新智元报道
8 月 19 日，宇树科技在科创板上市，开盘市值约 4449 亿元。同日，英伟达 CEO 黄仁勋之女现身北京 WRC 世界机器人大会。紧接着，硅谷机器人公司 Generalist AI 于北京时间凌晨发布新一代基础模型 GEN-1.5。
两个月前，斯坦福教授李飞飞、小米联合创始人林斌、Zoom 创始人袁征及英伟达共同完成了对 Generalist AI 的 4 亿美元融资。GEN-1.5 的发布揭示了资本涌入的逻辑：仅需观看一段 3 至 12 秒的动作演示，无需训练或微调，机器人即可当场执行任务，在 10 个操作任务中平均成功率达 59%。
过去工程师需耗时三月编程才能让机器人拧开瓶盖，如今仅需三段视频和零行代码。多位顶尖研究者将这一刻类比为 2020 年 GPT-3 的发布，认为具身智能正式迎来了自己的"GPT-3 时刻”。
没人教过的策略：从预训练中涌现
GEN-1.5 最震撼业界的能力并非模仿，而是即兴发挥。Generalist AI 的实验显示，仅用 5 分钟人类演示数据（仅做 1 个梯度步骤微调）教会机器人用刷子将积木扫入碗中后，更换工具时模型展现了惊人的泛化能力：
- 面对香蕉，它利用形状相似性将其作为刷子横扫积木；
- 面对簸箕，它放弃“扫”的策略，转而用手将积木推上簸箕并倾倒；
- 当碗被纸覆盖，模型自发掀开纸张放入积木，甚至事后盖回；
- 面对指尖粘连的乐高积木，模型主动用另一只手拨落；
- 在未被教导的情况下，模型自发切换双手操作旋转罐盖，并按颜色分拣积木。
这些动作序列并未出现在训练数据中，Generalist AI 通过检索约 189 万段预训练场景也未找到类似用法。这是大规模预训练带来的涌现能力。
GEN-1.5 已连续预训练超过 8 个月，经历三个阶段。验证集曲线显示，模型的“下一步动作预测误差”持续下降且未见收敛迹象。这验证了具身智能的 Scaling Law（缩放定律）：随着物理交互数据规模增大和训练时间延长，模型泛化能力持续增强。
研究还发现一个反直觉现象：微调的梯度步骤越少，即兴发挥能力越强。仅 10 个梯度步骤只改变了 0.15% 的参数，这更接近于“提醒模型已知的事情”，而非重新训练，从而保留了预训练积累的广泛物理经验。
此外，GEN-1.5 跨越了两道行业鸿沟：一是模拟器演示可直接迁移至真实机器人执行，并泛化至不同机械手和新物体位置；二是人类徒手演示可被机器人直接复现。这些能力均非刻意架构设计的结果，而是从大规模物理数据预训练中自行涌现。
「操作学习的圣杯」：Scaling 趋势清晰
尽管此前已有团队展示过类似的上下文学习能力，但多局限于少数任务。GEN-1.5 的新颖在于其广泛的覆盖面。虽然目前任务仍集中于拧瓶盖、拉拉链等短程操作，距离复杂长程任务尚有距离，但其发展轨迹与 2020 年的 GPT-3 高度相似：能力尚显粗糙，但方向明确，Scaling 趋势清晰。
Generalist AI 官方博客指出：“过了某个预训练阈值之后，适配一个新任务的成本变得可以忽略不计。涌现的上下文学习、几秒钟的数据或一个梯度步骤，已不再是传统意义上的任务特定训练，而是对模型已知知识的唤醒。”
如果具身智能的 Scaling 曲线确实未现收敛迹象，那么下一轮竞争的核心将是谁拥有足够的物理交互数据。这与 2021 年大语言模型进入数据争夺战的剧本如出一辙。
看一遍就能学会：59% 和 83% 背后的拐点
2020 年 GPT-3 通过 In-context Learning（上下文学习）实现了从专用工具到通用平台的跨越。GEN-1.5 将这一能力带入物理世界，称之为 Physical Prompting（物理提示）。
