Generalist 5個月甩出GEN-1：機器人裝盒子快3倍

從GEN-0到GEN-1，Generalist AI只用了5個月。這個速度放在AI圈不算最快，但放在機器人領域——一個連走路都要反復調參的行業——相當于有人剛學會騎自行車，轉眼就上了F1賽道。

周五發布的GEN-1，官方給出的數據很直白：多項任務成功率超99%，執行速度比現有最優模型快近3倍，從干擾中恢復的時間也大幅縮短。研究團隊把改進方向歸納為三個詞：可靠性、速度、即興發揮。

機器人裝盒子，12.1秒 vs 34秒

具體場景最能說明問題。組裝一個盒子，GEN-1耗時12.1秒；而它的前代GEN-0，以及Physical Intelligence的pi-0——目前業內知名的機器人智能模型——完成同樣動作需要34秒。2.8倍的差距，不是優化某個子模塊能解釋的，是整條鏈路被重新設計過。

瓶頸出在"看"到"動"的翻譯環節。多數模型的流程是：視覺輸入→語言描述→匹配訓練數據→輸出動作。這個鏈條太長，物體一多、移動一快，機器人就開始"卡頓"，動作出現明顯的停頓和跳躍。GEN-1的團隊壓縮了這個流程，讓視覺信息更直接地驅動動作生成，結果是動作更連貫，延遲更低。

但速度只是面子。真正讓業內人士挑眉的，是第三個關鍵詞：即興發揮。

零件彈飛了怎么辦？人類會撿，AI會僵住

現有機器人模型的通病是"劇本依賴"。給定任務A，執行步驟1-2-3-4，環境不變就能完成。但真實世界沒有劇本：零件沒卡準彈了出來，箱蓋偏了半寸，門鎖沒扣上——人類會回頭重來，AI往往直接死機，或者進入強制重評估，耗時且不可預測。

更麻煩的是，很多模型不會"記住"這次意外。下次遇到類似情況，它可能重復同樣的錯誤反應，而不是像人一樣形成經驗。

GEN-1的設計試圖解決這個問題。研究團隊稱，模型能對環境中的"故障"快速適應——物體滑落、鎖扣失效、物品移位——并創造性地調整動作完成目標。這不是簡單的錯誤恢復，是在沒有預編程的情況下，對未見過的情況生成合理策略。

換句話說，它開始具備某種"常識"的雛形：任務目標比執行路徑更重要，路徑可以換。

長鏈條任務：從重復勞動到復雜推理

GEN-0的突破在于"直接訓練"——用原始運動數據訓練模型，跳過傳統機器人學習中繁瑣的仿真和標注環節。GEN-1在此基礎上，把能力邊界從"重復動作"推向"多步驟復雜任務"。

官方舉的例子很生活化：組裝物品、折疊多件衣物。這些任務的共同點是需要在時間和空間上持續推理，步驟之間有依賴關系，不能打亂順序，也不能中途遺忘目標。對機器人來說，這比"抓取-放置"難一個數量級，因為任何一步出錯都會連鎖崩潰。

GEN-1的99%成功率，是在這類長鏈條任務上測得的。這個數字本身可能因測試環境而異，但方向明確：機器人正在從"工具"向"助手"過渡，能處理更開放、更少結構化的工作流。

5個月迭代背后的信號

Generalist AI的進度表值得注意。2025年11月GEN-0發布，2026年4月GEN-1上線，中間還隔了一個春節假期。這種迭代速度暗示了兩件事：一是機器人基礎模型的訓練 infra（基礎設施）正在成熟，數據 pipeline 和計算資源不再是主要瓶頸；二是團隊對架構方向有較強信心，不需要大幅推翻重來。

對比同行，Physical Intelligence的pi-0發布于2024年底，至今仍是重要參照系。Generalist AI用更短的時間窗口實現了性能反超，至少在裝盒子這個基準上。當然，單一任務不能定義全局，但它確實劃了一條新線。

行業層面的影響更深遠。如果機器人能以3倍速度、99%成功率處理復雜任務，且能在意外情況下自主調整，那么"機器人進工廠/進家庭"的時間表可能需要重新估算。不是明年，但可能比多數人預期的更早進入"有用"階段。

研究團隊沒有透露GEN-1的參數量、訓練數據規模或硬件要求。這些細節會決定它能多快從demo走向部署。目前能確認的是，它已經在真實物理環境中完成了測試，不是純仿真結果。

一個有趣的細節：官方新聞稿里反復出現"mastery"（掌握）這個詞，而不是"perform"（執行）。語義差別很小，但產品意圖很明顯——他們賣的不是動作庫，是學習能力本身。

機器人領域有個老笑話：每次演示都很驚艷，每次部署都很崩潰。GEN-1的數據如果能在更多場景復現，這個笑話可能過時。問題是，你更愿意相信實驗室的99%，還是等第一批工廠用戶的反饋？