哇，Generalist的融资进度条怕是开了2倍速外挂，这也发展得太快了吧！

我可没有使用夸张手法，据Axios报道，继今年6月Generalist完成4亿美元（28.7亿元）B轮融资，跻身独角兽行列之后不到三个月，Generalist又悄然完成了新一轮2亿美元（约14.4亿元）融资，最新估值已超20亿美元大关（约143.6亿元）。

英伟达、贝索斯旗下的Bezos Expeditions以及“AI教母”李飞飞都赫然在其股东行列。

Generalist是一家专注于给机器人“打造通用大脑”的AI公司，2024年创立于美国旧金山湾区，该公司由前Google DeepMind研究员Pete Florence、Andy Zeng和前Boston Dynamics工程师Andrew Barry共同创立。

△

Forge显示，截至发稿，Generalist已先后完成了4轮融资，融资额约达7.5亿美元（约53.9亿元），投资方包括英伟达、Boldstart Ventures、小米联合创始人林斌、李飞飞、Naval Ravikant和Zoom创始人袁征等。

Generalist既不发布炫酷的人形机器人本体，也不靠机械臂订单讲故事，他们仅仅凭借着来自Google DeepMind、OpenAI和Boston Dynamics的团队背景，以及GEN-1.5所展示的“不需要重新训练、一次示范即可让机器人学会新任务”的强大泛化能力迅速出圈，一跃成为具身智能赛道备受瞩目的新星，并在短短两个月内接连斩获约6亿美元（约43.08亿元）融资。

那么这家公司究竟是什么来头？GEN-1.5的泛化能力究竟强在哪里？投资者们看中的是Generalist的哪一点？

看完你就知道了：

不用重新训练，演示一次就能上手

如果说传统工业机器人是只会照固定菜谱做菜的厨师，那么Generalist最新发布的GEN-1.5，更像一个看过师傅操作一遍，就能立刻接手的新学徒。

过去，机器人上岗前都得先经历一次漫长的“岗前开发”，它们解决问题的方式也都基本遵循着“一景一策”的规律，在产线上拧螺丝是一套程序，转去分拣零件又是另一套程序；

哪怕任务没变，只是物体位置、形状或工具发生变化，也可能随时需要工程师重新采集数据、调参数、做训练。

而GEN-1.5正试图把这道部署机器人的门槛，从“请工程师重新开发”，降到“现场人员示范一次”。

在Generalist的演示视频中，工作人员只需用手持夹爪或机器人演示一次，模型就能把3至12秒的传感器与动作数据作为“物理提示词”，直接理解任务并开始操作，全程不需要梯度更新或微调。

比如拧开玻璃罐、拉开笔袋拉链、把方块扫进碗里，乃至使用此前没见过的刷子和簸箕，它都能根据示范现场组织动作。

当然了，GEN-1.5目前还没有神到看一眼就百发百中。

官方测试显示，它在10类简单、短时任务上的单次示范平均成功率为59%；如果使用约5分钟数据、进行10个梯度更新步骤的微调，成功率可升至83%。

这个成绩谈不上完美，但它证明了一件更重要的事：机器人的任务适配，有机会从以月计算压缩到以秒计算。

资本看中的，可能也正是这种成为机器人通用底座的可能性。

对客户而言，同一套模型可以更快进入不同工厂、仓库和实验室，减少工程部署、数据采集与停线调试的成本。

对投资人而言，Generalist卖的不是某一台机器人，他们卖的是运行在不同硬件之上的智能层，市场边界自然更大。

而对Generalist自身来说，通用能力还能推动数据飞轮转起来：

模型越强，能够进入的真实业务越多；部署越多，获得的物理交互数据越丰富；新数据再反过来训练下一代模型。最终，GEN-1.5想做的是让机器人获得持续学习和工作的能力。

而这种“以秒级适配替代月级开发”的能力，并非凭空而来，它恰恰源于Generalist创始团队对机器人行业痛点的十年体感。

一群DeepMind、Boston Dynamics老兵，创业训练“机器人大脑”

Generalist的创始团队，几乎把机器人产业最关键的两种能力凑齐了。

CEO Pete Florence是MIT计算机科学博士，师从机器人学家Russ Tedrake，曾任Google DeepMind高级研究科学家，参与开创视觉、语言、动作模型，并训练过DeepMind首个多模态大模型。

