机器人前瞻（公众号：robot_pro）
作者｜葛文婷
编辑｜漠影
机器人前瞻4月3日报道，当地时间4月2日，美国AI机器人公司Generalist AI发布了最新具身基础模型——GEN-1。
GEN-1基于50万小时预训练数据，不仅把任务平均成功率从上一代模型的64%提升至99%、将机器人工作速度提高了近3倍、还能能够让新任务的适配数据需求大幅降，仅需1小时机器人数据就能完成单项训练任务。
Generalist AI由前谷歌DeepMind高级研究科学家Pete Florence创立，核心团队汇聚了来自波士顿动力、OpenAI、Waymo等顶尖公司的资深研究人员。该公司致力于“让通用机器人成为现实”，目前已获得英伟达旗下风投机构NVentures、Spark Capital、Boldstart Ventures、Bezos Expeditions以及NFDG等知名机构的投资，估值突破3亿美元（约合人民币20亿元）。
值得注意的是，距离其推出第一代基础模型GEN-0，才过去不到半年。
一、1小时数据即可训练机器人完成单项任务，预训练数据超50万
GEN-0是该公司推出的第一款专注于多模态训练的基础模型，它的出现首次证明了机器人领域同样遵循scaling law，并验证了机器人通用化、规模化提升的可行性，但当时该模型的表现尚未达到商用标准。
而如今的GEN-1是Generalist AI在机器人学习扩展领域的最新成果，相较于GEN-0，GEN-1在任务执行速度、成功率、处理效率、应变能力以及训练数据集五个维度上均实现了显著跨越：
1、速度倍增： GEN-1的执行速度达到GEN-0的三倍。
2、成功率质变： 任务平均成功率由64%大幅提升至99%。
3、效率优化： 训练机器人完成单项任务仅需1小时机器人数据。
4、应变能力强： 具备意外情况下的自我恢复能力，展现出一定的临场应变能力。
5、数据扩容： 预训练数据从之前的27万小时扩展到50 万小时高保真操作，涵盖全球数千个家庭、仓库、工厂、面包店、自助洗衣店等场景，数据运营每周新增超过 1 万小时。
在测试中，GEN-1无需人工干预，便能长时间稳定完成多项任务，包括：
- 持续1小时以上的汽车配件分拣；
- 连续折叠86件T恤；
- 连续完成200余次扫地机器人维护；
- 连续完成1800余次积木装箱；
- 连续折叠纸箱超过200次；
- 连续打包手机超过100次等。
上述任务的成功率均突破了99%。
其中，在维护扫地机器人任务中，GEN-1 平均成功率达到 99%，而 GEN-0 仅 50%；折叠纸盒任务上，GEN-1 达到 99%，而GEN-0为 81%；在手机装盒任务上，GEN-1 达到 99%，GEN-0 为 62%。作为对比，没有经过预训练的GEN-0，平均成功率只有 19%。
▲GEN-1、GEN-0和未经训练的GEN-0在维护扫地机器人任务中的平均成功率
▲GEN-1、GEN-0和未经训练的GEN-0在折叠纸箱任务中的平均成功率
▲GEN-1、GEN-0和未经训练的GEN-0在打包手机任务中的平均成功率
二、工作速度提升3倍，还能随机应变处理突发意外
在速度上，GEN-1打破了机器人领域长期存在的“速度屏障”。
以折叠纸盒为例，GEN-0及同期其他模型（如π0）耗时约34秒，而GEN-1将这一时间压缩至12秒，速度提升2.8倍。在手机装盒任务中，GEN-1仅需15.5秒，同样是GEN-0的2.8倍，任务完成速度达到行业最优水平的3倍左右。
更关键的是，GEN-1的作业速度已超越人类演示水平，能在高速状态下精准适配物体的物理特性，并做出实时响应。
据悉，GEN-1速度突破的核心支撑源于三大技术协同：
1、经验学习（RL）： 模型通过经验迭代自主优化动作效率，实现高速执行。
2、Harmonic Reasoning推理架构升级： 全新的推理架构大幅提升了实时决策效率。
3、高质量预训练数据： 通过低成本可穿戴设备采集海量人类行为数据进行训练，实现知识迁移。
另外，GEN-1的另一大亮点在于其“随机应变”能力：
当工作中遇到突发意外（如分拣时零件被撞歪），GEN-1也不会傻傻地僵在原地等待人工调试，而是能自主选择多种应对方案 ，例如将垫片放回重抓，或借助卡槽将歪斜的零件复位。面对更复杂的情况，它甚至能调用另一只手实现双手协同，顺利完成工作。
▲GEN-1可以自主处理突发意外
▲GEN-1可以协同双手完成复杂任务
这种能力让GEN-1能够灵活面对各种超出训练范围的突发行为，有效解决各类长尾问题，保障任务的稳定推进。
结语：GEN-1并非完美无缺，GEN系列的研发之路仍任重而道远
GEN-1将任务平均成功率从64%提升至99%，标志着通用智能机器人在灵巧操作领域取得了重大突破。
不过需要强调的一点是：GEN-1 并非完美无缺。
我们需要清楚的认识到，尽管GEN-1在多项灵巧操作任务中已实现99%的成功率，但它并非所有的测试任务都能达到这一水准，在部分工业落地场景中，模型仍需更高的成功率与执行效率才能实现实用化部署，这些都是当前版本亟待补强的短板。
对此，Generalist AI 团队已明确研发方向并展现出充足信心，他们将致力于让下一代模型解锁更广泛、更复杂的任务能力，并持续优化模型结构，进一步降低机器人单项任务的数据需求。
