Generalist AI发布GEN-0:以27万小时真实操作数据首次提出机器人规模定律

美国机器人AI初创公司Generalist AI于2025年11月4日发布具身基础模型GEN-0。公司在研究博客中表示,GEN-0是直接基于原始物理交互数据进行多模态训练的新一类模型,并称首次在机器人领域验证了与大语言模型类似的规模定律,即数据和算力增加时,机器人能力会以可预测的方式提升。

披露的数字在业内属于罕见的大规模。Generalist称,GEN-0以公司自建的超过27万小时真实世界操作数据进行预训练,数据采集自全球数千个家庭、仓库和工作场所,发布时每周新增超过1万小时且仍在加速。模型规模方面,公司报告了10亿、60亿和70亿参数的实验,并称此后已将GEN-0扩展到100亿参数以上。

最核心的论断是70亿参数处的相变。据公司介绍,10亿参数模型在数据过载时出现"僵化"(ossification),权重在预训练中逐渐无法吸收新信息;60亿参数模型开始从预训练中获益,展现较强的多任务能力;70亿及以上模型则能消化大规模预训练数据,只需几千步后训练即可迁移到新任务。Generalist称,这是机器人领域首次观察到僵化现象。

第二项论断是幂律关系。公司表示,在包括搭乐高、快餐打包和开放式任务在内的16组任务上,后训练后的验证误差与预训练数据量之间呈L(D) = (D_c / D)^α形式的幂律。在真实机器人盲测A/B评估中,即便只用5.6小时任务数据,即全部550多小时的1%,预训练数据越多成功率越高;将完整预训练与全部任务数据结合时,部分任务成功率最高达到99%。公司称预训练与后训练数据由不同人员在不同环境采集,互不重叠。

Generalist还提出名为"和声推理"(Harmonic Reasoning)的训练方法,让模型处理异步、连续时间的感知与动作token流,实现边想边做。公司将其定位为Figure AI的Helix等双系统架构以及推理时引导方法之外的另一条路线。GEN-0已在6自由度、7自由度机械臂以及16自由度以上的半人形机器人上测试。

基础设施披露同样具体。公司称自研硬件和数据加载器,为采集站点铺设专用网络线路,签订多云合同,以约1万个CPU核心持续处理数据并压缩了数十PB数据,每个训练日可消化6.85年的操作经验。按MEKAWIRE测算,这相当于每天约6万小时,即27万小时数据约4.5天即可完整训练一遍。公司未披露GPU供应商、详细架构及数据合作方名称,仅以合作方A、B、C代称。

GEN-0未以开放权重或公开API形式发布,也没有配套技术报告或预印本。公司官网介绍,其团队曾参与PaLM-E、RT-2等具身模型研发,成员来自OpenAI、波士顿动力和谷歌DeepMind,办公地点位于美国旧金山湾区和波士顿。

与同行相比,公开规模差距明显。Physical Intelligence的π0据2024年10月arXiv预印本为33亿参数,以超过1万小时机器人数据预训练;2025年4月的π0.5预印本使用了约100个家庭约400小时的移动操作数据。英伟达2025年3月开源的GR00T N1为22亿参数,使用88小时真实遥操作数据、827小时生成视频和相当于6,500小时的仿真数据,并部署在中国傅利叶的GR-1人形机器人上。谷歌DeepMind的Gemini Robotics于2025年9月更新至1.5版本,但未披露参数与数据规模。仅按披露数字计算,GEN-0的数据量最高可达π0的27倍。

对中国产业链而言,GEN-0凸显的是数据规模竞争。中国企业在本体制造、减速器、电机等硬件环节成本优势突出,近来资本也持续涌入,地瓜机器人2026年9月完成4亿美元C轮融资,千寻智能2026年2月获得2.8亿美元融资。但GEN-0表明,美国模型公司正试图通过真实场景数据的规模化采集建立壁垒。若模型可以跨本体迁移,硬件可能被商品化,掌握数据与模型的一方将获得议价权。

局限同样明显。所有结果均为公司自评,未披露试验次数,也未说明99%对应哪些任务。70亿参数阈值是在Generalist自身数据配比和训练方法下观察到的,能否在其他实验室复现尚无定论。公司也未拆分数据中机器人数据与人类穿戴设备数据的比例。

此后的进展显示了GEN-0的走向。2026年3月,Generalist在英伟达GTC上于优傲机器人(Universal Robots)展台,用UR7e机械臂加MiR移动底盘的新平台现场演示GEN-0,公司称仅用数天准备,且未使用展馆内数据。2026年4月2日,公司发布不含机器人数据、以50万小时物理交互数据预训练的GEN-1,称平均任务成功率由GEN-0的64%升至99%。6月4日,公司宣布完成由Radical Ventures领投的4亿美元融资,英伟达为既有投资方。