Ого, объем финансирования Generalist, похоже, ускорили на 200% с помощью читов, как быстро они развиваются!
Я не преувеличиваю. Согласно Axios, менее чем через три месяца после того, как Generalist завершил в июне этого года раунд финансирования серии B на 400 миллионов долларов (2,87 миллиарда юаней) и вошел в ряды единорогов, Generalist тайно завершил еще один раунд финансирования на 200 миллионов долларов (примерно 1,44 миллиарда юаней), и его последняя оценка превысила отметку в 20 миллиардов долларов (примерно 143,6 миллиарда юаней).
NVIDIA, Bezos Expeditions под руководством Джеффа Безоса и «крестная мать ИИ» Фэй-Фэй Ли все находятся в числе его акционеров.
Generalist — это компания в области ИИ, специализирующаяся на «создании универсального мозга» для роботов, основанная в 2024 году в районе залива Сан-Франциско, США. Компания была основана бывшим исследователем Google DeepMind Питом Флоренсом, Энди Цзэном и бывшим инженером Boston Dynamics Эндрю Барри.
△
Согласно данным Forge, на момент публикации Generalist уже завершила 4 раунда финансирования, сумма финансирования составляет около 750 миллионов долларов (примерно 5,39 миллиарда юаней), в число инвесторов входят NVIDIA, Boldstart Ventures, сооснователь Xiaomi Бин Линь, Фэй-Фэй Ли, Навал Равикант и основатель Zoom Эрик Юань.
Generalist не выпускает крутые гуманоидные роботы и не рассказывает истории о заказах на роботизированные руки. Они просто благодаря командному бэкграунду из Google DeepMind, OpenAI и Boston Dynamics, а также мощным способностям к обобщению, продемонстрированным GEN-1.5, которые позволяют роботу научиться новым задачам «без необходимости повторного обучения, всего на основе одного примера», быстро вышли на передний план, став заметной новой звездой на треке воплощенного интеллекта и получив около 600 миллионов долларов (примерно 4,308 миллиарда юаней) финансирования всего за два месяца.
Так что же это за компания? В чем именно сила обобщения GEN-1.5? Что инвесторы видят в Generalist?
Прочитайте и узнаете:
Без переобучения, достаточно одного показа, чтобы начать работу
Если традиционные промышленные роботы — это повара, которые умеют готовить только по фиксированному рецепту, то GEN-1.5, недавно выпущенный Generalist, больше похож на нового ученика, который, увидев один раз, как работает мастер, может сразу же приступить к работе.
В прошлом роботы перед началом работы должны были пройти длительный «предварительный этап разработки», и их подход к решению проблем в основном следовал правилу «одна задача — одна стратегия»: один набор программ для закручивания винтов на производственной линии, и другой набор программ для сортировки деталей.
Даже если задача не изменилась, но просто изменилось положение объекта, форма или инструмент, инженерам, возможно, снова придется собирать данные, настраивать параметры и проводить обучение.
А GEN-1.5 как раз пытается снизить этот порог внедрения роботов с «приглашения инженеров для повторной разработки» до «однократной демонстрации персоналом на месте».
В демонстрационном видео Generalist работнику достаточно продемонстрировать один раз с помощью ручного захвата или робота, и модель сможет использовать данные с датчиков и движения продолжительностью от 3 до 12 секунд в качестве «физических подсказок», чтобы сразу понять задачу и начать операцию, без необходимости обновления градиентов или тонкой настройки.
Например, открутить стеклянную банку, открыть молнию на пенале, подмести кубики в миску или даже использовать ранее невиданные щетку и совок — он сможет организовать движения на основе демонстрации.
Конечно, GEN-1.5 пока не настолько волшебный, чтобы с одного взгляда добиваться стопроцентного успеха.
Официальные тесты показывают, что его средний процент успеха при однократной демонстрации на 10 простых, кратковременных задачах составляет 59%; если использовать данные примерно за 5 минут и провести тонкую настройку с помощью 10 шагов обновления градиента, процент успеха может возрасти до 83%.
