Generalist发布GEN-1，预训练不用机器人数据，每项任务约1小时真机数据即达99%成功率
Generalist AI于2026年4月2日发布具身基础模型GEN-1，预训练数据为50万小时以上、由人佩戴可穿戴设备采集的物理交互数据，不含机器人数据。公司称，在前代模型平均成功率64%的任务上，GEN-1平均达到99%，每项任务约需1小时机器人数据，作业速度约为此前最佳水平的3倍。上述结果均为公司自测，尚无独立复现。
美国机器人AI公司Generalist AI发布机器人基础模型GEN-1，称其在每项任务仅用约1小时机器人数据的情况下，操作任务平均成功率达到99%。公司在2026年4月2日的研究文章中介绍了该模型，并表示其预训练数据中完全没有机器人数据。
核心数据以对比形式给出。据公司介绍，在前代模型GEN-0平均成功率为64%的任务上，GEN-1平均为99%，而从零训练的模型平均只有19%。其中，扫地机器人维护任务从GEN-0的50%升至99%，折纸箱从81%升至99%，手机装盒从62%升至99%。Generalist还称，GEN-1只需GEN-0十分之一的任务数据即可达到同等表现。
速度是第二个卖点。公司称GEN-1完成任务的速度约为此前最佳水平的3倍，折一个纸箱用时12.1秒，而GEN-0和Physical Intelligence的π0约需34秒；手机装盒用时15.5秒。文章称，早期接入合作伙伴自发布当天起即可使用该模型。
数据策略是Generalist的差异所在。公司不采集遥操作机器人示范，而是让人佩戴低成本可穿戴设备，记录其处理物体的动作。其所谓高保真物理交互数据的预训练规模已超过50万小时。机器人数据只在微调阶段使用，每项任务约1小时。
Generalist将GEN-1描述为可实时输出动作的大型多模态模型，并强调它是一个系统而不只是模型权重，推理栈和运行框架都属于产品的一部分。文章未披露模型规模和架构，结果来自公司自有评测而非同行评审论文。
这次发布处于一条连续的节奏中。Generalist于2025年11月4日发布GEN-0，在GEN-1发布五天后的2026年4月7日又发表题为《超越世界模型与VLA》的文章，6月4日宣布完成由Radical Ventures领投的4亿美元新融资，累计融资超过5亿美元。新投资方包括8VC、Union Square Ventures、Hanabi Capital和Norwest，老股东英伟达、Boldstart Ventures、Spark Capital、Bezos Expeditions和NFDG继续参与。公司未披露估值。
竞争格局拥挤且资金充裕。被Generalist用作速度参照的π0的开发方Physical Intelligence于2025年11月完成B轮融资。根据各公司公告，Skild AI于2026年1月融资14亿美元，估值140亿美元；Figure AI于2025年9月融资10亿美元，投后估值390亿美元。谷歌DeepMind和英伟达也发布了各自的机器人模型。与倚重遥操作或仿真机器人数据的对手相比，以人类数据为主的路线是一场截然不同的押注。
对中国产业而言，这一路线值得重视。遥操作真机采集需要大量机器人和操作员，成本高、扩张慢。若GEN-1的结论成立，用可穿戴设备大规模采集人类操作数据，将可能改变国内机器人数据采集项目的建设逻辑。中国在可穿戴硬件制造和劳动力组织上的优势，也可能在这条路线上转化为数据规模优势。
需要保留的地方也很多。数据是公司在自选任务上的自测结果，文章也承认并非所有尝试的任务都达到99%，部分用途需要更高的成功率或速度，且没有独立复现。展示的任务均为桌面操作，对移动机器人或人形机器人的参考意义有限。
- 扫地机器人维护
- 99
- 50
- 2
- 49
- 折纸箱
- 99
- 81
- 13
- 18
- 手机装盒
- 99
- 62
- 42
- 37
- 三项任务平均
- 99
- 64
- 19
- 35
数据为Generalist AI于2026年4月2日公布值。提升幅度为GEN-1成功率减去GEN-0成功率。平均值为公司公布值，与三项任务数据一致。试验次数未披露。
截至 2026年10月1日
- Generalist AI
- 成长期（未命名）
- 400,000,000
- 无数据
- 2026-06-04
- Skild AI
- C轮
- 1,400,000,000
- 14,000,000,000
- 2026-01-14
- Figure AI
- C轮
- 1,000,000,000
- 39,000,000,000
- 2025-09-16
- Walden Robotics
- 种子轮
- 300,000,000
- 1,100,000,000
- 2026-07-15
- Humanoid
- A轮
- 152,000,000
- 1,350,000,000
- 2026-07-21
- Physical Intelligence
- B轮
- 无数据
- 无数据
- 2025-11-20
数据为公司或投资方披露值，未披露记为null。Generalist未公布轮次名称和估值。
截至 2026年10月1日
ROBOTNESS 分析
GEN-1是迄今最有力的公开案例，说明人体穿戴采集可以取代遥操作，成为操作模型的主要预训练数据来源，但这一结论依赖业界尚未检验的公司自测。
