团队
一句话定位
- 形态：标准工业臂 + 夹爪（非人形）
- 技术路径：自研原生 foundation model，非 VLM 微调，非世界模型
- 数据策略：低成本可穿戴设备采集人类操作数据（500K+ 小时），预训练不吃机器人数据
- 团队基因：Google DeepMind 机器人基础模型（PaLM-E / RT-2 / Gemini Robotics）+ Boston Dynamics（Atlas/Spot/Stretch）
来源：Forbes 报道 (2026-04-02)
核心团队
- CEO / 联合创始人：Pete Florence — 前 Google DeepMind 高级研究科学家，PaLM-E 核心作者（被引 19,000+ 次），MIT 博士（师从 Russ Tedrake）
- 联合创始人：Andy Zeng — 前 Google DeepMind 技术负责人，PaLM-E / RT-2 / Gemini Robotics 参与，Best Paper 多篇（HRI ‘24 / CoRL ‘23 / ICRA ‘23），被引 27,490+
- 联合创始人：Andrew Barry — 前 Boston Dynamics 工程师，参与 Atlas / Spot / Stretch 开发，MIT 博士
- 团队来源：OpenAI、Boston Dynamics、Google DeepMind
来源：Boldstart Ventures 博客 (2026-04-02) — Pete Florence 个人页 — Andy Zeng 个人页
组织信号
- 研发双城：Boston（总部）+ San Francisco 办公室
- 团队规模：未公开披露（截至 2026-06）
- 关键早期员工：Evan Morikawa — 前 OpenAI 产品开发核心成员（ChatGPT/GPT-4 规模化），加入 Generalist 早期创始团队，其加入作为 Spark Capital 投资决定的关键信号（来源：Fraser/Spark Capital Entropy Substack 2025-11）
- 招聘方向：机器人 learning / 基础模型 / 系统部署（来源：官网 careers 页）
- 现有合作伙伴：Universal Robots （UR preferred model partner，GTC 2026 联合 Demo，来源：UR 新闻稿 2026-03-16）
产品
Data Hands（数据手套）
- 核心创新：自研低成本可穿戴数据采集设备，非遥操作，人在日常生活中佩戴后积累操作数据
- 数据规模：500K+ 小时真实物理交互数据（截至 2026-04），全球最大规模之一
- 数据策略：基础模型预训练阶段不吃机器人数据——全部来自人类穿戴设备采集，机器人端只做微调（1 小时/任务）
- 意义：提供 existence proof——无需大规模遥操作或仿真数据就能实现高成功率
来源：GEN-1 博客 (2026-04-02) — Forbes 报道 (2026-04-02)
GEN-0 模型（2025-11）
- 发布：2025-11-04，首个验证机器人 scaling laws 存在的通用模型
- 能力：零样本多任务学习、新环境适应、物理常识涌现
- 意义：首次证明机器人 scaling laws——每 0-shot 任务同步提升
- 限制：性能不足以商业化部署
来源：GEN-0 博客 (2025-11-04)
GEN-1 模型（2026-04）
- 发布：2026-04-02，GEN-0 的 scaling + 算法进步
- 架构：100% 自研大规模多模态模型，实时输出 action（非端到端 VLA 微调）
来源：GEN-1 博客 (2026-04-02)
GEN-1 性能指标
- 成功率：简单任务 99%+（对比之前最佳 64%）
- 速度：比 prior SOTA 快约 3×
- 数据效率：每个任务仅需约 1 小时机器人数据微调
- 鲁棒性：涌现大量恢复意外场景的即兴行为
GEN-1 六大任务独立测试数据
- 汽车零部件 Kitting：连续运行 >1 小时，含意外场景恢复（washer 掉落→重新抓取→再插入，可选双手 in-hand regrasping）
- T-shirt 折叠：连续 86 次
- 扫地机器人维修：连续 >200 次
- 积木装箱（block packing）：连续 >1,800 次
- 纸箱折叠：连续 >200 次
- 手机包装：连续 >100 次
来源：The Robot Report (2026-04-06) — Ars Technica (2026-04-06) — GEN-1 博客 (2026-04-02)
技术路线
核心判断
GEN-1 是首个”非经典VLA / 非世界模型”路线的自研原生物理交互 foundation model——在团队共同发明了 PaLM-E、RT-2（VLA）、世界模型之后主动另辟蹊径，99% 参数从头训练（非 VLM 微调）。
来源：Beyond World Models & VLAs 博客 (2026-04-07)
技术栈细节
- 训练策略：
- 预训练：500K+ 小时人类穿戴设备物理交互数据，无任何机器人数据
- 微调：每任务约 1 小时机器人数据
- 无大规模遥操作或仿真数据依赖
- 结合多种技术：预训练进步 + post-training + RL + 多模态人类引导 + 推理时技术
- 系统级：GEN-1 定位为”系统”而非单纯模型权重——类似前沿 LLM 有多个系统级组件
来源：GEN-1 博客 (2026-04-02)
方法论立场
- Goal-driven > Method-driven：明确选择目标驱动而非方法驱动，不贴 VLA 或世界模型标签
