通用大模型难以完全适配物理机器人对实时响应和硬件协同的严苛需求，正是这一根本矛盾促使OpenAI与Figure终止合作，双方在通用模型与专用系统的技术路线分歧以及垂直整合战略差异上彻底分道扬镳。
一、技术路线的核心冲突：通用模型 vs 具身智能专用系统
实时性与物理直觉的鸿沟
OpenAI的通用大模型（如GPT系列）擅长语言理解与生成，但无法满足机器人所需的毫秒级控制精度。机器人需在动态平衡中实时协调40个关节自由度（姿态组合达360的40次方），而大模型生成动作需数秒，且缺乏对重力、摩擦力的物理直觉，非结构化环境任务失败率超50%。
专用架构的突破
Figure自研的Helix模型采用三层架构解决该问题：
System 0（类似小脑）：微秒级全身平衡控制，抗外力干扰；
System 1（反射神经）：200Hz高频响应，将视觉信号直接映射为动作；
System 2（思考大脑）：处理复杂指令与任务分解。
这一设计在嵌入式GPU上运行，实现两台机器人协同整理冰箱等场景的零样本泛化。
二、战略分歧：垂直整合 vs 通用平台
Figure的闭环生态逻辑
创始人Brett Adcock主张“AI不能外包，如同硬件不能外包”，强调从硬件设计到AI模型的端到端自主掌控。通过量产机器人收集真实场景数据反哺模型迭代，形成“硬件-数据-模型”闭环飞轮。终止合作后，Figure估值飙升至390亿美元，验证资本对其路线的认可。
OpenAI的通用化局限
OpenAI业务聚焦语言模型，其技术未针对机器人硬件优化。合作中，OpenAI模型仅负责Figure机器人的语言理解，动作控制仍依赖Figure自有网络。此外，OpenAI重启机器人团队并申请人形机器人商标，与Figure形成竞争关系，加剧信任危机。
三、行业趋势：具身智能的路线分化
垂直整合派崛起
除Figure外，特斯拉Optimus同样选择全栈自研，通过Dojo芯片与车辆数据构建专用系统。此类企业以硬件为锚点，强调物理世界落地的可靠性。
通用模型的适配尝试
英伟达等企业探索“以软促销”路径：投入260亿美元研发行业大模型，优化GPU推理效率，但聚焦辅助型场景（如工业质检），非实时控制领域。
四、争议焦点：通用大模型能否驾驭“钢铁之躯”？
目前答案是否定的。具身智能需跨越三大障碍：
- 响应速度：工业场景要求＜10ms决策，通用模型普遍＞500ms；
- 数据瓶颈：机器人需万亿级物理交互数据，当前全球储备不足1%；
- 成本控制：通用模型云端调用成本高昂，嵌入式部署需专用压缩技术（如Helix的7B+80M分层模型）。
结语：OpenAI与Figure的分道扬镳，本质是通用智能与具身智能的技术代差体现。物理世界的“钢铁之躯”需要专属神经系统，而垂直整合或成行业头部玩家的必然选择。随着英伟达、特斯拉、Figure三方路线的竞速，具身智能的“专用芯片+专用模型+规模量产”三角范式正逐步清晰。 (以上内容均由AI生成)