证据在于预训练与微调之间的落差。一个在预训练中完全没见过机器人数据的模型，每项任务只用约1小时数据就在扫地机器人维护、折纸箱和手机装盒上达到99%，意味着机器人学习中最昂贵的部分可以移出机器人本体。相对GEN-0数据量减少十倍，也指向同一方向。
最有力的反驳是选择偏差。任务由Generalist选定、评测由其自行执行，缺少TRI在《Science Robotics》论文中采用的盲测和统计检验。在试验次数不明的少数任务上达到99%，不等于在客户工厂里99%的可靠性。
乐观情景。穿戴式采集比遥操作扩张得更快、更便宜，50万小时的先发优势不断累积，6月的融资帮助公司把早期合作伙伴转化为付费部署，竞争对手不得不购买或自建类似的人类数据管线。
悲观情景。在依赖机器人特有动力学的任务上，人手到机器人的迁移失效，独立测试显示可靠性偏低，拥有机器人车队、资金更雄厚的对手缩小差距。估值未披露、客户未具名，商业故事仍未得到证明。
值得关注的信号：
- Generalist能否在2026年底前公布GEN-1的付费客户或部署地点。
- CoRL 2026等场合是否出现对GEN系列模型的第三方或同行评审评测。
- Physical Intelligence、Skild AI和英伟达在下一代模型发布中如何对待人类数据预训练，以及2026年8月19日发布的GEN-1.5能否获得独立验证。
- 2026年4月2日
- Generalist AI（波士顿、旧金山）
- 50万小时以上可穿戴设备采集的人类物理交互数据，不含机器人数据
- 约1小时
- 99%（GEN-0为64%，从零训练19%，公司数据）
- 约为此前最佳水平的3倍，折纸箱12.1秒对约34秒
- 以十分之一任务数据达到GEN-0水平
- 2026年4月2日起向早期合作伙伴开放
- 2026年6月4日4亿美元，Radical Ventures领投，累计超5亿美元
为何重要
机器人学习的经济性一直由机器人数据成本决定。遥操作需要机器人、操作员和时间，这是教机器人新任务的最大障碍。GEN-1声称，用可穿戴设备采集的人类数据做预训练可以承担大部分工作，只剩每项任务约1小时的机器人数据。若成立，整个行业的成本结构将向低成本人类数据采集倾斜。
第二个原因是可靠性数据。客户不会接受百次中失败数次的机器人。同一批任务的平均成功率从64%跃升到99%，即便仍需外部确认，也直击决定能否部署的指标。
竞争对手分析
通用操作模型领域最直接的对手是Physical Intelligence，Generalist把π0作为速度参照。2026年1月估值140亿美元的Skild AI和2025年9月估值390亿美元的Figure AI，也以巨额资金追求通用机器人智能。谷歌DeepMind和英伟达则发布可供合作伙伴使用的机器人模型。
Generalist的独特之处在数据来源。多数对手侧重遥操作、仿真或视频，而50万小时规模的专用穿戴采集体系是另一条供给线，也是对手最难快速复制的部分。国内企业若要跟进，需要同时解决采集硬件、人员组织和数据处理三方面问题。
估值背景
Generalist于2026年6月4日宣布完成由Radical Ventures领投的4亿美元新融资，累计融资超过5亿美元，但未披露估值。可比的公开数据包括Skild AI在2026年1月的14亿美元融资（估值140亿美元）、Figure AI在2025年9月的10亿美元融资（投后估值390亿美元）以及Walden Robotics在2026年7月的3亿美元种子轮（估值11亿美元）。
在融资前两个月发布的GEN-1结果，是投资者可见的主要技术依据。老股东中有英伟达、新进Norwest等成长期基金，说明此轮定价更看重模型表现和数据规模，而非尚未披露的收入。
供应链影响
Generalist的预训练依赖低成本可穿戴设备以及佩戴设备完成物理操作的人员，核心投入是人力、采集硬件和数据处理，而非机器人车队。公司未披露设备制造商和数据采集地点。
机器人一侧仍需每项任务约1小时的微调数据。公司把模型定位为带自有推理栈的系统，意味着它可能在与第三方机器人硬件合作的同时掌控软件层。对国内机器人整机和数据采集硬件厂商来说，这既是供货机会，也可能带来软件层被海外模型公司掌控的风险。
后续看点
公布客户名称和部署地点，将把早期接入计划变成需求证据；第三方基准或同行评审结果将检验99%的说法；2026年8月19日以一次学习为主题的GEN-1.5文章，则可看出技术路线能否延续。
第三个信号是对手的反应。若Physical Intelligence、Skild AI或英伟达在自家发布中开始强调穿戴式人类数据，Generalist的数据判断就得到了印证。
分析师观点
核心判断：人体穿戴采集是扩展操作预训练的可信路径，GEN-1为Generalist赢得先发优势，但其可靠性数据在作为商业事实定价之前需要外部验证。置信度：中等。
支持判断的是具体的分任务数据、平均值与分任务结果的一致性，以及两个月后投资者的反应。拉低置信度的是自选任务、试验次数未披露、缺少同行评审和没有具名客户。
值得追问的问题
每个99%背后有多少次试验？失败如何界定？微调和评测用的是什么机器人硬件，1小时数据的要求在其他机械臂或灵巧手上是否依然成立？
人类数据采集每小时成本多少，与遥操作相比如何？早期合作伙伴中是否已有转为付费部署的？