- 训练 from scratch 优于 fine-tune：认为足够数据+算力下从头训练永远胜出
- 跨本体泛化：已验证在多种机器人平台上快速适配（UR7e + MiR + Vention 框架）
来源：Beyond World Models & VLAs 博客 (2026-04-07)
商业验证
GTC 2026 现场 Demo（2026-03）
- 首次公开现场 Demo：在 NVIDIA GTC 2026（Silicon Valley），Universal Robots 展台
- 平台：UR7e 臂 + MiR 底盘 + Vention 框架（移动操作平台，此前不存在）
- 准备时间：仅数天（从机器人抵达办公室 → Demo 联调）
- 零场景数据：在 GTC 展馆内首次运行表现与办公室一致——“generalization for free”
- 持续运行：展会全程不间断运行，已验证模型的弹性和泛化能力
- 任务：多步骤精确操作（纸箱组件组装，强调运动精度 + 力精度）
来源：GTC Demo 博客 (2026-03-24)
交叉操作涌现案例（2026-04）
- 首个’jaw on the floor’时刻：Andy Barry 描述——机器人被训练用左手拾取并摇晃塑封袋，但一次 rollout 中主动用右手完成操作，团队反复确认从未教过右手的动作
- 核心意义：证明 GEN-1 base model 具备跨 hand 泛化的涌现能力，远超出训练分布
来源：Automate.org 专访 (2026-04-16) — Brian Heater 专访 Andy Barry
商业化信号
- GEN-1 在某些任务上首次超过”商业化可用”性能门槛
- 早期合作伙伴：Early access partners 已可接入 GEN-1（partnerships@generalistai.com）
- 合作伙伴行业：未公开披露（截至 2026-06-03）
- 尚未公布付费客户或具体部署合同（截至 2026-06-03）
竞争定位
- 核心壁垒：500K+ 小时人类物理交互数据 + 自研原生（非 VLM 微调）模型架构 + PaLM-E/RT-2/Gemini Robotics 三核心团队
- 差异化：
- vs Physical Intelligence（π0/π0.7）：不同硬件哲学（标准臂 vs 多形态泛化），不同数据路线（可穿戴 vs 遥操作）
- vs Skild AI：Skild 强调仿真+真实混合 + 多本体覆盖，Generalist 押注纯人类可穿戴数据
- vs 传统 VLA 路线（如 RT-2）：主动超越，99% 参数从头训练
- 已验证：NVIDIA + Bezos Expeditions 作为种子轮投资者背书
风险
商业化执行风险
- 付费客户缺失：尚无公开付费客户或收入数据（截至 2026-06-03）
- 早期合作伙伴进展：Early access 开放中，但具体部署合同未公开
- 估值 $440M / $140M 种子轮：无收入情况下估值/融资比极高，需加速商业化以避免估值回调
技术路线风险
- 数据可穿戴路线验证不足：500K+ 小时人类穿戴数据能否扩展到工业级复杂场景（如精密装配、高负荷焊接）未验证
- 非人形路线局限：标准工业臂+夹爪方案在需要移动性/复杂空间覆盖的场景中受限（vs 人形/轮式全向方案）
- 99% 成功率基础：当前测试集中于简单任务（折叠/组装/包装），复杂长程任务（multi-step reasoning over hours）仍未覆盖
竞争风险
- 赛道拥挤：PI（π0.7）、Skild AI、Rhoda AI、Field AI 等均争夺机器人大脑/基础模型层，资金竞争激烈
- NVIDIA 中性化：NVIDIA 同时投资 Generalist（种子轮）和多家竞争公司（GR00T N1.5 开源模型直接竞对），背书不独占
来源：综合判断依据现有 sources（Ars Technica, Forbes, GEN-1 博客, Robot Report, Automate.org）
动态记录
- 2026-04-16：【深度报道】Automate.org 发布 Brian Heater 专访 Andy Barry，披露首个交叉操作涌现案例（左手训练→右手自主完成）、团队迭代节奏（5个月 GEN-0→GEN-1）、Data Hands 硬件细节。来源：Automate.org
- 2026-04-02：【产品发布】Forbes 报道 GEN-1 模型发布，首次实现简单任务 99%+ 成功率、3× 速度提升、仅需 1 小时机器人数据微调。500K+ 小时数据集。来源：Forbes + GEN-1 博客
- 2026-03-24：【Demo】NVIDIA GTC 2026 首次公开现场 Demo，与 Universal Robots 合作 UR7e + MiR 移动操作平台，仅数天准备、零场景数据、全程连续运行。来源：GTC Demo 博客
- 2026-01-29：【技术进步】发布《The Dark Matter of Robotics: Physical Commonsense》博客，展示 GEN-0 物理常识涌现能力。来源：Generalist AI 博客
- 2025-11-04：【产品发布】GEN-0 模型发布，首次验证机器人 scaling laws，零样本多任务同步提升。来源：GEN-0 博客
- 2025-06：【融资】$140M 种子轮，Boldstart Ventures 和 NVIDIA 联合领投，Spark Capital、NFDG、Bezos Expeditions 参投。来源：Boldstart Ventures 博客
- 2024-03：【创立】Boldstart Ventures inception round 投资，MIT PhD 后筹备期。