這家原本低調(diào)的硅谷機器人 AI 公司，可能很難再低調(diào)下去了。

今天，正試圖把大模型那一套，完全搬進機器人世界的 Generalist。首次對外披露其最新一代基礎(chǔ)模型 GEN-1。

效果相當(dāng)驚人：

來自官方賬號

先看數(shù)據(jù)。

相較上一代 Gen-0 平均 64% 的成功率，GEN-1 在多項任務(wù)中已經(jīng)做到 99%，包括 T 恤折疊、吸塵器維護等操作，能夠連續(xù)運行數(shù)百次而無需人工干預(yù)。

簡單來說，現(xiàn)在機器人已經(jīng)不是大概率 work，而是「每次都能 work」了。 在工業(yè)場景里，這一點往往比單次成功更重要。

效率上，同樣是上臺階的提升。以箱體折疊為例，執(zhí)行時間從 34 秒縮短至 12 秒，速度提升約 3 倍。

最值得注意的，不是更快，而是「更像人」。GEN-1 開始展現(xiàn)出一種被稱為「物理常識」的能力。

比如，在一個長流程的汽車零件裝配任務(wù)中，如果一個墊圈被碰歪了、已經(jīng)抓不穩(wěn)，機器人不會直接判定任務(wù)失敗，而是會自己想辦法：要么先把它放回去重新抓，要么把它先插進縫里借力調(diào)整姿態(tài)，甚至?xí)Q另一只手，用雙手一起重新抓穩(wěn)。

對于一些比較軟、容易變形的大物體，如果形狀變得很「奇怪」、超出預(yù)期，模型也能自己想辦法恢復(fù)到可操作的狀態(tài)。

官方博客指出，這些行為其實都不在它原本訓(xùn)練的數(shù)據(jù)范圍內(nèi)，但正是這些「臨場發(fā)揮」，讓機器人能夠應(yīng)對各種意料之外的長尾情況。

對工程師來說，這意味著一件事：機器人開始不只是「執(zhí)行」，而是在一定程度上「理解怎么執(zhí)行」。

這一能力背后，依然是「規(guī)模 + 數(shù)據(jù)」的路徑。

GEN-1 的訓(xùn)練基于超過 50 萬小時數(shù)據(jù)，全是人類佩戴動捕設(shè)備，在真實環(huán)境中完成各種日常操作，形成的大規(guī)模數(shù)據(jù)集。

因此，他們不再把機器人當(dāng)作高度定制的機械系統(tǒng)，而是當(dāng)作一個可以持續(xù)擴展、不斷訓(xùn)練的模型系統(tǒng)來構(gòu)建，通過擴大模型規(guī)模、堆疊數(shù)據(jù)、反復(fù)迭代，去逼近通用能力。

但問題也隨之而來，而且行業(yè)幾乎已經(jīng)達成共識：機器人缺的，不是模型，而是數(shù)據(jù)。

與互聯(lián)網(wǎng)不同，現(xiàn)實世界并不存在一個「可抓取的數(shù)據(jù)源」。沒有人會系統(tǒng)記錄「東西卡住了該怎么處理」這種細碎卻關(guān)鍵的經(jīng)驗。

于是，數(shù)據(jù)本身成了最大瓶頸。

Generalist 的解法，是把人直接變成數(shù)據(jù)系統(tǒng)。他們設(shè)計了一種「數(shù)據(jù)手」設(shè)備，讓人以類似機器人夾爪的方式完成操作，同時記錄視覺和動作信息。

這些數(shù)據(jù)來自家庭、倉庫等真實環(huán)境，規(guī)模已經(jīng)超過 50 萬小時。目標(biāo)也很明確：不是記住任務(wù)，而是學(xué)會在不同場景下遷移能力。

這一路徑，與另一家熱門公司 Physical Intelligence 形成對照，后者更依賴遙操作與模擬環(huán)境來生成數(shù)據(jù)。

當(dāng)然，也有爭議。

比如，曾負責(zé)亞馬遜機器人業(yè)務(wù)的 Brad Porter 就指出，如果底層架構(gòu)不成熟，單純堆數(shù)據(jù)不僅成本極高，也未必有效。歷史已經(jīng)反復(fù)證明，規(guī)模擴張往往需要與關(guān)鍵架構(gòu)突破同時發(fā)生。

爭議之外，資本已經(jīng)率先投票。Generalist 由 Pete Florence 與谷歌同事曾安迪（Andy Zeng）以及波士頓動力的機器人專家安迪?巴里（Andy Barry）共同創(chuàng)立，此前一直表現(xiàn)得十分低調(diào)。

Generalist 在 2025 年完成 1.4 億美元融資，估值達到 4.4 億美元，其投資者包括 Spark Capital、英偉達旗下的 NVentures、貝佐斯探險公司 Bezos Expeditions 和 Boldstart Ventures。

而 Physical Intelligence 則被曝接近百億美元估值。Jensen Huang 也明確表態(tài)：機器人正在進入「ChatGPT 時刻」。

如果把時間線拉長來看，這一輪具身智能的變化，本質(zhì)上是一種范式切換：機器人，正在從「被編排執(zhí)行任務(wù)」，走向「通過數(shù)據(jù)學(xué)習(xí)如何應(yīng)對世界」。

而像 Generalist 這樣的玩家，試圖證明一件事：當(dāng)模型、數(shù)據(jù)與算力疊加到某個閾值，機器人，也會迎來屬于自己的能力躍遷。