英伟达李飞飞林斌押注具身智能公司 Generalist 再融 2 亿美元

具身智能公司 Generalist 在不到三个月内完成了第二轮大额融资：继今年 6 月 4 亿美元 B 轮、跻身独角兽之后，公司又悄然完成 2 亿美元（约 14.4 亿元）新一轮融资，最新估值突破 20 亿美元（约 143.6 亿元）。英伟达、贝索斯旗下 Bezos Expeditions、「AI 教母」李飞飞、小米联合创始人林斌均出现在股东行列。这家成立于 2024 年的旧金山湾区公司专注于为机器人打造「通用大脑」，由前 Google DeepMind 研究员 Pete Florence、Andy Zeng 与前 Boston Dynamics 工程师 Andrew Barry 共同创立。

融资历程与资方阵容

据 Axios 报道与 Forge 数据，截至发稿 Generalist 已先后完成 4 轮融资，累计金额约 7.5 亿美元（约 53.9 亿元）。投资方横跨科技巨头创始人基金、顶级 VC 与产业方代表：

• 产业方：英伟达、小米联合创始人林斌
• 个人投资人：「AI 教母」李飞飞、Naval Ravikant、贝索斯、Zoom 创始人袁征
• VC 机构：Boldstart Ventures

值得一提的是，Generalist 既不发布人形机器人本体，也不依赖机械臂订单，其估值跃升主要来自团队背景与技术叙事。

GEN-1.5：用一次示范教会机器人新任务

Generalist 最新的技术成果是 GEN-1.5。与传统工业机器人「一景一策」的部署方式不同，GEN-1.5 可让现场人员通过手持夹爪或机器人演示一次，将 3 至 12 秒的传感器与动作数据当作「物理提示词」，直接让模型理解并执行任务，全程不需要梯度更新或微调。

官方公布的测试数据显示：

• 10 类简单短时任务单次示范平均成功率 59%
• 使用约 5 分钟数据并做 10 个梯度更新步骤的微调后，成功率可升至 83%

演示案例涵盖拧开玻璃罐、拉开笔袋拉链、把方块扫进碗里、使用未见过的刷子和簸箕等。官方技术博客也指出，「一次示范学会」主要解决任务适应问题，与生产线所要求的长时间、低故障稳定运行之间仍有明显距离。

创始团队：DeepMind + Boston Dynamics 组合

Generalist 三位创始人在机器人领域的经验恰好覆盖了「模型」与「硬件」两个关键维度：

• CEO Pete Florence：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
• 首席科学家 Andy Zeng：UC Berkeley 本科、普林斯顿博士；曾任 DeepMind 研究科学家，研究过能自主编写代码的机器人，并发明了用夹爪大规模采集数据的方法
• CTO Andrew Barry：欧林工学院本科、MIT 博士；曾在 Boston Dynamics 工作约 5 年，担任高级机器人专家，参与开发 Spot 机械臂

这种组合让团队既理解模型的泛化能力，也理解真实机器人系统在硬件、控制与环境层面的工程约束——这正是 Generalist 选择做「通用大脑」而非押注某一台机器人本体的底层原因。

商业逻辑：卖「智能层」而非卖「机器人」

Generalist 的商业逻辑并不依赖某一款机器人本体，而是把模型作为可运行在不同硬件之上的智能层。其叙事核心是：模型越强，能进入的真实业务越多；部署越多，物理交互数据越丰富；新数据再反哺下一代模型，形成数据飞轮。

在传统机器人部署模式下，每次换产线或换任务往往需要数月开发；而 GEN-1.5 试图把任务适配从「工程师重新开发」压缩到「现场人员示范一次」，对客户而言可以显著减少工程部署、数据采集与停线调试的成本。

局限与展望

GEN-1.5 目前仍有明显局限：测试任务以简单短时动作为主，单次示范成功率尚未达到工业级标准，且「一次示范学会」并不自动等同于低成本商业化。机器人能否大规模部署，最终还要看硬件价格、运行速度、维护成本与系统集成能力。

但更值得关注的是其展示的方向：机器人学习新任务的速度，有机会从「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」。这一路线若被验证为可行，重新定义的或许将不止是机器人产业本身。