硅谷公司悄悄改變一切！機器人學會物理常識，工作方式更像人類

這家原本低調的硅谷機器人 AI 公司，可能很難再低調下去了。

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模型 GEN-1。

效果相當驚人：

來自官方賬號

先看數據。

相較上一代 Gen-0 平均 64% 的成功率，GEN-1 在多項任務中已經做到 99%，包括 T 恤折疊、吸塵器維護等操作，能夠連續運行數百次而無需人工干預。

簡單來說，現在機器人已經不是大概率 work，而是「每次都能 work」了。 在工業場景里，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中，如果一個墊圈被碰歪了、已經抓不穩，機器人不會直接判定任務失敗，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整姿態，甚至會換另一只手，用雙手一起重新抓穩。

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

官方博客指出，這些行為其實都不在它原本訓練的數據范圍內，但正是這些「臨場發揮」，讓機器人能夠應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「執行」，而是在一定程度上「理解怎么執行」。

這一能力背后，依然是「規模 + 數據」的路徑。

GEN-1 的訓練基于超過 50 萬小時數據，全是人類佩戴動捕設備，在真實環境中完成各種日常操作，形成的大規模數據集。

因此，他們不再把機器人當作高度定制的機械系統，而是當作一個可以持續擴展、不斷訓練的模型系統來構建，通過擴大模型規模、堆疊數據、反復迭代，去逼近通用能力。

但問題也隨之而來，而且行業幾乎已經達成共識：機器人缺的，不是模型，而是數據。

與互聯網不同，現實世界并不存在一個「可抓取的數據源」。沒有人會系統記錄「東西卡住了該怎么處理」這種細碎卻關鍵的經驗。

于是，數據本身成了最大瓶頸。

Generalist 的解法，是把人直接變成數據系統。他們設計了一種「數據手」設備，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。

這些數據來自家庭、倉庫等真實環境，規模已經超過 50 萬小時。目標也很明確：不是記住任務，而是學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境來生成數據。

當然，也有爭議。

比如，曾負責亞馬遜機器人業務的 Brad Porter 就指出，如果底層架構不成熟，單純堆數據不僅成本極高，也未必有效。歷史已經反復證明，規模擴張往往需要與關鍵架構突破同時發生。

爭議之外，資本已經率先投票。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）共同創立，此前一直表現得十分低調。

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：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，本質上是一種范式切換：機器人，正在從「被編排執行任務」，走向「通過數據學習如何應對世界」。

而像 Generalist 這樣的玩家，試圖證明一件事：當模型、數據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。