OpenAI的第一个硬件：不会走路的机器人

OpenAI正把“灵魂”注入“身体”。

OpenAI的第一款硬件还没发布，传统智能音箱公司已经先感到了压力。

北京时间7月15日，彭博社披露OpenAI正在开发一款可移动、无屏幕、带摄像头和环境传感器的桌面AI设备。消息发出后，音频设备公司Sonos盘后股价一度跌超10%，随后跌幅收窄。

有意思的是另一个细节：苹果的股价几乎没动——但苹果的法务部早在四天前就动了手。7月10日，苹果抢先起诉OpenAI窃取商业机密，并向法院申请了禁令。

股市还没把这台设备当回事，最懂硬件的那家公司，已经把它当成了对手。

市场的第一反应很直接：这不是又一台“ChatGPT版音箱”，而是OpenAI试图把AI从网页、App和手机里拿出来，放进物理空间。

但对AI眼镜行业来说，更值得注意的是另一件事。

OpenAI没有先做外界反复猜测的眼镜、耳机或吊坠，也没有一步跨到特斯拉Optimus那样的人形机器人。它先做了一台没有屏幕、带摄像头、可以被人拎着在房间之间走、还带一点机械动作的桌面设备。

换句话说，OpenAI给AI找的第一个物理载体，不是一副眼镜，也不是一台大机器人，而是一台更容易进入桌面场景、更容易验证陪伴关系的“小机器人”。

01 它像音箱，但产品定义不是音箱

彭博社原文把它称为一台movable, screenless speaker：可移动、无屏、像音箱。

但如果只把它理解成智能音箱，很容易低估OpenAI正在做的事。

它有摄像头和其他传感器，用来理解用户周围的环境和上下文；它可以控制智能家居、播放媒体、回答问题、回复消息；它内置充电电池，可以被用户从厨房拿到卧室，也可以从客厅拿到书房；语音交互用的是OpenAI今年7月8日刚发布的GPT-Live——这代模型能边听边说，会用“嗯哼”表示自己在听，目标是让对话接近真人节奏。

最微妙的一处设计：它身上有可以自行运动的机械结构。按彭博社的说法，这些机械元素的目的，是制造一种“它是活着的”的感觉。

这里要把两个“动”分开。彭博社标题里的movable，说的是整机内置电池、可以被人从厨房拿到卧室或办公桌——它的“可移动”解决的是空间切换，不是自主行走。会自己动的，是它身上的机械部件。

具体形态，报道没有描述。结合“活着”这个目标推测，可能是会转动的头部，也可能是类似眉毛、小手臂之类的拟人化部件——用动作和“表情”回应人。答案要等真机揭晓。

但“用机械动作做表情”这个选择本身，就值得多看一眼。

此前的桌面陪伴机器人——Jibo、Vector、Emo们——几乎都用一块小屏幕当“脸”：屏幕上画一双眼睛，眨眼、转圈、卖萌。屏幕脸便宜，表情随便换，缺点也明显：它终究是平面的。一块发光的小屏幕看久了，更像一部立起来的手机，而不像一个生命，时间长了甚至让人烦。

物理动作不一样。一条真的会朝你转过来的“小手臂”、一对真的会挑起来的“眉毛”，是立体的、占空间的、有重量感的——它不是在屏幕里模拟生命，而是在真实空间里做出回应，“活物感”比任何屏幕表情动画都强，人也更愿意与它互动。养过宠物的人都懂：猫打动你的，从来不仅仅是表情，更是它用身体做出的那些小动作。

顺着这个思路再看，OpenAI把“无屏”贯彻得比想象中彻底：它连“脸”都不肯用屏幕做——宁可用机械结构表达情绪，也不给设备装一块会发光的脸。

这一步很重要。

过去的智能音箱是“有嘴的设备”：你叫它，它回答你，逻辑是“等待唤醒”。OpenAI想做的是“有一点身体感的AI”：它在桌面和房间场景里持续存在，知道周围发生了什么，也能用动作、语音和主动提醒表达回应——它观察环境，熟悉用户，判断什么时候该开口。

这不再是传统音箱的逻辑，更接近一个低自由度的桌面机器人。

它还没有手脚，无法替你拿东西、倒水、叠衣服。但它已经具备机器人最早的几项前提：感知环境、理解用户、形成记忆，并通过某种物理动作建立“它在回应你”的存在感。

这就是OpenAI第一款硬件真正值得讨论的地方：AI开始从纯软件，走向物理存在——“灵魂”开始给自己找“身体”。

02 AI有了“大脑”，但还没有身体

过去几年，大模型解决的是“大脑”问题。

ChatGPT证明了AI可以像一个知识丰富、随叫随到的助手一样和人对话：回答问题、写东西、总结邮件、写代码，也能在长对话里逐渐形成对用户偏好的理解。

但它一直缺少一个稳定的物理载体。网页、App、手机都只是窗口——它们让用户进入AI，但并不让AI真正进入生活空间。你一锁屏，它就不在了。

AI眼镜之所以被反复讨论，是因为它看起来最接近“随身载体”：贴着人脸，拥有第一视角，能听见、看见，全天候伴随用户。

但OpenAI没有先选眼镜。

这说明一个很现实的问题：第一视角很重要，佩戴成本也很高。脸，是人身上最挑剔的位置。眼镜要在几十克的重量里解决电池、发热、通信、拍摄、音频和佩戴舒适，还要面对公共场合摄像头带来的隐私压力。用户愿不愿意为了AI把一副设备长期戴在脸上，行业内至今仍有分歧。

