从折叠纸盒到修理吸尘器：GEN-1 机器人模型实现 99% 可靠性
机器人机器学习公司 Generalist 近日发布了 GEN-1 物理 AI 系统，宣称其在多种需要人手灵活性与肌肉记忆的物理技能上达到了“生产级成功率”。这一新模型不仅能够以约三倍于前代 GEN-0 的速度执行重复性精细任务，更关键的是，它具备应对干扰、即兴发挥的能力，甚至能“连接不同领域的想法来解决新问题”。
数据瓶颈的突破：从“数据手”到海量物理交互
与大型语言模型（LLM）可以轻松获取互联网上万亿级文本数据不同，机器人模型长期以来缺乏高质量、可扩展的物理交互数据来源。Generalist 通过其创新的 “数据手”（data hands）——一套可穿戴的夹持器——解决了这一难题。这些设备在人类执行手工任务时，精确捕捉微动作和视觉信息。
公司现已收集了 超过 50 万小时 的物理交互数据，数据量达 PB 级，为 GEN-1 的训练提供了坚实基础。这种大规模、高保真的数据积累，是模型能够泛化到多种未训练场景的核心前提。
核心能力：精度、速度与适应性
GEN-1 展示了令人印象深刻的综合能力：
- 高精度操作：能够完成将钱放入钱包这类需要毫米级精度的任务。
- 广泛技能覆盖：可适应折叠衣物、分类汽车零件等多种物理操作。
- 超高成功率与速度：在折叠纸盒、包装手机、维修机器人吸尘器等重复性精细机械任务上，达到了 99% 的成功率，且速度约为 GEN-0 的 三倍。
- 快速适应：仅需约 1 小时 的“机器人数据”微调，就能将预训练知识适配到特定的机器人实体上，大幅降低了部署成本和时间。
真正的飞跃：从“执行程序”到“应对意外”
传统复杂机器人系统通常依赖精心预设的程序，或只能专注于单一、变化极小的任务。GEN-1 的突破性在于其 泛化与即兴能力。
模型能够基于先前经验进行即兴发挥，并对干扰做出自然反应，即使这些干扰 “完全超出训练数据分布”。例如，在《福布斯》的采访中，Generalist 工程师描述了这样一个场景：当任务执行过程中出现意外障碍时，GEN-1 不是失败或停止，而是能自主规划出一系列新的动作序列来绕过障碍、完成任务。这种从错误中恢复并寻找替代方案的能力，是迈向真正自主、类人机器人的关键一步。
行业意义：规模化定律在机器人领域的验证
GEN-1 是建立在 GEN-0 概念验证基础上的产物。GEN-0 已于去年 11 月展示了 规模化定律（scaling laws） 在机器人训练中的适用性——即更多的预训练数据和计算时间能显著提升训练后性能。GEN-1 的成功进一步证实了这一路径的有效性，为整个机器人 AI 领域指明了一个清晰的发展方向：通过构建大规模、多样化的物理世界数据集，并结合强大的基础模型架构，机器人能力可以实现类似 LLM 的指数级提升。
小结
GEN-1 的发布标志着机器人 AI 正从一个依赖硬编码和狭窄任务训练的领域，转向一个基于海量数据、具备强大泛化与适应能力的通用物理智能新阶段。其 99% 的可靠性与应对未知的能力，不仅对工业自动化、物流分拣、家庭服务等场景具有 immediate 的落地价值，更长远来看，它为开发能在动态、非结构化真实世界中可靠工作的通用机器人铺平了道路。下一步的挑战可能在于如何进一步降低成本、扩大技能库，以及确保其在更复杂、安全攸关的环境中的稳健性。