Этот результат нельзя назвать идеальным, но он доказывает кое-что более важное: адаптацию роботов к задачам можно сжать с расчета на месяцы до расчета на секунды.
Именно эту возможность стать универсальной основой для роботов, возможно, и видят инвесторы.
Для клиентов одна и та же модель может быстрее внедряться на различных фабриках, складах и в лабораториях, снижая затраты на инженерное развертывание, сбор данных и остановку производства для наладки.
Для инвесторов Generalist продает не какого-то конкретного робота, а интеллектуальный слой, работающий на различном оборудовании, поэтому рыночные границы естественным образом шире.
А для самого Generalist универсальные возможности также могут запустить маховик данных:
Чем сильнее модель, тем больше реальных бизнес-задач она может охватить; чем больше развертываний, тем богаче данные физического взаимодействия; новые данные, в свою очередь, обучают следующее поколение моделей. В конечном счете, GEN-1.5 стремится дать роботам способность к непрерывному обучению и работе.
И эта способность «заменять месяцы разработки на секунды адаптации» появилась не на пустом месте, она проистекает как раз из десятилетнего опыта команды основателей в понимании проблем робототехнической отрасли.
Ветераны DeepMind и Boston Dynamics создают стартап по обучению «мозга робота»
Команда основателей Generalist практически объединила два самых ключевых навыка робототехнической индустрии.
Генеральный директор Пит Флоренс — доктор компьютерных наук MIT, ученик робототехника Расс Тедрейка, бывший старший научный сотрудник Google DeepMind, участвовавший в создании моделей зрения, языка и действий и обучавший первую мультимодальную большую модель DeepMind.
△
Главный научный сотрудник Энди Цзэн окончил бакалавриат Калифорнийского университета в Беркли, специализируясь на компьютерных науках и математике, а затем получил докторскую степень в области компьютерных наук в Принстонском университете.
Ранее он был научным сотрудником Google DeepMind, исследовал роботов, способных самостоятельно писать код, и изобрел метод массового сбора данных для роботов с помощью ручных захватов.
△
За то, чтобы воплотить идеи в реальном механическом теле, отвечает технический директор Эндрю Барри.
Он окончил бакалавриат в Инженерном колледже Олина, получил докторскую степень в MIT, его исследования включают управление роботами и высокоскоростное автономное избегание препятствий.
До прихода в Generalist он около 5 лет проработал в Boston Dynamics, занимая должность старшего специалиста по робототехнике и участвуя в разработке роботизированной руки для робота-собаки Spot.
Другими словами, он знает не только, что должна выводить модель, но и как роботу двигаться в реальном мире, чтобы не упасть, не дрожать и не застревать.
△
Эти трое собрались не потому, что ИИ стал популярным, и они решили временно создать команду, чтобы поймать волну. Их более чем десятилетняя предыдущая работа как раз указывала на одно и то же узкое место робототехнической индустрии:
Аппаратная часть уже умеет бегать, прыгать и захватывать, но настоящее ограничение для внедрения заключается в том, что «мозг» робота не поспевает за его «телом».
DeepMind привносит способность модели к обобщению для различных задач, объектов и сценариев;
Boston Dynamics привносит «физическое ощущение» механической структуры, систем управления и реальной среды.
Вот почему Generalist выбрал обучение универсального мозга для роботов, а не ставку на какой-то конкретный корпус робота. Они хорошо понимают, что только когда и модель, и аппаратное обеспечение соответствуют требованиям, роботы смогут перейти от лабораторных демонстраций к фабрикам и складам.
В противном случае, какая бы красивая ни была модель, это может вылиться лишь в несколько дополнительных научных статей; какими бы впечатляющими ни были движения робота, он все равно сможет выполнять только заранее запрограммированные сценарии.
