文婷 发自 凹非寺
量子位 | 公众号 QbitAI
哇，Generalist的融资进度条怕是开了2倍速外挂，这也发展得太快了吧！
我可没有使用夸张手法，据Axios报道，继今年6月Generalist完成4亿美元（28.7亿元）B轮融资，跻身独角兽行列之后不到三个月，Generalist又悄然完成了新一轮2亿美元（约14.4亿元）融资，最新估值已超20亿美元大关（约143.6亿元）。
英伟达、贝索斯旗下的Bezos Expeditions以及“AI教母”李飞飞都赫然在其股东行列。
Generalist是一家专注于给机器人“打造通用大脑”的AI公司，2024年创立于美国旧金山湾区，该公司由前Google DeepMind研究员Pete Florence、Andy Zeng和前Boston Dynamics工程师Andrew Barry共同创立。
△图源Generalist官网
Forge显示，截至发稿，Generalist已先后完成了4轮融资，融资额约达7.5亿美元（约53.9亿元），投资方包括英伟达、Boldstart Ventures、小米联合创始人林斌、李飞飞、Naval Ravikant和Zoom创始人袁征等。
Generalist既不发布炫酷的人形机器人本体，也不靠机械臂订单讲故事，他们仅仅凭借着来自Google DeepMind、OpenAI和Boston Dynamics的团队背景，以及GEN-1.5所展示的“不需要重新训练、一次示范即可让机器人学会新任务”的强大泛化能力迅速出圈，一跃成为具身智能赛道备受瞩目的新星，并在短短两个月内接连斩获约6亿美元（约43.08亿元）融资。
那么这家公司究竟是什么来头？GEN-1.5的泛化能力究竟强在哪里？投资者们看中的是Generalist的哪一点？
看完你就知道了：
不用重新训练，演示一次就能上手如果说传统工业机器人是只会照固定菜谱做菜的厨师，那么Generalist最新发布的GEN-1.5，更像一个看过师傅操作一遍，就能立刻接手的新学徒。
过去，机器人上岗前都得先经历一次漫长的“岗前开发”，它们解决问题的方式也都基本遵循着“一景一策”的规律，在产线上拧螺丝是一套程序，转去分拣零件又是另一套程序；
哪怕任务没变，只是物体位置、形状或工具发生变化，也可能随时需要工程师重新采集数据、调参数、做训练。
而GEN-1.5正试图把这道部署机器人的门槛，从“请工程师重新开发”，降到“现场人员示范一次”。
在Generalist的演示视频中，工作人员只需用手持夹爪或机器人演示一次，模型就能把3至12秒的传感器与动作数据作为“物理提示词”，直接理解任务并开始操作，全程不需要梯度更新或微调。
比如拧开玻璃罐、拉开笔袋拉链、把方块扫进碗里，乃至使用此前没见过的刷子和簸箕，它都能根据示范现场组织动作。
当然了，GEN-1.5目前还没有神到看一眼就百发百中。
官方测试显示，它在10类简单、短时任务上的单次示范平均成功率为59%；如果使用约5分钟数据、进行10个梯度更新步骤的微调，成功率可升至83%。
这个成绩谈不上完美，但它证明了一件更重要的事：机器人的任务适配，有机会从以月计算压缩到以秒计算。
资本看中的，可能也正是这种成为机器人通用底座的可能性。
对客户而言，同一套模型可以更快进入不同工厂、仓库和实验室，减少工程部署、数据采集与停线调试的成本。
对投资人而言，Generalist卖的不是某一台机器人，他们卖的是运行在不同硬件之上的智能层，市场边界自然更大。
而对Generalist自身来说，通用能力还能推动数据飞轮转起来：
模型越强，能够进入的真实业务越多；部署越多，获得的物理交互数据越丰富；新数据再反过来训练下一代模型。
最终，GEN-1.5想做的是让机器人获得持续学习和工作的能力。而这种“以秒级适配替代月级开发”的能力，并非凭空而来，它恰恰源于Generalist创始团队对机器人行业痛点的十年体感。
一群DeepMind、Boston Dynamics老兵，创业训练“机器人大脑”Generalist的创始团队，几乎把机器人产业最关键的两种能力凑齐了。
CEO Pete Florence是MIT计算机科学博士，师从机器人学家Russ Tedrake，曾任Google DeepMind高级研究科学家，参与开创视觉、语言、动作模型，并训练过DeepMind首个多模态大模型。
△CEO Pete Florence
首席科学家Andy Zeng本科毕业于加州大学伯克利分校，主修计算机科学与数学，后在普林斯顿大学取得计算机科学博士学位。
他曾担任Google DeepMind研究科学家，不仅研究过能自己编写代码的机器人，还发明了用手持夹爪大规模采集机器人数据的方法。
