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

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

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

2025年11月，Generalist發(fā)布首款模型GEN-0，首次驗證了具身智能領域的Scaling Law（縮放定律），將物理人工智能模型帶入預訓練時代，被業(yè)內視為機器人領域的“ChatGPT時刻”。

通過繼續(xù)擴大數(shù)據與算力規(guī)模，并疊加預訓練、后訓練、強化學習、多模態(tài)人類引導以及推理階段優(yōu)化等技術改進，Generalist表示，GEN-1 開始展現(xiàn)出更接近“任務掌握（mastery）”的能力。

速度是此次模型更新的重點。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；在手機入殼封裝任務上，GEN-1耗時15.5秒，速度是前代最優(yōu)模型的2.8倍。

在 Generalist看來，GEN-1模型的一個核心突破在于訓練數(shù)據的路徑不同。據稱，過去不少成功率超過90%的通用機器人模型往往依賴大規(guī)模成本較高的遙操作數(shù)據。GEN-1的基礎預訓練階段使用的數(shù)據主要來自通過低成本可穿戴設備采集的人類活動數(shù)據。

按照官方說法，這種做法的意義在于：模型在接觸真機機器人之前，已經通過大規(guī)模人類活動數(shù)據建立起對物理世界的初步理解，因此在遷移到具體機器人任務時，對真機數(shù)據的依賴明顯下降。

Generalist 稱，在部分測試中，GEN-1可以用約GEN-0十分之一的專項訓練數(shù)據和微調步驟，達到與 GEN-0 相近的性能；而此次展示出的各項結果，每項僅使用了約 1 小時機器人數(shù)據完成適配。

這也是 Generalist 反復強調的一點：在較低真機數(shù)據成本下，把能力遷移到新的任務和新的機器人本體上。若這一點成立，機器人模型的訓練與部署成本就有望繼續(xù)下降。

過去幾十年，工業(yè)機器人的高可靠性建立在嚴格的環(huán)境控制之上，一旦環(huán)境偏離預設便無法工作。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，才能換來并不理想的成功率。GEN-1的高度穩(wěn)定性，意味著它無需復雜的系統(tǒng)設計，就能在不同任務、不同系統(tǒng)、不同環(huán)境中實現(xiàn)高頻且可重復的穩(wěn)定操作，這是商業(yè)化部署的關鍵。

不過，Generalist也坦言，GEN-1目前僅部分精細操作任務實現(xiàn)99%以上成功率，并非所有測試任務都能達標；部分落地場景還需進一步提升任務成功率與運行速度。研發(fā)團隊預計，下一代模型將攻克更多高復雜度實操任務，同時隨著基礎模型迭代，單項任務所需訓練數(shù)據量將持續(xù)降低。