一根香蕉，讓整個機器人圈炸了。
研究人員先教機器人拿起一把刷子，把桌上的積木掃進碗裡。
然後，他們把刷子拿走，換成一根香蕉。
機器人抓起香蕉，將它橫過來貼住桌面，把積木一點點掃進碗中。
隨後，香蕉又被換成了一隻簸箕。機器人這次沒有繼續照搬 "掃" 的動作，而是伸出另一隻手，把積木推上簸箕，再端起來倒進碗裡 —— 一隻手掃、一隻手接，雙手配合，行雲流水。
重點是：研究人員從來沒有教過它用香蕉和簸箕，它是自己推理出來的。
這不是科幻電影，這是 8 月 19 日矽谷機器人公司 Generalist AI 發佈的新一代具身基礎模型 GEN-1.5 的真實演示。一條演示視訊，在 48 小時內刷爆了全球機器人研究者的社交網路。前 Google DeepMind Gemini Robotics 研究者 Ted Xiao 直接說："那種能力突然躍升的感覺，讓我想起第一次使用 GPT-3。"
很多人把它稱為機器人的 GPT-3 時刻。但這個判斷到底成不成立？GEN-1.5 究竟做對了什麼？它離真正改變產業還有多遠？我們一層層扒開看。
一、GEN-1.5 到底能做什麼？四個能力，一個比一個炸裂
先把技術名詞放一邊，用大白話講清楚 GEN-1.5 展示的四項核心能力。
1. 物理提示（Physical Prompting）：看一遍就會，0 行程式碼
這是 GEN-1.5 最核心的突破。
研究人員拿著一對簡易夾爪，在機器人面前完成一個 3 到 12 秒的操作 —— 拉開一次拉鏈、擰開一次罐蓋、從錢包裡抽出一張紙幣。演示只有一遍，GEN-1.5不進行任何微調，不更新任何模型參數，隨即在物體位置發生變化的情況下，開始嘗試同一項任務。
Generalist 把這個機制叫做 "physical prompting"—— 物理提示。它和給大語言模型寫一段 prompt 幾乎一模一樣：示範沒有被訓練進模型，只是臨時告訴它 "這一次要做什麼"。
在 10 項全新操作任務上，這種 "看一遍就做" 的平均成功率達到了59%。
這個數字乍看不算高，但放在機器人領域的語境裡，幾乎是不可思議的。過去教一個機器人擰瓶蓋，工程師要程式設計、採集資料、訓練、偵錯，周期動輒數月。現在需要的全部投入，是一段三秒鐘的演示，和零行程式碼。
2. 組合泛化：兩個動作，自己拼成一套流程
物理提示還可以組合。
研究人員分別示範兩個獨立任務 —— 比如 "拉開鉛筆袋拉鏈" 和 "從袋裡取出錢"—— 把兩段演示一起放進模型的上下文窗口。GEN-1.5 會把它們接成一套連續動作，並且自己補上示範裡沒有的中間步驟：調整位置、換手、重新抓取、錯誤恢復。
這些過渡動作，兩段示範裡都沒有出現過，是模型自己 "腦補" 出來的。
這意味著什麼？未來你不需要為一個複雜流程錄製完整演示，只需要建一個小動作庫，像搭積木一樣把短提示拼起來，機器人就能執行長程任務。這是物理世界裡的 "prompt chaining"。
3. 零樣本 Sim-to-Real：模擬器裡看一遍，真實世界直接上手
更絕的是跨域遷移。
一段完全在模擬器裡錄製的演示，可以直接作為物理提示，讓真實機器人執行對應任務。注意，GEN-1.5 的預訓練資料裡完全沒有模擬器資料—— 它從來沒在模擬環境裡訓練過，但模擬演示照樣能 "提示" 它在真實世界幹活。
這直接擊穿了機器人領域長期頭疼的 "sim-to-real gap"（模擬到現實的鴻溝）。過去這個問題需要複雜的域隨機化、大量真實資料微調來彌補，現在一段模擬演示就能跨過去。
4. 即興工具使用：沒見過的工具，自己琢磨用法
就是開頭那根香蕉和簸箕的故事。
模型只學過用刷子掃積木，但面對香蕉、簸箕這些從未見過的工具，它能自己推斷出 "這個東西也能用來掃"，甚至發展出雙手配合的新策略。它還會在遇到意外時直接換辦法：碗被紙蓋住，它會先移開紙；樂高卡在夾爪上，它會用另一隻手取下；只學過單手開罐，有時會自動換成雙手。
這種 "行為策略層面的泛化"，是過去機器人最缺的東西。以前的機器人像在忠實復現一條訓練過無數次的軌跡，環境稍有變化就失敗；而 GEN-1.5 開始表現出 "理解目標、靈活達成" 的跡象。
二、技術深扒：為什麼它能 "看一遍就會"？
GEN-1.5 的能力不是憑空出現的。理解它，要從三個層面切入：模型架構、資料引擎、scaling 規律。
模型架構：30 秒記憶窗口，100Hz 輸出動作
GEN-1.5 是一個大型多模態模型，同時處理視訊輸入（擁有 30 秒的記憶窗口）、其他感測器資料、語言指令和機器人自身的本體感知狀態，以100Hz的頻率輸出動作軌跡。