△首席科学家 Andy Zeng
负责把想法真正塞进机器身体里的，是CTO Andrew Barry。
他本科毕业于欧林工学院，在MIT取得博士学位，研究方向包括机器人控制与高速自主避障；
加入Generalist之前，他曾在Boston Dynamics工作约5年，担任高级机器人专家，参与开发机器狗Spot的机械臂。
换句话说，他不只知道模型应该输出什么，还知道机器人在真实世界里怎样运动才不摔、不抖、不卡壳。
△CTO Andrew Barry
这三个人不是看到AI火了，才临时组队追风口，他们此前十多年的工作，恰好都指向机器人产业的同一个瓶颈：
硬件已经能跑、能跳、能抓取，真正限制落地的，是机器人的“大脑”跟不上“身体”。
DeepMind带来的，是模型对不同任务、物体和场景的泛化能力；
Boston Dynamics带来的，则是对机械结构、控制系统和真实环境的“体感”。
这也是Generalist选择训练机器人通用大脑，而不是押注某一款机器人本体的原因，他们深知，只有模型与硬件同时过关，机器人才能从实验室演示走向工厂和仓库。
否则，模型再漂亮，也可能只是多发几篇Paper；机器人动作再炫，也依然只能完成预先编排好的节目。
不过，GEN-1.5目前仍有很大的进步空间。
看一遍就会，不等于已经能上班不过，看一遍就会，并不意味着GEN-1.5已经能直接进厂上班。
Generalist主动给这项能力踩下了刹车。官方技术博客表示，目前团队测试的大多是拧罐盖、拉拉链、抓取物品等简单、短时任务。
GEN-1.5在10类任务上的单次演示平均成功率为59%，距离生产线要求的长时间、低故障稳定运行还有明显差距。
真正进入工厂后，机器人还要面对物料差异、设备磨损、人员干扰和突发故障，难度远高于实验室演示。
更重要的是，“一次演示学会”解决的主要是任务适应问题，并不自动等于低成本商业化。
而且机器人能否大规模部署，还取决于硬件价格、运行速度、维护成本、安全性以及系统集成能力。即使模型学得快，如果机械臂昂贵、故障频繁，或者每次部署仍需要大量工程调试，商业账依旧算不过来。
但GEN-1.5的价值，也不该只用当下的成功率衡量。
GEN-1.5的出现证明了机器人有机会像大模型理解文本提示一样，通过几秒钟的“物理提示”迅速理解新工作。
它虽然尚未把机器人送上长时间运转的生产线，却已经在推动让机器人学习新任务的速度从按月计算，缩短到按秒计算。
从“每个任务开发一套程序”，走向“同一个模型学习不同任务”，这才是GEN-1.5更值得关注的地方。
它未必已经是一名合格工人，但至少展示了未来通用机器人大脑可能具备的学习方式。
从这个意义上看，GEN-1.5眼下更像一张通往通用机器人的路线图，而不是一份已经成熟的产品说明书。
真正让市场兴奋的，不仅是它今天能做多少事，更是它展示了机器人持续学会更多事情的可能。
通用机器人，开始上路
如果说过去的机器人公司都在争当“单项冠军”，Generalist讲给资本听的，则是一个关于“机器人通才”的故事。
当机械臂能抓、能放、能拧已经不再稀奇，资本关注的标准也随之改变。
比起一台机器人预先学会了多少动作，市场更在意的，是它学习新动作究竟有多快、需要多少数据，又要付出多高的部署成本。
尽管GEN-1.5在完成从“看一遍就会”到“每天稳定干八小时活”的蜕变之路上还有很长的路要走，但Generalist至少验证了一种可能，即机器人不必永远困在“一景一策”里，它也可以依靠通用模型，像人一样快速适应陌生任务。
而当机器人学习新技能的时间从数月缩短到几秒，边际成本逐渐趋近于零，真正需要被重新定义的，或许就不只是机器人产业。
届时，人类劳动者的核心价值，又会落在哪里？
这个问题，可能比GEN-1.5本身更值得讨论。
参考链接：
[1]https://www.axios.com/2026/08/24/robotics-ai-generalist-200m[2]https://forgeglobal.com/generalist_stock/[3]https://generalistai.com/blog/gen-1.5[4]https://generalistai.com/about[5]https://www.peteflorence.com/[6]https://andyzeng.github.io/[7]https://abarry.org/— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一时间获知前沿科技动态
小麦策略提示：文章来自网络，不代表本站观点。