其操作逻辑是：将一段包含传感器数据和动作轨迹的真实演示塞进模型的 30 秒上下文窗口，模型即刻尝试执行，全程无训练步骤。这与传统需要数万步梯度下降的微调形成鲜明对比。
在 10 个不同操作任务（如开罐、拉拉链、取钱、叠纸等）的测试中，GEN-1.5 表现如下：
- One-shot（零梯度步骤）：平均成功率 59%；
- Few-shot（5 分钟数据，10 个梯度步骤）：平均成功率 83%。
这一数据结构与 2020 年 GPT-3 在语言任务上的表现（One-shot 约 45%，Few-shot 约 65%）高度相似。这意味着，教机器人新任务的时间成本已从数月压缩至数秒，使用者也从专家扩展至普通人。
机器人沸腾的一周：上市潮与大脑缺席的焦虑
GEN-1.5 发布的节点正值全球具身智能行业的高光时刻。8 月 19 日，WRC 世界机器人大会在北京开幕，300 余家企业亮相；8 月 22 日，第二届世界人形机器人运动会开赛，参赛队伍同比增长 138%，首次聚焦真实场景下的长程任务。
刚上市的宇树科技虽以 2025 年全球第一的出货量（5500 台）和 60% 的毛利率引人注目，但其招股书也暴露了隐忧：2026 年一季度营收增速大幅回落，净利润同比下降，核心原因是研发投入激增。宇树正在追赶其缺失的关键拼图——具身智能大模型。
正如分析文章《宇树科技的招股书里，藏着对工程奇迹“保质期”的焦虑》所指出的，宇树造出了全球领先的躯体，却面临“大脑缺席”的结构性困境。2026 年被称为具身智能“上市大年”，超 20 家公司计划上市，背后多是资金压力驱动。
宇树创始人王兴兴在 WRC 上坦言，具身智能大模型是主要瓶颈，预计机器人的"ChatGPT 时刻”将在未来两到十年内到来。GEN-1.5 的发布正是对这一判断的首次实证回应。
一旦通用大模型成熟，躯体厂商的价值将取决于接入大脑的速度，而非单纯的硬件参数。Generalist AI 的团队背景印证了这一技术路线的正确性：联合创始人 Pete Florence 和 Andy Zeng 来自谷歌 DeepMind，Andrew Barry 来自波士顿动力。公司继 2026 年 6 月完成 4 亿美元融资（估值 20 亿美元）后，正以 30 亿美元估值洽谈新一轮融资。
从左至右分别为：Pete Florence, Andrew Barry, Andy Zeng
硅谷大佬的集体沸腾与理性冷思考
GEN-1.5 的发布在机器人研究社区引发强烈反响。联合创始人 Pete Florence 感慨，近十年的想象终于走进现实，实现了他心中清晰的"One-shot 上下文学习”目标。
卡内基梅隆大学研究者 Chris Paxton 称其为“操作学习的圣杯”，东北大学 Jimmy Yang 则认定这是该领域真正特别的时刻。
英伟达机器人技术总监 Jim Fan 提供了深入的技术观察。他指出 GEN-1.5 涌现能力的两个关键：一是训练数据中自然存在的对称重复动作模式（如反复拧螺丝），构成了天然的上下文学习样本；二是数据中包含的人类失误后恢复动作（失败 - 恢复 - 继续），让模型自然习得纠错能力。此外，Generalist AI 采用的 UMI 数据采集方式（人直接佩戴夹爪操作）有效保留了人类的“物理直觉”。
当然，理性的声音依然存在。Jim Fan 在评论区提醒：“演示目前仍然有点太简单了，还不能下最终结论。”但这并不妨碍 GEN-1.5 成为具身智能发展历程中的重要里程碑。
参考资料：
https://generalistai.com/blog/gen-1.5
编辑：马可