Generalist AI stellt GEN-0 vor und beansprucht mit 270.000 Stunden Praxisdaten die ersten Skalierungsgesetze der Robotik

Das amerikanische Robotik-Start-up Generalist AI hat am 4. November 2025 sein verkörpertes Basismodell GEN-0 vorgestellt. In einem Forschungsbeitrag beschreibt das Unternehmen mit Büros in der Bucht von San Francisco und in Boston GEN-0 als neue Modellklasse, die direkt auf rohen physischen Interaktionsdaten trainiert wird. Die zentrale These lautet, dass die Fähigkeiten von Robotern nun wie bei Sprachmodellen berechenbar mit Daten und Rechenleistung wachsen.

Die genannten Größenordnungen sind für die Branche ungewöhnlich. Generalist zufolge wurde GEN-0 auf einem eigenen Datensatz von mehr als 270.000 Stunden realer Manipulationsdaten vortrainiert, gesammelt in Tausenden Haushalten, Lagern und Arbeitsstätten weltweit. Zum Start kamen nach Firmenangaben wöchentlich mehr als 10.000 Stunden hinzu. Das Unternehmen berichtete von Modellen mit 1, 6 und 7 Milliarden Parametern und erklärte, GEN-0 inzwischen auf über 10 Milliarden Parameter skaliert zu haben.

Kern der Veröffentlichung ist ein Phasenübergang bei 7 Milliarden Parametern. Modelle mit 1 Milliarde Parametern zeigten laut Generalist eine Verknöcherung, englisch ossification, bei der die Gewichte unter der Datenflut keine neuen Informationen mehr aufnehmen. Modelle mit 6 Milliarden Parametern profitierten erstmals deutlich vom Vortraining. Ab 7 Milliarden Parametern verinnerlichten die Modelle die Daten und übertrugen sie mit wenigen Tausend Schritten Nachtraining auf neue Aufgaben. Nach Darstellung des Unternehmens wurde Verknöcherung damit erstmals in der Robotik beobachtet.

Die zweite Aussage betrifft ein Potenzgesetz. Der Validierungsfehler nach dem Nachtraining folge über 16 Aufgabengruppen, darunter Lego-Bau und das Verpacken von Fast Food, der Form L(D) = (D_c / D)^α in Abhängigkeit von der Größe des Vortrainingsdatensatzes, schreibt Generalist. In verblindeten A/B-Tests mit realen Robotern stieg die Erfolgsquote mit mehr Vortraining schon dann, wenn nur 5,6 Stunden Aufgabendaten genutzt wurden, also 1 Prozent der verfügbaren mehr als 550 Stunden. Die besten Werte von bis zu 99 Prozent in einzelnen Fällen entstanden mit vollem Vortraining und allen Aufgabendaten. Vor- und Nachtrainingsdaten stammten von verschiedenen Personen in verschiedenen Umgebungen.

Neu ist zudem das Trainingsverfahren Harmonic Reasoning. Das Modell verarbeitet asynchrone, zeitkontinuierliche Ströme aus Wahrnehmungs- und Handlungstokens und soll so gleichzeitig denken und handeln. Generalist positioniert das als Alternative zu zweistufigen Architekturen wie Helix von Figure AI und zu Korrekturverfahren zur Laufzeit. Getestet wurde GEN-0 nach Unternehmensangaben auf Armen mit 6 und 7 Freiheitsgraden sowie auf halbhumanoiden Robotern mit 16 und mehr Freiheitsgraden.

Auch zur Infrastruktur macht Generalist konkrete Angaben. Das Unternehmen baute eigene Hardware und Dataloader, ließ neue Standleitungen zu Erfassungsstandorten legen, schloss Multi-Cloud-Verträge und verarbeitet Daten auf rund 10.000 CPU-Kernen. Komprimiert wurden Dutzende Petabyte. Pro Trainingstag könne das System 6,85 Jahre Manipulationserfahrung aufnehmen. Nach Berechnung von MEKAWIRE sind das rund 60.000 Stunden täglich, das gesamte Korpus wäre damit in etwa viereinhalb Tagen einmal durchlaufen. GPU-Lieferant, Architekturdetails und die Namen der Datenpartner nannte Generalist nicht.

GEN-0 wurde weder mit offenen Gewichten noch als öffentliche Programmierschnittstelle veröffentlicht, ein technischer Bericht oder Preprint fehlt. Laut Unternehmensseite hat das Team zuvor die verkörperten Modelle PaLM-E und RT-2 entwickelt und stammt unter anderem von OpenAI, Boston Dynamics und Google DeepMind.

Im Vergleich mit Wettbewerbern zeigt sich der Abstand bei den offengelegten Zahlen. Das Modell π0 von Physical Intelligence hat laut arXiv-Preprint vom Oktober 2024 3,3 Milliarden Parameter und wurde auf mehr als 10.000 Stunden Roboterdaten vortrainiert; das π0.5-Preprint vom April 2025 nutzte rund 400 Stunden Daten mobiler Manipulatoren aus rund 100 Haushalten. NVIDIAs offen veröffentlichtes GR00T N1 vom März 2025 hat 2,2 Milliarden Parameter und nutzte 88 Stunden echte Teleoperation, 827 Stunden generiertes Video und Simulationsdaten im Umfang von 6.500 Stunden. Google DeepMind nennt für Gemini Robotics, seit September 2025 in Version 1.5, weder Parameter noch Datenmengen. Gemessen an den offengelegten Werten ist das GEN-0-Korpus bis zu 27-mal so groß wie das von π0.

Für die europäische Industrie ist die Botschaft zweischneidig. Generalist nennt Automobilbau, Fertigung, Logistik, Elektronik und Bekleidung als Branchen, in denen seine Skalierungsgesetze gelten sollen, also klassische Domänen des deutschen Maschinenbaus und Mittelstands. Europäische Anbieter setzen eher auf Partnerschaften: Agile Robots aus München gehörte im März 2025 zu den ersten Testern von Google DeepMinds Gemini Robotics. Mit Sereact, das im April 2026 eine Series B über 110 Millionen Dollar abschloss, und RobCo, das im Januar 2026 eine Series C über 100 Millionen Dollar meldete, wachsen eigene KI-Robotik-Firmen heran. Der Wettbewerb um Trainingsdaten in der von Generalist genannten Größenordnung wird für sie zur strategischen Frage.

Die Einschränkungen wiegen schwer. Sämtliche Ergebnisse stammen aus eigenen Tests, die Zahl der Versuche ist nicht angegeben, und welche Aufgaben die 99 Prozent erreichten, bleibt offen. Die Schwelle von 7 Milliarden Parametern wurde mit Generalists eigenem Datenmix und Trainingsverfahren beobachtet. Wie sich das Korpus auf Roboterdaten und Daten tragbarer Geräte verteilt, legte das Unternehmen nicht offen.

Die weitere Entwicklung zeigt, wohin GEN-0 führte. Im März 2026 zeigte Generalist GEN-0 auf der NVIDIA GTC live auf einer neuen mobilen Plattform von Universal Robots mit UR7e-Armen auf einer MiR-Basis, vorbereitet nach eigenen Angaben in wenigen Tagen und ohne Daten aus der Messehalle. Am 2. April 2026 folgte GEN-1, vortrainiert auf einer halben Million Stunden physischer Interaktionsdaten ohne Roboterdaten, mit einer durchschnittlichen Erfolgsquote von 99 Prozent nach 64 Prozent bei GEN-0. Am 4. Juni 2026 meldete das Unternehmen 400 Millionen Dollar unter Führung von Radical Ventures, NVIDIA zählt zu den bestehenden Investoren.