克雷西 发自 量子位
具身智能领域取得重要突破，独角兽企业Generalist最新推出Gen-1模型，显著提升机器人技术性能门槛。
在手机包装和纸箱折叠等精细操作中，任务成功率从64%提升至99%，操作时间由34秒缩短至12.1秒，效率提高近三倍。
其性能表现同时验证了机器人领域缩放定律（Scaling Law）的有效性。
Gen-1实现性能飞跃
Gen-1操作流畅度大幅提升，面对200次重复扫地机器人维护等任务仍能保持稳定输出。
连续1800次装箱任务中均高效完成，且具备智能应变能力：当流水线零件意外位移时，可自主调整抓取策略，通过双手协同完成作业。
这种基于直觉的问题解决能力使其在处理无序环境时表现卓越，彻底摆脱传统机器人的机械僵硬感。
基于人类活动数据的训练方法
研发团队重构数据处理架构，创新采用低成本穿戴设备采集数百万项人类活动记录，使AI通过模拟学习掌握物理世界运行规则。
该"去机器人化"预训练方案突破数据规模限制，使基础模型预先理解空间、时间与物理因果关系。
依托50万小时高保真物理交互数据集，Gen-1学习效率达前代模型10倍，面对陌生任务或新机械臂仅需1小时实机演示即可适应。
为实现动作流畅性与实时控制，团队开发两项关键技术：
其一分页注意力（Paged Attention）机制：针对物理世界优化的计算资源调度方案，解决响应延迟问题，确保毫秒级动作指令执行。
其二谐波推理（Harmonic Reasoning）系统：通过多尺度动态权重调节，在复杂任务中突破单一模型性能上限。
研发团队通过定制内核优化与训练稳定性提升，充分释放硬件算力潜能。
缩放定律在机器人领域得到验证
Gen-1的性能跨越证明，持续扩大数据规模与算力投入将显著提升机器人理解能力。
经大规模预训练，模型自主掌握空间、时间及因果关系规律，能感知物体相互影响并作出响应。
面对突发阻碍时展现"灵性"：如物品无法插入时会自动调整姿态，本质源于对"动作导致后果"的逻辑理解。
通过精准对齐技术，确保即兴解题行为始终符合预设规范，使机器人从机械执行者蜕变为具备物理常识的复杂场景处理专家。
核心团队技术底蕴深厚
Gen-1的成功源于创始人Pete Florence在机器人领域的深厚积累。他曾任Google DeepMind高级研究科学家，主导Dense Object Nets等视觉引导机器人关键项目，并作为核心成员参与PaLM-E、RT-2等代际突破性研究。
2024年创立Generalist后，其技术影响力持续彰显，2025年DeepMind发布的Gemini Robotics论文仍多次引用其研究成果。
参考链接：
https://generalistai.com/blog/apr-02-2026-GEN-1
完