桌面设备绕开了这些约束。它可以更重，可以有更大的电池、更好的散热，也不需要回答“戴出去自不自然”。它先不追求随身，而是追求稳定存在。

所以，OpenAI把第一站放在桌面上，不是退而求其次，而是先易后难：先让AI学会陪人，再让它学会跟人走，甚至替人干体力活。它要先验证：当AI拥有环境感知、长期记忆、主动服务和一点点身体感之后，人会不会把它当成新的生活入口。

03 那为什么不是人形机器人？

从“AI需要物理载体”这个角度看，另一个问题也很自然：为什么不直接做一台真正的机器人？

答案是：物理世界比语言世界难得多。

李飞飞近年反复强调“空间智能”的重要性，她创办的World Labs做的正是世界模型方向。所谓空间智能，不是让AI看懂图片，而是让它理解三维世界：物体之间的关系、空间里的遮挡、一个动作会带来什么后果。

这恰恰是机器人最难的地方。

大模型说错一句话，可以重来；机器人伸手去拿杯子，会不会捏碎？聊天机器人理解错语义，最多答非所问；机器人理解错物理世界，可能撞倒家具、碰到孩子、打翻热水。

在语言世界里犯错，删掉重来就好；在物理世界里犯错，可能就是一场事故。

自动驾驶已经足够难，但道路至少是相对结构化的空间。家庭环境更混乱：地毯、玩具、宠物、老人、小孩、玻璃杯、插线板、半开的柜门——每个家庭都不一样，每一天也不一样。

所以当下的AI，更擅长的仍然不是体力劳动，而是脑力劳动和情绪陪伴。它更适合先做家庭顾问、日程管家、信息助手和陪伴者，而不是立刻成为四肢健全的家务机器人。

三种物理载体的难度排序，OpenAI看得很清楚：

大机器人要求AI先学会和复杂物理世界打交道；眼镜要求AI先变成一件用户愿意长期佩戴的产品；桌面小机器人，则让OpenAI先验证“一个有身体感的AI伴侣”是否成立。

04 感知在哪里，才是真正的分界线

对AI眼镜行业来说，OpenAI这条路线是一次重量级的验证。

它在用最重的资源，验证AI眼镜赖以成立的那些底层方向：无屏交互、自然语音、环境理解、长期记忆、主动服务和人格化反馈。尤其是无屏——OpenAI放弃了图形界面，要的不是“更小的手机屏幕”，而是更自然、更低打扰的交互。

但更值得注意的，是OpenAI留下的东西：摄像头。

屏幕可以争论，感知没有人放弃。AI要与物理世界交互，必须先有眼睛——这一点上，桌面派和眼镜派罕见地站在同一边。

这也是一批有AI基因的公司的共识。XR研究院创始人朱殿荣曾问过乐奇Rokid创始人&CEO祝铭明：会不会像逸文（Even Realities）那样，出一个去掉摄像头的版本，换更轻的重量？祝铭明的回答是一句反问：我们要的是AI与物理世界充分交互——没有“眼睛”（指摄像头），拿什么交互？

据AR圈了解，阿里千问、豆包团队的思路也类似：在他们的产品答案里，没有“无摄像头眼镜”这个选项。

一个共识正在成形：屏幕可以暂缓，视觉感知不能缺席。

真正的分界线由此清晰：不是有屏无屏，而是感知在哪里。

桌面设备的眼睛守着固定的空间——客厅、卧室、厨房或办公室，你把它放在哪，它就看见哪，但看不见你离开之后的一整天；眼镜的眼睛跟着人走，拥有第一视角和全天候感知——这是桌面形态结构性给不了的东西。

眼镜要做的，是把这个感知优势兑现成一件用户愿意天天戴的产品。重量、续航、发热、社交压力，一样都躲不掉。但眼镜手里有一张其他设备给不了的牌：第一人称视角。眼镜上的摄像头让AI站在人的位置看世界——看人所看、见人所见，进而理解人是如何与这个世界交互的。只要这层价值成立，眼镜在AI硬件版图里的位置，就不是可有可无的。

OpenAI先从桌面开始，是对AI伴侣能力的低约束验证；AI眼镜接下来要证明的，是这套能力进入第一视角之后，能创造桌面给不了的价值。

05 桌面不是终点，是第一站

每一代计算设备，都要先找到自己该待的位置：PC占住了书桌，手机住进了口袋，耳机钻进耳朵。

到了AI时代，问题更进了一步——不只是待在哪里，还包括物理载体长什么样。候选答案一下子变多了：桌面设备、眼镜、徽章、机器人，甚至未来的汽车和家电。

OpenAI给出的第一个选择：一台待在桌面上的“小机器人”。

彭博社披露，OpenAI硬件部门约有五条产品线，长期方向包括一台可能替代智能手机的移动AI设备；而据XR研究院消息，OpenAI实际规划的形态比这更多——除了这台桌面“小机器人”，还有一款类似徽章、或者无表带手表的设备，也有眼镜，只是发布的先后次序不同。

这句话对AI眼镜行业的分量，比彭博社的整篇报道都重：OpenAI不是没有眼镜，而是眼镜当前的挑战有点大。

如果桌面AI伴侣这套关系成立，OpenAI就会把它带到更多形态里：移动设备、可穿戴设备、眼镜、机器人，甚至某种新的个人终端。当然，前提是它先迈过两道坎——隐私授权要能让用户放心把它请到身边，苹果申请的禁令没有把它按在实验室里。

真正的悬念不在于它是不是音箱，而在于人愿不愿意接受：一个有“眼睛”的AI，待在家里、办公室甚至车上，看着你的生活、记住你的习惯，在你没叫它的时候先开口——不再是一个网页窗口，而是你的“家庭成员”或者“同事”。