点击关注
已关注公众号
硅谷在6月初迎来具身智能领域重磅融资消息，初创企业Generalist AI完成4亿美元新一轮融资，折合人民币约27亿元，企业累计融资金额突破5亿美元。在AI投资整体趋于理性、资本越发看重商业化落地的当下，这笔大额融资瞬间成为机器人赛道的热议焦点。
本轮融资由Radical Ventures领投，8VC、Union Square Ventures等多家知名机构新进投资，英伟达旗下NVentures、贝佐斯基金等老牌投资方全部追加投资。投资名单的亮点，落在李飞飞、Zoom创始人袁征等知名个人天使身上，跨学界、互联网、创投圈的投资人齐聚，直接抬高了项目的行业关注度。
当下整个机器人行业普遍陷入落地困境，多数项目停留在样机演示阶段，落地工厂后故障率高、定制化数据成本居高不下，资本市场早已厌倦只靠演示讲故事的创业项目。
资本集中加码Generalist，本质是看中它破解行业落地难题的技术潜力。本轮融资资金将主要用于真实世界数据储备与GEN系列模型迭代，公司聚焦通用机器人智能底座研发，不绑定自有硬件，未来可向各类机械臂、人形机器人厂商输出算法，这也是英伟达持续跟进投资的关键原因。
依托这套商业模式，Generalist未来有望靠技术授权切入全产业链，推动机器人行业形成硬件代工、算法付费的全新产业格局。
大厂资深从业者组队，创始团队凭什么打破固有研发思维？
能收获各路资本青睐，Generalist 的底气来源于三位核心创始人的从业履历，三人分别来自DeepMind与波士顿动力两大机器人技术高地，能力形成互补闭环。
CEO Pete Florence曾在Google DeepMind担任高级研究员，全程参与机器人大模型缩放定律的前期验证；CTO Andrew Barry拥有波士顿动力研发经历，深耕机器人物理运动控制；首席科学家Andy Zeng同样出身 DeepMind，主攻机器人小样本学习与多模态交互。跨算法与硬件的团队配置，避开了纯算法团队脱离现实工况、硬件企业算法迭代迟缓两大行业通病。
出身行业头部企业，这支团队却没有照搬大厂成熟技术路线。DeepMind深耕VLA架构、波士顿动力偏重运动控制研发，而Generalist跳出两条成熟赛道另起炉灶，这也是李飞飞选择出手投资的重要缘由。
作为具身智能领域顶尖学者，李飞飞深知行业深陷路线内卷的弊端，跳出定式的研发思路，在她眼中具备更高的产业化价值。
拒绝标签，GEN-1靠落地数据走出第三条技术路线？
2026年全球机器人行业陷入激烈的路线博弈，VLA和世界模型两大派系各执一词，多数企业被迫站队。Generalist却公开表态，GEN-1既不属于VLA，也不属于世界模型，这套表态直接戳破行业片面内卷的现状。
产品迭代速度，是Generalist技术实力最直观的体现。去年11月GEN-0正式发布，首次验证缩放定律能够落地机器人领域；时隔半年，GEN-1实现全方位升级。以手机装箱作业为例，无预训练基础模型成功率仅42%，GEN-0提升至62%，GEN-1作业成功率稳定突破99%，运行效率达到行业过往最优水平的3倍。除此之外，机型拥有临场应变能力，遇到物料错位、现场杂物干扰等突发问题，可自主调整动作完成作业，解决了传统机器人遇异常直接停机的痛点。
困扰行业多年的数据成本难题，被GEN-1大幅优化。传统机器人落地全新任务，动辄需要数十至上百小时真机采集数据，高额数据成本是中小企业自动化升级的拦路虎。GEN-1依托50万小时纯现实场景数据完成预训练，落地新项目仅需1小时真机数据微调，数据需求量缩减数十倍，从源头压缩机器人落地成本。
在研发逻辑上，GEN-1以物理交互为核心搭建原生架构，灵活吸收VLA的视觉语言理解能力，同时借鉴世界模型的环境动态预判优势，按需融合各类技术长处。在团队看来，VLA与世界模型只是研发工具，机器人产业最终目标，永远是在现实场景中稳定完成具备商业价值的工作，死守单一技术标签毫无意义。CEO Pete Florence提出行业终极目标是实现零样本物理AGI，而极低数据量适配新任务的GEN-1，已经踩中这条落地路径的中间节点。
Generalist破圈，给内卷的具身智能行业留下哪些现实启示？
Generalist的融资与技术突破，早已超越单一创业项目的发展故事，为整个机器人行业指明转型方向，也是这件事最值得行业深思的地方。
首先，行业研发重心必须从实验室炫技转向商业化落地。过去大量机器人项目专注参数、演示效果，忽略工厂复杂的实际工况。GEN系列所有技术优化围绕成功率、落地成本、应急适配三个商业化指标，用实打实的产线数据换取资本认可，未来落地效果将成为评判机器人技术优劣的第一标准。
其次，技术发展不存在非黑即白的单选题，融合优于站队。从早年感知与控制之争，到如今VLA对标世界模型，机器人行业常年陷入二元对立的口水战。Generalist摒弃路线对立思维，博采各家技术优势的研发模式，给全行业提供参考，未来会有越来越多厂商放下派系之争，聚焦实际场景优化产品。
最后，低成本小样本落地，打开了机器人规模化普及的拐点。高额定制化数据成本长期束缚机器人商业化，GEN-1证明通用现实预训练+少量真机微调的模式可行。伴随同类技术持续成熟，机器人改造费用持续下降，中小型工厂自动化门槛不断降低，工业机器人大规模落地的窗口期正在临近。
当然，Generalist仍要面对硬件适配、海量数据采购带来的成本压力，但不可否认，这家成立两年的初创公司，已经找到了具身智能落地的可行解法。当高成功率、低成本部署成为机器人常态，整个行业将正式迈入商业化爆发周期。
往期推荐
融资10亿!上海国资重仓AMD前员工
吴夏青是谁？为什么离职英伟达创业？
点赞鼓励一下
图片来源：网络
本文不作为投资建议