物理提示的工作機制是：把一段 3-12 秒的演示（感測器資料 + 動作軌跡）插入 30 秒的上下文窗口，剩餘空間持續滾動加入機器人最新看到的畫面。模型在執行中不斷觀察、修正，閉環控制。
一個關鍵細節：GEN-1.5約 99% 的參數是從頭訓練的，並不依附 Gemini、GPT 或其他已經讀過網際網路圖文的預訓練模型。Generalist 的判斷是 —— 機器人過去需要借用語言和圖像模型，是因為物理資料太少；當真實運算元據達到幾十萬小時，模型可以主要從物理經驗中建立自己的能力。
這也是為什麼 Generalist 一直拒絕把自己的模型簡單稱為 VLA（視覺 - 語言 - 動作模型）或 World Model（世界模型）。它的方式更直接：看到當前畫面和剛才的示範，持續決定下一步怎樣動。
資料引擎：一天讀取 6.85 年人類經驗
GEN-1.5 能力的根基，是海量真實物理世界資料。
Generalist 採用的資料採集路線類似 UMI（Universal Manipulation Interface）：讓人拿著一隻帶相機的低成本手持裝置和簡易夾爪，直接在家庭、倉庫和工廠裡幹活，再把動作轉換成機器人能學習的資料。
這種方式的優勢是成本極低、擴展性極強 —— 不需要給每個採集者配一台昂貴的機器人。公司稱已經在不同地區部署了數千套採集硬體，訓練系統一天可以讀取相當於6.85 年的人類操作經驗。
資料增長曲線非常清晰：
- 2025 年 11 月 GEN-0：超過27 萬小時真實運算元據，每周新增約 1 萬小時
- 2026 年 4 月 GEN-1：超過50 萬小時
- 2026 年 8 月 GEN-1.5：未公佈最新總量，但連續預訓練已超過 8 個月
鹿明機器人聯合 CTO 丁琰曾估算：即使完全照著 Generalist 公開的採集方式重建，僅製造採集硬體就需要四到六個月；積累 27 萬小時資料，至少需要約 1000 人持續採集大半年到一年。對新團隊來說，"半年到一年追上" 都過於樂觀。
Scaling 規律：從數百次梯度更新，壓縮到 0 次
GEN-1.5 最震撼的不是某個單一數字，而是一條清晰的趨勢線。
Generalist 過去兩年的全部賭注，壓在一個判斷上：物理智能也可以 scaling—— 資料、模型規模和計算量一起增加，一組不同任務會共同進步。
這條路線的驗證過程：
- GEN-0（2025.11）：證明物理資料可以 scaling，16 組新任務的動作預測誤差同時下降。被業內稱為機器人最接近 "GPT-1 時刻" 的嘗試。
- GEN-1（2026.4）：用約 1 小時機器人任務資料，把一組簡單任務平均成功率從 64% 推到99%，任務速度提升約 3 倍。
- GEN-1.5（2026.8）：新任務所需的梯度更新，從數百次→數十次→10 次→1 次→最終0 次。
即便只調整 10 次參數，模型內部參數的整體變化也不到 0.15%。用 Generalist 的話說，這已經不像從頭學習，更像是 "在提醒模型一件它幾乎已經會做的事"。
而最令人意外的是：這些能力沒有一項是專門訓練出來的。 沒有為 in-context learning 做架構改動，沒有元學習循環，沒有輔助目標鼓勵即興發揮。GEN-1.5 在大規模物理互動資料上預訓練後，這些能力 "開箱即用" 地湧現了出來。
為什麼會湧現？目前沒有確定答案
Generalist 自己也說不清楚為什麼會出現這種能力。目前有幾種假說：
假說一：物理世界的 "Zipfian 結構"。 類比語言模型 —— 人類物理操作的分佈可能也呈現 "爆發性" 和冪律結構，這種結構被認為與 in-context learning 的湧現相關。
假說二：天然重複循環。 物理工作充滿重複：擰完一顆螺絲通常還要擰下一顆，收好一個物體緊接著處理另一個。模型在海量連續動作中，可能已經無數次練習了 "看見前一個實例，延續下一個實例"。
假說三（輝達 Jim Fan）：失誤 - 修正 - 恢復的完整鏈路。 人會失手、調整、重新抓起物體然後繼續工作。如果這些不完美的過程沒有在資料清洗時被剪掉，模型看到的就不是一條只有正確動作的軌跡，而是完整的 "失誤 — 修正 — 繼續"。這可能正是 GEN-1.5 會恢復和換辦法的關鍵原因。
三、Generalist 是誰？一家不造機器人的機器人公司
在大眾傳播裡，Generalist 的知名度遠不如不斷髮布人形機器人視訊的 Figure。但在機器人研究和投資圈，它一直是被密切追蹤的公司。
創始團隊陣容硬核：
- Pete Florence 和 Andy Zeng：來自 Google DeepMind，參與過 PaLM-E、RT-2 等具身模型
- Andrew Barry：前 Boston Dynamics 資深機器人研究員