Тем не менее, у GEN-1.5 по-прежнему есть большой потенциал для роста.
Увидеть один раз и понять — еще не значит быть готовым к работе
Однако, понять с одного раза не означает, что GEN-1.5 уже готов напрямую приступить к работе на заводе.
Generalist сознательно притормозил развитие этой способности. В официальном техническом блоге команда указывает, что в настоящее время они в основном тестируют простые, кратковременные задачи, такие как откручивание крышек, застегивание молний, захват предметов.
Средний процент успеха GEN-1.5 при однократной демонстрации на 10 типах задач составляет 59%, что значительно отстает от требований к стабильной, длительной работе на производственной линии с низким уровнем сбоев.
Попав на настоящий завод, роботу придется столкнуться с различиями в материалах, износом оборудования, вмешательством персонала и внезапными поломками — сложность намного выше, чем в лабораторной демонстрации.
Что еще более важно, «научиться по одному показу» в основном решает проблему адаптации к задаче, но автоматически не означает низкую стоимость коммерциализации.
Кроме того, возможность массового развертывания роботов зависит от цены оборудования, скорости работы, стоимости обслуживания, безопасности и способности к интеграции с системами. Даже если модель учится быстро, если роботизированная рука дорогая, часто выходит из строя или каждое развертывание по-прежнему требует больших инженерных настроек, коммерческая выгода все равно не сойдется.
Но ценность GEN-1.5 не следует оценивать только по текущему проценту успеха.
Появление GEN-1.5 доказывает, что у роботов есть возможность, подобно тому, как большие языковые модели понимают текстовые подсказки, быстро понимать новую работу с помощью нескольких секунд «физической подсказки».
Хотя он еще не поставил роботов на производственные линии для длительной работы, он уже способствует ускорению обучения роботов новым задачам — с расчета на месяцы до расчета на секунды.
Переход от «разработки одного набора программ для каждой задачи» к «обучению одной модели разным задачам» — вот что действительно заслуживает внимания в GEN-1.5.
Возможно, он еще не является квалифицированным рабочим, но, по крайней мере, демонстрирует возможный способ обучения будущих универсальных мозгов для роботов.
В этом смысле GEN-1.5 сегодня больше похож на дорожную карту к универсальному роботу, а не на уже готовое техническое описание продукта.
То, что действительно волнует рынок, — это не только то, сколько задач он может выполнить сегодня, но и то, что он демонстрирует возможность того, что роботы будут продолжать учиться выполнять больше задач.
Универсальный робот начинает свой путь
Если предыдущие робототехнические компании боролись за звание «чемпионов в отдельных дисциплинах», то история, которую Generalist рассказывает инвесторам, — это история о «роботе-универсале».
Когда способность роботизированной руки захватывать, перемещать и откручивать уже не является чем-то удивительным, стандарты внимания капитала также меняются.
По сравнению с тем, сколько действий заранее выучил робот, рынок больше интересует то, насколько быстро он учится новым действиям, сколько данных для этого требуется и какова стоимость развертывания.
Хотя у GEN-1.5 еще долгий путь к превращению из «понятливого с одного раза» в «стабильно работающего по восемь часов в день», Generalist, по крайней мере, подтвердил возможность того, что роботы не обязательно навсегда оставаться в ловушке «одна задача — одна стратегия», они тоже могут полагаться на универсальные модели, чтобы, подобно людям, быстро адаптироваться к незнакомым задачам.
А когда время обучения роботов новым навыкам сократится с месяцев до нескольких секунд, а предельные затраты постепенно приблизятся к нулю, возможно, переопределить придется не только робототехническую индустрию.
Тогда где же будет заключаться основная ценность человеческого труда?
Этот вопрос, возможно, заслуживает большего обсуждения, чем сам GEN-1.5.
Ссылки:
[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/
Эта статья взята из официального аккаунта WeChat «QbitAI», автор: Вэнь Тин