△

首席科学家Andy Zeng本科毕业于加州大学伯克利分校，主修计算机科学与数学，后在普林斯顿大学取得计算机科学博士学位。

他曾担任Google DeepMind研究科学家，不仅研究过能自己编写代码的机器人，还发明了用手持夹爪大规模采集机器人数据的方法。

△

负责把想法真正塞进机器身体里的，是CTO Andrew Barry。

他本科毕业于欧林工学院，在MIT取得博士学位，研究方向包括机器人控制与高速自主避障；

加入Generalist之前，他曾在Boston Dynamics工作约5年，担任高级机器人专家，参与开发机器狗Spot的机械臂。

换句话说，他不只知道模型应该输出什么，还知道机器人在真实世界里怎样运动才不摔、不抖、不卡壳。

△

这三个人不是看到AI火了，才临时组队追风口，他们此前十多年的工作，恰好都指向机器人产业的同一个瓶颈：

硬件已经能跑、能跳、能抓取，真正限制落地的，是机器人的“大脑”跟不上“身体”。

DeepMind带来的，是模型对不同任务、物体和场景的泛化能力；

Boston Dynamics带来的，则是对机械结构、控制系统和真实环境的“体感”。

这也是Generalist选择训练机器人通用大脑，而不是押注某一款机器人本体的原因，他们深知，只有模型与硬件同时过关，机器人才能从实验室演示走向工厂和仓库。

否则，模型再漂亮，也可能只是多发几篇Paper；机器人动作再炫，也依然只能完成预先编排好的节目。

不过，GEN-1.5目前仍有很大的进步空间。

看一遍就会，不等于已经能上班

不过，看一遍就会，并不意味着GEN-1.5已经能直接进厂上班。

Generalist主动给这项能力踩下了刹车。官方技术博客表示，目前团队测试的大多是拧罐盖、拉拉链、抓取物品等简单、短时任务。

GEN-1.5在10类任务上的单次演示平均成功率为59%，距离生产线要求的长时间、低故障稳定运行还有明显差距。

真正进入工厂后，机器人还要面对物料差异、设备磨损、人员干扰和突发故障，难度远高于实验室演示。

更重要的是，“一次演示学会”解决的主要是任务适应问题，并不自动等于低成本商业化。

而且机器人能否大规模部署，还取决于硬件价格、运行速度、维护成本、安全性以及系统集成能力。即使模型学得快，如果机械臂昂贵、故障频繁，或者每次部署仍需要大量工程调试，商业账依旧算不过来。

但GEN-1.5的价值，也不该只用当下的成功率衡量。

GEN-1.5的出现证明了机器人有机会像大模型理解文本提示一样，通过几秒钟的“物理提示”迅速理解新工作。

它虽然尚未把机器人送上长时间运转的生产线，却已经在推动让机器人学习新任务的速度从按月计算，缩短到按秒计算。

从“每个任务开发一套程序”，走向“同一个模型学习不同任务”，这才是GEN-1.5更值得关注的地方。

它未必已经是一名合格工人，但至少展示了未来通用机器人大脑可能具备的学习方式。

从这个意义上看，GEN-1.5眼下更像一张通往通用机器人的路线图，而不是一份已经成熟的产品说明书。

真正让市场兴奋的，不仅是它今天能做多少事，更是它展示了机器人持续学会更多事情的可能。

通用机器人，开始上路

如果说过去的机器人公司都在争当“单项冠军”，Generalist讲给资本听的，则是一个关于“机器人通才”的故事。

当机械臂能抓、能放、能拧已经不再稀奇，资本关注的标准也随之改变。

比起一台机器人预先学会了多少动作，市场更在意的，是它学习新动作究竟有多快、需要多少数据，又要付出多高的部署成本。

尽管GEN-1.5在完成从“看一遍就会”到“每天稳定干八小时活”的蜕变之路上还有很长的路要走，但Generalist至少验证了一种可能，即机器人不必永远困在“一景一策”里，它也可以依靠通用模型，像人一样快速适应陌生任务。

而当机器人学习新技能的时间从数月缩短到几秒，边际成本逐渐趋近于零，真正需要被重新定义的，或许就不只是机器人产业。

届时，人类劳动者的核心价值，又会落在哪里？

这个问题，可能比GEN-1.5本身更值得讨论。

参考链接：

[1]https://www.axios.com/2026/08/24/robotics-ai-generalist-200m

[2]https://forgeglobal.com/generalist_stock/

[3]https://generalistai.com/blog/gen-1.5

[4]https://generalistai.com/about

[5]https://www.peteflorence.com/

[6]https://andyzeng.github.io/[7]https://abarry.org/