Wah, bar kemajuan pendanaan Generalist sepertinya memakai cheat 2x kecepatan, perkembangannya terlalu cepat ya!
Saya tidak berlebihan. Menurut laporan Axios, setelah Generalist menyelesaikan pendanaan Seri B senilai 400 juta dolar AS (28,7 miliar yuan) pada Juni tahun ini dan memasuki jajaran unicorn, kurang dari tiga bulan kemudian, Generalist diam-diam telah menyelesaikan lagi putaran pendanaan baru senilai 200 juta dolar AS (sekitar 14,4 miliar yuan), dengan valuasi terbaru melampaui 20 miliar dolar AS (sekitar 143,6 miliar yuan).
Nvidia, Bezos Expeditions milik Bezos, dan 'Ibu Baptis AI' Li Feifei tercantum jelas dalam daftar pemegang sahamnya.
Generalist adalah perusahaan AI yang berfokus pada 'membuat otak universal untuk robot', didirikan pada tahun 2024 di Area Teluk San Francisco, AS. Perusahaan ini didirikan bersama oleh mantan peneliti Google DeepMind Pete Florence, Andy Zeng, dan mantan insinyur Boston Dynamics Andrew Barry.
△
Forge menunjukkan, hingga berita ini ditulis, Generalist telah menyelesaikan 4 putaran pendanaan secara berurutan, dengan jumlah pendanaan mencapai sekitar 750 juta dolar AS (sekitar 53,9 miliar yuan), dan investor termasuk Nvidia, Boldstart Ventures, pendiri bersama Xiaomi Lin Bin, Li Feifei, Naval Ravikant, dan pendiri Zoom Eric Yuan.
Generalist tidak merilis tubuh robot humanoid yang keren, juga tidak bercerita dengan pesanan lengan robot. Mereka hanya mengandalkan latar belakang tim dari Google DeepMind, OpenAI, dan Boston Dynamics, serta kemampuan generalisasi kuat GEN-1.5 yang ditunjukkan 'tidak perlu dilatih ulang, cukup satu demonstrasi agar robot dapat mempelajari tugas baru', dengan cepat mencuat, melompat menjadi bintang baru yang sangat diperhatikan di jalur kecerdasan embodied, dan dalam dua bulan berturut-turut memperoleh pendanaan sekitar 600 juta dolar AS (sekitar 43,08 miliar yuan).
Lantas, perusahaan ini sebenarnya dari mana? Seberapa kuat kemampuan generalisasi GEN-1.5? Apa yang dilihat investor dari Generalist?
Setelah membaca, Anda akan tahu:
Tidak Perlu Latihan Ulang, Cukup Satu Kali Demonstrasi Langsung Bisa
Jika robot industri tradisional adalah koki yang hanya bisa memasak sesuai resep tetap, maka GEN-1.5 yang baru dirilis Generalist, lebih seperti magang baru yang setelah melihat operasi master sekali, bisa langsung mengambil alih.
Dulu, sebelum mulai bekerja, robot harus mengalami 'pengembangan pra-kerja' yang panjang, dan cara mereka memecahkan masalah pada dasarnya mengikuti pola 'satu skenario, satu strategi', di jalur produksi mengencangkan sekrup adalah satu set program, pindah memilah suku cadang adalah set program lain;
Bahkan jika tugas tidak berubah, hanya posisi, bentuk benda, atau alat yang berubah, mungkin juga perlu insinyur mengumpulkan data ulang, menyesuaikan parameter, dan melakukan pelatihan kapan saja.
Sedangkan GEN-1.5 mencoba menurunkan ambang batas penerapan robot ini, dari 'minta insinyur mengembangkan ulang', menjadi 'personel di lokasi mendemonstrasikan sekali'.
Dalam video demonstrasi Generalist, staf hanya perlu menggunakan penjepit genggam atau robot untuk mendemonstrasikan sekali, model dapat menggunakan data sensor dan gerakan 3 hingga 12 detik sebagai 'kata kunci fisik', langsung memahami tugas dan mulai beroperasi, sepanjang proses tidak memerlukan pembaruan gradien atau penyesuaian halus.
Misalnya membuka tutup toples kaca, menarik ritsleting tas pena, menyapu balok ke dalam mangkuk, bahkan menggunakan sikat dan pengki yang belum pernah dilihat sebelumnya, ia dapat mengatur gerakan berdasarkan demonstrasi di lokasi.
Tentu saja, GEN-1.5 saat ini belum sampai sakti melihat sekali langsung berhasil 100%.
