Generalist AI 发布 GEN-1.5，机器人迈入「看一遍就会」时代

8 月 20 日，硅谷机器人公司 Generalist AI 正式发布新一代具身智能基础模型 GEN-1.5。模型可凭借一段 3 至 12 秒的动作演示，无需任何训练或微调即执行任务，在 10 项操作任务上的 one-shot 平均成功率达 59%，few-shot 模式提升至 83%。多位顶尖研究者将这一节点类比为 2020 年 GPT-3 的发布，认为具身智能走到了自己的「GPT-3 时刻」。

核心能力：看一遍即会执行

GEN-1.5 的关键能力被称为「物理提示」（Physical Prompting）：用户将一段包含传感器数据和动作轨迹的真实演示塞入模型 30 秒的上下文记忆窗口，剩余空间用来接收实时环境观测，模型立即尝试执行，全程不涉及任何梯度更新。

在 10 项测试任务中——包括拧开玻璃罐盖、拉开笔袋拉链、从钱包取钱、叠纸、叠杯子、翻手机、用刷子扫积木、打开书本封面、撕开真空垫、清扫垃圾——one-shot（仅看一遍演示、零梯度步骤）平均成功率为 59%（标准差 ±10%），few-shot（5 分钟数据、约 50 次演示、10 个梯度步骤）平均成功率 83%（标准差 ±9%）。作为参照，2020 年 GPT-3 在语言任务上的对应数字约为 45% 与 65%，两组数字结构高度相似。

即兴发挥：能力从预训练中涌现

GEN-1.5 最让研究者震动的并非模仿，而是即兴能力。例如，给定一段用刷子将积木扫入碗中的演示后，将工具替换为一根香蕉，模型会横握香蕉扫动积木；将工具替换为簸箕，模型切换策略，用另一只手把积木推上簸箕再抬起倒入碗中——「扫」与「铲起倒」是两种完全不同的接触序列，训练数据从未教过。Generalist AI 用最近邻语言搜索在约 189 万段预训练场景中检索，未找到类似的簸箕用法。

类似的涌现行为反复出现：

• 碗被纸张盖住时，模型自行掀开纸再放入积木；
• 乐高积木粘在机械手指尖时，模型用另一只手将其拨下；
• 训练数据只演示单手旋转罐盖，模型在部分尝试中自发切换到双手操作；
• 仅被训练放一块积木的模型开始自发按颜色分拣多块积木。

这些能力的共同来源是超大规模预训练。GEN-1.5 已连续预训练超过 8 个月，经历三个训练阶段。官方验证集曲线显示，模型「下一步动作预测误差」持续下降，尚未出现收敛迹象。团队还发现一个反直觉现象：微调的梯度步骤越少，即兴能力反而越强。10 个梯度步骤仅改变模型参数的 0.15%，「更接近于提醒模型一些它几乎已经知道的事情」。

跨越两道鸿沟

GEN-1.5 还展示了两项此前难以实现的跨域能力：

• 仿真到现实迁移：在模拟器中录制一段演示塞入上下文窗口，真实机器人可直接执行，并可泛化到不同机械手和新的物体位置，尽管预训练数据中不含任何仿真数据。
• 人手演示到机械手复现：在部分测试中，研究人员用自己的双手在机器人摄像头前演示动作，机械手随后复现了任务。

Generalist AI 表示，这些能力均非刻意设计——没有专门促进上下文学习的架构改动，没有元学习循环，没有鼓励即兴的辅助训练目标，「它们从大规模物理数据的预训练中自行出现」。

资本与团队背景

Generalist AI 核心团队包括来自谷歌 DeepMind 机器人团队的 Pete Florence 与 Andy Zeng，以及来自波士顿动力的 Andrew Barry。2025 年 6 月，公司完成 4 亿美元融资，由 Radical Ventures 领投，英伟达与 Bezos Expeditions 参投，投后估值 20 亿美元；李飞飞、小米联合创始人林斌、Zoom 创始人袁政均以个人身份参与。消息显示公司正以 30 亿美元估值洽谈新一轮融资。

行业沸腾与理性冷水

GEN-1.5 发布正值具身智能领域最密集的一周：8 月 19 日 WRC 世界机器人大会在北京亦庄开幕（300 余家企业、超过 2000 件展品），同日宇树科技科创板上市开盘报 1100 元/股，市值约 4449 亿元；8 月 22 日第二届世界人形机器人运动会在国家速滑馆「冰丝带」开赛，666 支队伍、2056 台机器人参赛 51 个项目，队伍数量较首届增长 138%。

研究社区反应强烈。Pete Florence 在 X 上写道：「广泛的 one-shot 上下文学习一直是我心中最清晰的目标……现在我看到了将近十年的想象走进现实世界。」卡内基梅隆大学 Chris Paxton 称这「可能是真正的 GPT 时刻」，并表示「操作学习的圣杯毫无疑问就是 one-shot learning」。英伟达机器人技术总监 Jim Fan 分析了涌现能力的两个关键来源：训练数据中自然存在的对称重复动作模式（如反复拧螺丝），以及「失败—恢复—继续」的完整弧线。

但冷静的声音同样存在。Jim Fan 在同一条推文的评论区中补充：「演示目前仍然有点太简单了，还不能下结论。」需要注意的是，所有结果均为 Generalist AI 自行报告，尚未经过独立验证；测试任务仍属简单短程操作，距离真实场景中的长程复杂任务差距明显。

将 GEN-1.5 的位置类比于 2020 年的 GPT-3——「能力粗糙但方向明确，任务简单但 Scaling 趋势清晰」。如果具身智能的 Scaling 曲线确实未见收敛，下一轮竞争的核心资源将变成谁拥有足够多的物理交互数据，这与 2021 年大语言模型领域进入数据争夺战的剧本，如出一辙。