仿真和验证基础设施，在真实环境中开展评测，并解决硬件问题。走到这一步，它们与其他具身智能公司面对的是同一套难题。

问题在于，大厂允许犯更贵的错。创业公司不能陪着它们把每一层都重做一遍。

最先掉队的，是“样样通、样样松”的公司

资本已经开始给这场分层计价。

IT桔子统计，今年上半年国内具身智能完成322笔融资，金额935亿元，分别同比增长137%和5倍。钱比去年更多，退出端却在变严。

路透社9月报道，部分人形机器人IPO被放慢，监管开始追问高估值、政府项目收入和真实商业需求之间到底是什么关系。

一级市场还在买想象力，二级市场已经开始要答案。

最危险的，是那些看起来什么都有的中间层公司。

它们有机器人本体，也讲具身大模型；建了数据采集场，又拿下几个工厂项目。产品图上，从关节、灵巧手到VLA和世界模型，一层都没落下。

可把这些东西拆开看，关节来自供应商，模型基于开源架构，数据常常跟着项目交付给客户，进入新场景还要重新调试。

什么都有一点，每一层都不够深。表面上是一家全栈公司，拆开看，更像一个什么项目都接的总包商。

判断这类公司有没有壁垒，不用看产品图铺了多少层，只看第二个项目：部署时间有没有缩短，现场工程师有没有减少，上一个客户的数据和程序能不能复用。

如果三个答案都是“没有”，所谓全栈只是把更多交付工作留在了自己手里。

收入在增长，能力却没有随着收入一起沉淀。

真正控制了一层的公司，情况完全不同。

做模型的公司，可以不造机器人，但模型要能跨本体使用，还要掌握数据、评测和训练闭环；做本体的公司，要把运动控制、核心部件、量产和售后做成别人短期补不上的能力；做场景的公司，则要抓住客户入口、运行数据和续单。

比如，宇树已经在机器人本体上做了十年。它的优势不只是一台G1或者H1，而是运动控制、关节电机、制造成本、品牌和销售渠道一起形成的积累。竞争对手可以买到相似的零部件，却很难一次性买到这十年。

中间层公司恰好相反。模型进步的红利会流向上游大模型公司，硬件规模化的利润会被本体厂商和核心供应商拿走，客户现场产生的数据又往往带不走。它负责把所有东西接起来，却拿不到其中任何一层的长期收益。

这就是它最容易被击穿的原因。

大厂把通用模型继续往下压，专业本体公司把硬件价格继续往下打，场景公司又牢牢抓住客户。留给中间层的空间，最后只剩集成、调试和驻场。

这仍然可以是一门生意，但很难成为一家“大结果”公司。

想拿“大结果”，还有三种方法

中间层公司的问题，是铺得太宽、扎得不深。创业公司想拿到“大结果”，路数正好相反：先在一层扎下去，让数据、客户和收入围着这层滚起来。

想拿到大结果，眼下已经能看清三种办法：模型、本体和场景。

第一种，控制模型层，让同一套模型跨本体使用，并让不同客户持续付钱。

Skild AI今年9月披露，公司第一次商业部署十个月后，年化经常性收入已经超过1亿美元，付费客户超过60家，任务覆盖搬运、配送、巡检、安防、餐饮、仓库、工厂和数据中心。它还把同一套Skild Brain装到双臂机器人上，参与英伟达Blackwell系统的装配。

模型公司能不能做大，判断标准并不神秘：换一副身体、换一个场景，收入还能不能继续长。只在自家Demo里跑得好，仍然是一项功能；跨本体产生外部收入，才有平台价值。

第二种，控制本体，并把出货变成有效装机量。

宇树2025年卖出5215台人形机器人，实现8.68亿元收入，已经把量产能力变成了真收入。但同一份上市材料也显示，2025年前三季度，73.6%的人形机器人收入来自科研教育，行业应用只占9.01%。出货量解决了“能不能造、能不能卖”，还没有完全回答“卖出去以后每天在干什么”。

许华哲提出过一个更狠的指标：机器人日活。卖出去的5000台机器人，到底有多少台每天仍在使用？

本体公司的下一道壁垒，不只是装机量，还要看有效装机量。机器持续运行，故障、动作和任务数据才会回来，硬件迭代、售后网络和品牌才能互相咬住。

第三种，控制场景，拿到运行数据和客户续单。

Agility Robotics的Digit已经积累超过6.5万小时真实运行，在GXO搬运超过10万个周转箱，任务准确率约98%。今年9月发布Digit 5时，公司称已拿到超过3亿美元多年期订单。更重要的是，新一代产品的载荷、电池、安全系统和末端工具，都来自前三年客户现场的反馈。

认识多少工厂、签多少框架协议，都不算数。上一台机器人干过的活，能让下一台更快部署、更少出错，这才算场景壁垒。订单、数据和产品在同一个闭环里滚动。

数据不必单独算第四条路。它只有进入模型、本体或场景的闭环，才会变成资产。只卖一次、又拿不到下游反馈的数据，很难撑起“大结果”。

所以，大厂下场以后，机器人创业公司的问题反而简单了。判断一家公司有没有控制权，可以追着问三件事：

如果明天基础模型开放，你还剩下什么？每多交付一台机器人，下一台能不能更便宜、更快上线？机器人产生的数据、客户关系和改进权，最后留在谁手里？

三项里，至少要占住一项。

OpenAI和字节不会消灭机器人创业公司。它们会先把没有控制权的公司筛出来。与此同时，大厂会把基础模型越做越便宜，供应链也会随着规模扩大继续降成本，更多客户开始理解机器人能做什么。

这些外溢不会平均落在每家公司头上，掌握控制权的公司才吃得到。

控制不了任何一层，再大的融资也只是延长赛程；控制住一层，大厂进场反而会替你把市场做大。