美國Generalist公司發(fā)布新一代具身模型GEN-1。圖片來源：公司官網(wǎng)

4月2日，美國AI機(jī)器人公司Generalist AI（以下簡(jiǎn)稱“Generalist”）推出了GEN-1模型，該模型將各類簡(jiǎn)易物理操作任務(wù)平均成功率從64%提升至 99%，被視為機(jī)器人學(xué)習(xí)規(guī)?；l(fā)展的最新里程碑。 

Generalist是一家成立于2024年的AI機(jī)器人公司，總部位于美國加州圣馬特奧，由前谷歌DeepMind高級(jí)研究科學(xué)家Pete Florence（皮特·弗洛倫斯）聯(lián)合創(chuàng)立。該公司聚焦于開發(fā)具身智能基礎(chǔ)模型。

2025年11月，Generalist發(fā)布首款模型GEN-0，首次驗(yàn)證了具身智能領(lǐng)域的Scaling Law（縮放定律），將物理人工智能模型帶入預(yù)訓(xùn)練時(shí)代，被業(yè)內(nèi)視為機(jī)器人領(lǐng)域的“ChatGPT時(shí)刻”。

通過繼續(xù)擴(kuò)大數(shù)據(jù)與算力規(guī)模，并疊加預(yù)訓(xùn)練、后訓(xùn)練、強(qiáng)化學(xué)習(xí)、多模態(tài)人類引導(dǎo)以及推理階段優(yōu)化等技術(shù)改進(jìn)，Generalist表示，GEN-1 開始展現(xiàn)出更接近“任務(wù)掌握（mastery）”的能力。

速度是此次模型更新的重點(diǎn)。GEN-1完成箱體組裝僅需12.1秒，此前最優(yōu)模型完成同款箱體組裝需約34秒；在手機(jī)入殼封裝任務(wù)上，GEN-1耗時(shí)15.5秒，速度是前代最優(yōu)模型的2.8倍。

在 Generalist看來，GEN-1模型的一個(gè)核心突破在于訓(xùn)練數(shù)據(jù)的路徑不同。據(jù)稱，過去不少成功率超過90%的通用機(jī)器人模型往往依賴大規(guī)模成本較高的遙操作數(shù)據(jù)。GEN-1的基礎(chǔ)預(yù)訓(xùn)練階段使用的數(shù)據(jù)主要來自通過低成本可穿戴設(shè)備采集的人類活動(dòng)數(shù)據(jù)。

按照官方說法，這種做法的意義在于：模型在接觸真機(jī)機(jī)器人之前，已經(jīng)通過大規(guī)模人類活動(dòng)數(shù)據(jù)建立起對(duì)物理世界的初步理解，因此在遷移到具體機(jī)器人任務(wù)時(shí)，對(duì)真機(jī)數(shù)據(jù)的依賴明顯下降。

Generalist 稱，在部分測(cè)試中，GEN-1可以用約GEN-0十分之一的專項(xiàng)訓(xùn)練數(shù)據(jù)和微調(diào)步驟，達(dá)到與 GEN-0 相近的性能；而此次展示出的各項(xiàng)結(jié)果，每項(xiàng)僅使用了約 1 小時(shí)機(jī)器人數(shù)據(jù)完成適配。

這也是 Generalist 反復(fù)強(qiáng)調(diào)的一點(diǎn)：在較低真機(jī)數(shù)據(jù)成本下，把能力遷移到新的任務(wù)和新的機(jī)器人本體上。若這一點(diǎn)成立，機(jī)器人模型的訓(xùn)練與部署成本就有望繼續(xù)下降。

過去幾十年，工業(yè)機(jī)器人的高可靠性建立在嚴(yán)格的環(huán)境控制之上，一旦環(huán)境偏離預(yù)設(shè)便無法工作。早期的端到端模型雖然靈活，但極不穩(wěn)定，往往需要投入大量昂貴的遙控操作數(shù)據(jù)，才能換來并不理想的成功率。GEN-1的高度穩(wěn)定性，意味著它無需復(fù)雜的系統(tǒng)設(shè)計(jì)，就能在不同任務(wù)、不同系統(tǒng)、不同環(huán)境中實(shí)現(xiàn)高頻且可重復(fù)的穩(wěn)定操作，這是商業(yè)化部署的關(guān)鍵。

不過，Generalist也坦言，GEN-1目前僅部分精細(xì)操作任務(wù)實(shí)現(xiàn)99%以上成功率，并非所有測(cè)試任務(wù)都能達(dá)標(biāo)；部分落地場(chǎng)景還需進(jìn)一步提升任務(wù)成功率與運(yùn)行速度。研發(fā)團(tuán)隊(duì)預(yù)計(jì)，下一代模型將攻克更多高復(fù)雜度實(shí)操任務(wù)，同時(shí)隨著基礎(chǔ)模型迭代，單項(xiàng)任務(wù)所需訓(xùn)練數(shù)據(jù)量將持續(xù)降低。