Pengujian resmi menunjukkan, pada 10 jenis tugas sederhana dan singkat, tingkat keberhasilan rata-rata demonstrasi tunggalnya adalah 59%; jika menggunakan data sekitar 5 menit, dan melakukan 10 langkah pembaruan gradien untuk penyesuaian halus, tingkat keberhasilan dapat naik menjadi 83%.
Prestasi ini tidak bisa dibilang sempurna, tapi membuktikan hal yang lebih penting: adaptasi tugas robot, berpeluang dikompresi dari hitungan bulan menjadi hitungan detik.
Yang mungkin dilihat modal, justru kemungkinan menjadi dasar universal robot semacam ini.
Bagi klien, model yang sama dapat lebih cepat masuk ke pabrik, gudang, dan laboratorium yang berbeda, mengurangi biaya penerapan teknik, pengumpulan data, dan penyesuaian penghentian jalur.
Bagi investor, Generalist tidak menjual robot tertentu, mereka menjual lapisan kecerdasan yang berjalan di atas perangkat keras yang berbeda, batas pasar tentu lebih besar.
Dan bagi Generalist sendiri, kemampuan universal juga dapat mendorong roda data berputar:
Semakin kuat model, semakin banyak bisnis nyata yang dapat dimasuki; semakin banyak penerapan, semakin kaya data interaksi fisik yang diperoleh; data baru kemudian melatih model generasi berikutnya. Pada akhirnya, yang ingin dilakukan GEN-1.5 adalah memberikan kemampuan belajar dan bekerja terus-menerus kepada robot.
Kemampuan 'mengganti pengembangan bulanan dengan adaptasi detikan' ini, bukan datang tiba-tiba, justru berasal dari pengalaman tim pendiri Generalist selama sepuluh tahun terhadap titik sakit industri robot.
Sekelompok Veteran DeepMind dan Boston Dynamics, Berwirausaha Melatih 'Otak Robot'
Tim pendiri Generalist, hampir menghimpun dua kemampuan paling kunci dari industri robot.
CEO Pete Florence adalah doktor ilmu komputer MIT, belajar dari ahli robot Russ Tedrake, pernah menjadi ilmuwan riset senior Google DeepMind, berpartisipasi merintis model penglihatan, bahasa, gerakan, dan melatih model multimodal besar pertama DeepMind.
△
Kepala Ilmuwan Andy Zeng lulus sarjana dari University of California, Berkeley, jurusan utama ilmu komputer dan matematika, kemudian memperoleh gelar doktor ilmu komputer dari Princeton University.
Dia pernah menjadi ilmuwan riset Google DeepMind, tidak hanya meneliti robot yang dapat menulis kode sendiri, tetapi juga menemukan metode mengumpulkan data robot secara besar-besaran menggunakan penjepit genggam.
△
Yang bertanggung jawab memasukkan ide ke dalam tubuh mesin sungguhan, adalah CTO Andrew Barry.
Dia lulus sarjana dari Olin College of Engineering, memperoleh gelar doktor dari MIT, bidang penelitian termasuk kontrol robot dan penghindaran otonom kecepatan tinggi;
Sebelum bergabung dengan Generalist, dia pernah bekerja di Boston Dynamics selama sekitar 5 tahun, menjabat sebagai spesialis robot senior, berpartisipasi mengembangkan lengan robot anjing mesin Spot.
Dengan kata lain, dia tidak hanya tahu apa yang harus dikeluarkan model, tetapi juga tahu bagaimana robot bergerak di dunia nyata agar tidak jatuh, tidak bergetar, tidak macet.
△
Ketiga orang ini bukan melihat AI booming, baru sementara membentuk tim mengejar tren, pekerjaan mereka lebih dari sepuluh tahun sebelumnya, kebetulan menunjuk ke satu hambatan yang sama di industri robot:
Perangkat keras sudah bisa berlari, melompat, menggenggam, yang benar-benar membatasi penerapan, adalah 'otak' robot tidak bisa mengikuti 'tubuh'.
Yang dibawa DeepMind, adalah kemampuan generalisasi model terhadap tugas, benda, dan skenario yang berbeda;
Yang dibawa Boston Dynamics, adalah 'rasa' terhadap struktur mekanis, sistem kontrol, dan lingkungan nyata.
Ini juga alasan Generalist memilih melatih otak universal robot, daripada menaruh modal pada tubuh robot tertentu, mereka sangat paham, hanya ketika model dan perangkat keras sama-sampai standar, robot baru bisa beralih dari demonstrasi laboratorium menuju pabrik dan gudang.
Kalau tidak, model seindah apa pun, mungkin hanya menerbitkan beberapa makalah lagi; gerakan robot semenarik apa pun, tetap hanya dapat menyelesaikan program yang sudah diatur sebelumnya.
