Generalist 发布 GEN-1.5：物理 AI 接近「GPT-3 时刻」

具身智能公司 Generalist 正式发布 GEN-1.5 基座模型，展示了一项被研究者称为「圣杯」的新能力——物理提示（physical prompting）：研究人员只用一只简易夹爪示范一次 3 到 12 秒的操作，机器人不进行任何参数更新，便能在新位置和新初始状态下尝试同一项任务。曾参与 Google DeepMind Gemini Robotics 的研究者 Ted Xiao 认为，这是机器人领域迄今最好的「看一次就能学」结果，让他想起第一次使用 GPT-3 的感受。

「物理提示」与直接泛化

GEN-1.5 展示了三种学习与使用新能力的方式。第一种是面对没见过的变化直接换一种办法：学过把积木放进碗，遇到碗被盖住会先移开盖子；乐高卡在夹爪上会用另一只手取下；学过单手开罐，有时会换成双手开。任务本身学过，变化没有学过，模型直接对新工具、新障碍和意外情况做出泛化。

第二种是只看一次示范就开始做新任务。Generalist 把这种机制称为「physical prompting」，与给大语言模型一段提示词类似：示范没有被训练进模型，只是临时告诉它「这一次要做什么」。在 10 项新任务上，一次提示的平均成功率为 59%。提示还可以组合——分别示范两个任务，GEN-1.5 会把它们接成连续动作，并补上示范里没有的调整位置、换手和重新抓取；来自模拟器的动作也可以提示现实中的机器人，人用双手示范时，机器人也会尝试复现。

第三种是用几分钟数据把新任务学得更稳。研究人员提供 1 到 5 分钟、约 10 到 50 次演示，再调整 1 到 10 次模型参数。使用约 5 分钟数据和 10 次调整时，10 项任务的平均成功率可从 59% 提高到 83%。这仍然是训练，但已经从过去的数百次调整压缩到几次。

训练梯度从数百次压缩到 0 次

GEN-1.5 与 GEN-1 几乎同时启动，连续预训练超过八个月。随着训练推进，新任务所需的参数调整从数百次降到数十次、10 次，再降到 1 次，最后变成 0 次。即便调整 10 次，模型内部参数的整体变化也不到 0.15%。用 Generalist 的说法，这已经不像从头学习，更像是在提醒模型一件它几乎已经会做的事。

GEN-1.5 同时处理视频、其他传感器、语言和机器人状态。示范被放进 30 秒上下文窗口，其余空间持续加入机器人最新看到的画面；模型以 100Hz 输出动作轨迹，并在执行中继续观察和修正。预训练数据只是从家庭、仓库和工厂活动中随机截取的连续片段，测试时突然插入一段来自别处的动作——原本不是训练中刻意安排过的形式——模型却知道应该接着做。

至于为什么会出现这种能力，Generalist 尚未给出确定答案。一种猜测是，人类工作中天然充满重复：拧完一颗螺丝通常还要拧下一颗。另一部分线索来自失败，人会失手、调整、重新抓起物体后继续工作。如果这些不完美的过程没有被在数据清洗时剪掉，模型看到的就是完整的「失误—修正—继续」。英伟达机器人研究负责人 Jim Fan 认为，这可能正是 GEN-1.5 会恢复和换办法的重要原因。

Generalist 的 scaling 路线与数据飞轮

Generalist 成立于 2024 年，三位联合创始人 Pete Florence 和 Andy Zeng 来自 Google DeepMind，曾参与 PaLM-E、RT-2 等具身模型；Andrew Barry 曾是 Boston Dynamics 资深研究员，团队成员还来自 OpenAI、自动驾驶和其他机器人公司。公司不打算再造一款明星人形机器人，而是想训练一套可以进入不同机械臂、夹爪和工具的底层智能。

公司过去两年的核心押注是「物理智能也可以 scaling」。2025 年 11 月发布 GEN-0 时，公司已积累超过 27 万小时真实操作数据，每周仍在增加约 1 万小时；用不同规模模型反复实验后，发现 10 亿参数很快学不动，60 亿参数开始明显受益，70 亿参数以上海量物理经验才能更稳定地迁移到新任务。GEN-0 随后被扩大到 100 亿参数以上，扩大预训练后 16 组新任务的动作预测误差同时下降。

到 2026 年 4 月的 GEN-1，数据已超过 50 万小时。使用约 1 小时机器人任务数据后，一组简单任务的平均成功率从 GEN-0 的 64% 提升到 99%，折盒和手机包装等任务速度提高到此前系统的约 3 倍。GEN-1 约 99% 的参数从头训练，并不依附 Gemini、GPT 等语言图像模型——公司认为，当真实操作数据达到几十万小时，模型可以主要从物理经验中建立能力。

数据采集路线更接近 UMI：让人手持带相机的「机器人手」直接在家庭、仓库和工厂里干活，再把动作转换成机器人可学习的数据。公司已公开数千套低成本采集硬件，并称训练系统一天可读取相当于 6.85 年的人类操作经验。今年 7 月，Generalist 还为 GEN-1 接入五指手、夹钳、电动螺丝刀、打蛋器等不同工具，以及约 9000 种标准夹爪改装形态。

资本押注与「GPT-3 时刻」的边界

今年 6 月，Generalist 完成 4 亿美元融资，累计融资超 5 亿美元，估值达 20 亿美元，由 Radical Ventures 领投，英伟达、Bezos Expeditions、8VC、Union Square Ventures、Norwest 和 Spark Capital 等参与。早期投资方 Boldstart 强调的核心是 Generalist 的「数据手」以及由此建立的数据循环。

在中国端，鹿明机器人联合 CTO 丁琰估算，即便完全照着 Generalist 已公开的采集方式重建，仅制造采集硬件就需要四到六个月；若要积累 27 万小时数据，至少需要约 1000 人持续采集大半年甚至一年，「半年到一年追上」对一个刚起步的团队来说都过于乐观。深度机智创始人陈凯提到，Generalist 用大规模人类操作数据展示出模型能力，又以 27 万小时数据跑出清晰的 scaling 结果，原本被认为难以迁移到机器人的人类数据，开始成为资本愿意下注的技术路线。

九个月前 GEN-0 的发布被部分业内人士视为机器人最接近「GPT-1 时刻」的尝试；这一次，Generalist 把参照物直接换成了 GPT-3。但从一次提示 59% 的成功率、几次调整后 83% 的成功率来看，它离一台可以放心交付工作的机器人仍有距离。它已经出现在一条清晰的 scaling 曲线上——机器人智能的涌现，正变得肉眼可见。