GEN-1：具身智能的「GPT-3 时刻」

官方博客：

https://generalistai.com/blog/apr-02-2026-GEN-1

视频链接：

https://youtu.be/SY2xyrmV44Y?si=rvdGnIdWEU9jqC2w

2026年4月，Generalist AI 发布了他们的最新模型 GEN-1。这篇文章将带大家理解这项工作它到底做了什么，为什么重要，以及技术上的关键突破在哪里。

机器人为什么这么难？

在理解 GEN-1 之前，我们需要知道机器人学习面临的一个根本困境。

大语言模型（LLM）的成功，很大程度上依赖一个叫做"规模定律（Scaling Laws）"的现象：简单来说，给模型更多数据、更多算力，它就会变得更聪明，而且这个改善是可以预测的。这让 AI 研究者有了一张路线图，只要沿着规模化的方向走，就能持续进步。

但在机器人领域，这张路线图一直不存在。原因有几个。首先，机器人数据极难获取。语言数据可以从互联网上抓取，但"机器人抓住一个箱子"的数据，必须通过真实机器人或人工遥操作（teleoperation）一帧一帧地录制，成本极高。其次，机器人需要理解物理世界，力、摩擦、重力、形变，这些比文字的统计规律复杂得多。最后，机器人必须实时行动，不能像 ChatGPT 那样"想几秒再回答"，物理世界不等人。

GEN-0：规模定律第一次出现在机器人领域

2025年11月，Generalist AI 发布了 GEN-0，做了一件在机器人领域从未被证明过的事：证明了机器人领域存在规模定律——随着预训练数据和算力的增加，机器人的能力会以可预测的方式持续提升。

这件事的意义，类比到语言模型，就像当年 GPT-2 第一次展示"大模型路线可行"一样。

GEN-0 的核心技术：Harmonic Reasoning

GEN-0 引入了一个叫做"谐振推理（Harmonic Reasoning）"的架构创新。

要理解它，先想一下现有语言模型的工作方式：你输入一句话，模型思考一段时间，然后给出回答。"思考"和"行动"是分开的两个阶段。

但机器人不行，物理世界不会停下来等待。机器人在"思考"的时候，一个正在滑落的物体不会暂停，一条流水线不会等它做完决策。

Harmonic Reasoning 的解决方案是：让感知流（sensing tokens）和行动流（acting tokens）在时间上异步、连续地交织运行，形成一种"谐振"的互动关系。

简单来说，模型可以一边感知世界，一边执行动作，不需要等"想好了再动"。这使得 GEN-0 在不依赖 System1-System2 分离架构的情况下，也能扩展到非常大的模型规模。

GEN-0 的数据引擎：不用机器人数据做预训练

这是 GEN-0 最反直觉的设计之一。GEN-0 的基础预训练模型完全不使用机器人数据，而是使用低成本可穿戴设备收集的、人类进行数百万种活动的数据 。把"人手操作"的视觉-动作数据作为预训练语料，让模型先学会物理世界的基本直觉。

截至发布时，这个预训练数据集包含超过27万小时的真实世界操作数据，覆盖全球数千个家庭、仓库和工作场所，并以每周1万小时的速度持续增长。

一个关键的"相变"发现

在扩展实验中，GEN-0 观察到了一个令人惊讶的"相变"（phase transition）现象，1B 参数的模型在大量数据面前会出现"骨化（ossification）"，模型权重逐渐无法吸收新信息，而超过 7B 参数后，模型才能真正从大规模预训练中受益，并以极少的微调步骤快速适应新任务。

这和莫拉维克悖论（Moravec's Paradox）遥相呼应：人类觉得简单的事情（感知和手部操作），对计算机来说反而需要极高的计算复杂度。

GEN-1：从"能用"到"好用"

五个月后，GEN-1 登场了。如果说 GEN-0 是"路是通的"，那 GEN-1 就是"车真的开起来了"。

核心成果：三个维度上的跨越

GEN-1 用一个词来定义新的目标：Mastery（精通）。它由三部分组成。

可靠性（Reliability）：GEN-1 在多项任务上实现了 99% 的成功率，而此前的 GEN-0 平均只有 64%，从零训练（不使用预训练）的模型更只有 19%。这不是偶尔成功一次，而是机器人能连续工作数小时不出错，折叠箱子连续完成200次，零干预地为机器人吸尘器换配件超过200次，打包零件超过1800次。

速度（Speed）：在折叠箱子这一任务上，GEN-1 可以在约12秒内完成，是此前最优水平（包括 GEN-0 和 Physical Intelligence 的 π0，两者均需约34秒）的2.8倍快。速度的提升并非简单地让电机转得更快，而是模型真正理解了物理动力学并学会了更高效的操作策略。

即兴应变（Improvisation）：这是最难量化、也最令人印象深刻的能力。在一个长时程汽车零件装配任务中，如果一个垫圈被碰飞到了奇怪的位置，机器人可以自主决定把它放下来重新抓取、利用物体边缘的"外力"辅助重新握持，或者用另一只手配合双手重新操作。这些都是训练分布以外的行为。

技术上做了什么？

GEN-1 并非单纯的"更多数据+更多算力"，它在以下几个方向进行了系统性创新：

预训练升级：数据集从 GEN-0 的27万小时扩展到超过50万小时的高保真物理交互数据，同时对分布式训练基础设施进行了彻底重新设计，以支持 PB 级物理数据的高效处理。

推理时技术（Harmonic Reasoning 演进）：GEN-1 引入了对推理方式的进一步改进，包括新形式的 paged attention，以实现真正的实时推理。这使得模型在更大规模下仍然能保持低延迟的闭环控制。

训练后技术（Post-training）：GEN-1 在预训练基础上引入了强化学习（RL）、多模态人类指导，以及新的推理时引导技术，让模型在具体任务上达到更高的精通程度。

数据效率的质变：GEN-1 的每项任务结果，仅需约1小时的机器人实际操作数据就能达到。预训练完全不含机器人数据，因此每次适配新任务，模型是在同时学习"如何控制这个机器人身体"和"如何完成这个任务"，两件事一起学，只需一小时数据。

一个值得思考的深层问题：对齐

GEN-1 展示了涌现式的即兴行为，机器人会自发地摇晃袋子让物体落入正确位置，会在物品掉落前伸手接住，会重新整理放错位置的东西。

但这引出了一个深刻的问题，机器人学中"成功"的定义并不是普世的。它是任务特定的、流程特定的，最终是用户定义的。不仅仅是机器人"应该做什么"，更重要的是它"不应该做什么"。

涌现行为既可以是优势（自发的恢复动作），也可能是隐患。这是具身 AI 独有的对齐挑战，和语言模型的对齐问题性质上截然不同，因为物理行动有真实的后果。

总结

GEN-0 证明了规模定律在机器人领域成立。GEN-1 则越过了一个关键门槛：在简单任务上实现了接近工业部署标准的可靠性、速度和鲁棒性，同时只需极少的任务专用数据。

GEN-1 并不能解决所有任务，并非所有尝试过的任务都能达到 99% 的成功率，某些任务甚至需要更高的可靠性才能在实际场景中落地。

但它最重要的意义，或许不在于当下能做什么，而在于它确认了一件事：每一代更大的模型，都会解锁一批新的、更复杂的任务，就像 GPT-3 之后的每一代语言模型一样。