Namun, GEN-1.5 saat ini masih memiliki ruang peningkatan yang besar.
Lihat Sekali Langsung Bisa, Tidak Berarti Sudah Bisa Bekerja
Namun, lihat sekali langsung bisa, tidak berarti GEN-1.5 sudah bisa langsung masuk pabrik bekerja.
Generalist secara aktif menginjak rem kemampuan ini. Blog teknologi resmi menyatakan, saat ini tim kebanyakan menguji tugas sederhana dan singkat seperti membuka tutup toples, menarik ritsleting, mengambil barang.
Tingkat keberhasilan rata-rata demonstrasi tunggal GEN-1.5 pada 10 jenis tugas adalah 59%, masih ada jarak yang jelas dari operasi stabil jangka panjang dan rendah kegagalan yang disyaratkan jalur produksi.
Setelah benar-benar masuk pabrik, robot juga harus menghadapi perbedaan material, keausan peralatan, gangguan personel, dan kegagalan mendadak, kesulitannya jauh lebih tinggi daripada demonstrasi laboratorium.
Yang lebih penting, 'belajar dengan satu demonstrasi' terutama menyelesaikan masalah adaptasi tugas, tidak otomatis sama dengan komersialisasi biaya rendah.
Dan apakah robot dapat diterapkan secara besar-besaran, juga tergantung pada harga perangkat keras, kecepatan operasi, biaya pemeliharaan, keamanan, serta kemampuan integrasi sistem. Meskipun model belajar cepat, jika lengan robot mahal, sering rusak, atau setiap penerapan masih memerlukan banyak penyesuaian teknik, perhitungan komersial tetap tidak masuk akal.
Tapi nilai GEN-1.5, juga tidak boleh hanya diukur dengan tingkat keberhasilan saat ini.
Kemunculan GEN-1.5 membuktikan robot berpeluang seperti model besar memahami kata kunci teks, melalui 'kata kunci fisik' beberapa detik dengan cepat memahami pekerjaan baru.
Meskipun belum mengantarkan robot ke jalur produksi yang beroperasi lama, sudah mendorong kecepatan robot belajar tugas baru dari hitungan bulan, dipersingkat menjadi hitungan detik.
Dari 'mengembangkan satu set program untuk setiap tugas', menuju 'model yang sama mempelajari tugas berbeda', ini adalah tempat yang lebih layak diperhatikan dari GEN-1.5.
Itu belum tentu sudah menjadi pekerja yang memenuhi syarat, tapi setidaknya menunjukkan cara belajar yang mungkin dimiliki otak robot universal di masa depan.
Dari sudut pandang ini, GEN-1.5 saat ini lebih seperti peta rute menuju robot universal, bukan buku petunjuk produk yang sudah matang.
Yang benar-benar menggembirakan pasar, bukan hanya berapa banyak hal yang dapat dilakukannya hari ini, tetapi juga menunjukkan kemungkinan robot terus mempelajari lebih banyak hal.
Robot Universal, Mulai Berjalan
Jika perusahaan robot di masa lalu berkompetisi menjadi 'juara tunggal', cerita yang diceritakan Generalist kepada modal, adalah kisah tentang 'ahli robot serba bisa'.
Saat lengan robot bisa menggenggam, meletakkan, mengencangkan sudah tidak aneh lagi, standar perhatian modal juga berubah.
Dibandingkan berapa banyak gerakan yang sudah dipelajari sebelumnya oleh satu robot, pasar lebih memperhatikan, seberapa cepat ia mempelajari gerakan baru, membutuhkan berapa banyak data, dan berapa biaya penerapan yang harus dibayar.
Meskipun GEN-1.5 masih memiliki jalan panjang untuk menyelesaikan transformasi dari 'lihat sekali langsung bisa' menjadi 'bekerja stabil delapan jam sehari', tapi Generalist setidaknya memverifikasi satu kemungkinan, yaitu robot tidak harus selamanya terperangkap dalam 'satu skenario, satu strategi', ia juga dapat mengandalkan model universal, seperti manusia dengan cepat beradaptasi dengan tugas asing.
Dan ketika waktu robot mempelajari keterampilan baru dipersingkat dari beberapa bulan menjadi beberapa detik, biaya marjinal secara bertahap mendekati nol, yang benar-benar perlu didefinisikan ulang, mungkin bukan hanya industri robot.
Saat itu, nilai inti tenaga kerja manusia, akan jatuh di mana?
Pertanyaan ini, mungkin lebih layak dibahas daripada GEN-1.5 itu sendiri.
Tautan referensi:
[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/
Artikel ini berasal dari akun WeChat publik "Qubit", penulis: Wen Ting