- 團隊還有來自 OpenAI、自動駕駛和機器人公司的成員
公司定位獨特： 它不造人形機器人，不做明星硬體，而是訓練一套可以進入不同機械臂、夾爪和工具的底層智能。Figure 把模型和一具完整的人形身體一起交付；Generalist 更關心的是，同一種智能能不能換一雙手、換一台機器，仍然繼續工作。
今年 7 月，Generalist 還為 GEN-1 接入了五指手、夾鉗、電動螺絲刀、打蛋器等不同工具，以及大約 9000 種標準夾爪的改裝形態，試圖證明物理智能不必被鎖在一雙人形機器人的手上。
資本已經給出高價： 2026 年 6 月，Generalist 完成 4 億美元融資，累計融資超過 5 億美元，估值達到 20 億美元。Radical Ventures 領投，輝達、Bezos Expeditions（貝索斯旗下）、8VC、Union Square Ventures、Norwest、Spark Capital 等參與。黃仁勳、李飛飛均有參投。
聰明錢和聰明人同時湧向同一個方向，GEN-1.5 給出了它們投資的理由。
四、真的是 GPT-3 時刻嗎？冷靜看三組對比
"機器人的 GPT-3 時刻" 這個說法，既讓人興奮，也需要冷靜審視。我們做三組對比。
對比一：GPT-3 vs GEN-1.5 的數字
數字上 GEN-1.5 甚至比當年的 GPT-3 更好看。但物理任務的容錯率遠低於語言任務 —— 語言模型答錯一個問題可以重試，機器人擰錯一個瓶蓋可能損壞硬體，在醫療或工業場景中更是人命關天。
對比二：GEN-1.5 的 10 項任務，到底難不難？
GEN-1.5 測試的 10 項任務包括：從錢包取錢、摺紙、擰罐蓋、疊杯子、掃垃圾、翻書、掃積木、翻手機、拉拉鏈、取真空吸盤。
這些都是短程、原子化的操作任務，持續時間幾秒到十幾秒。沒有涉及複雜柔性物體（如衣物、線纜）、長時間多步驟任務、或完全陌生的場景。
其中 "用刷子掃垃圾" 的 one-shot 成功率只有 37.3%，是 10 項裡最低的 —— 說明即使是簡單任務，一旦涉及動態接觸和力控，穩定性仍然不足。而 few-shot 微調後可以達到 99%，說明模型的 "底子" 是夠的，只是 one-shot 的即時泛化還不夠穩。
對比三：侷限與未知
必須承認的侷限：
所有核心數字都來自 Generalist 自己
公司沒有公佈足以讓外界完整復現的論文、參數和訓練細節
- 任務簡單且短程：複雜場景的有效性未驗證
- one-shot 59% 的成功率不足以部署：離可靠交付還有距離
- 物理提示對完全陌生任務的效果存疑——Jim Fan 提醒，如果測試裡的拉鏈、罐子與模型過去見過的東西非常接近，"看一遍就會" 和真正學會陌生工作不是一回事
- 安全驗證、現場整合、硬體維護：不會因為模型變強而消失
但正確理解這些限制，不等於忽略這次進展。GPT-3 剛出現時同樣錯誤百出，它真正改變世界的地方，是讓人們第一次相信同一個模型可以通過 prompt 臨時學會許多不同任務。GEN-1.5 現在展示的，是這個介面在物理世界裡的早期形態。
五、產業影響：被重構的不只是技術，還有商業模式
GEN-1.5 的真正意義，可能不在於某個演示有多炫，而在於它可能重構機器人的部署成本結構。
過去，每增加一種機器人用途，都要重新採集資料、訓練模型、上機測試，再由工程師一輪輪修正。機器人本身或許可以買到，真正昂貴的是讓它在一個新現場可靠地做一件新工作。這也是為什麼工業機器人部署了幾十年，仍然大量集中在汽車銲接、噴塗等少數高度標準化場景 —— 換一個場景，成本高到無法承受。
physical prompting 指向的另一種可能是：機器人不必為每一項工作永久改變參數，使用者只需要告訴它 "這一次要做什麼"。 如果這種能力繼續提高，被壓縮的不只是示教時間，還有為每個新任務準備資料、佔用機器人和投入工程師的成本。
這不會消除安全驗證和硬體維護，但它可能改變部署成本中最難下降的那一部分 ——每增加一種用途，都要重新教一遍機器人的代價。
對中國機器人產業來說，GEN-1.5 的發佈也拋出了一個尖銳的問題：當海外團隊用幾十萬小時人類運算元據跑出清晰的 scaling 曲線時，我們的資料積累、模型架構和訓練範式，是否還跟得上這條新的競賽軌道？
值得注意的是，國內團隊也在同方向加速。像超維動力的 KAI 全端具身智能、銀河通用的 AstraBrain-Agent，都在探索 "人類怎麼動，機器人就怎麼動" 的通用動作學習路徑。
六、scaling 曲線已經顯現，剩下的只是時間問題
GEN-1.5 它是一個訊號 ——機器人的智能湧現，已經從 "有沒有" 進入了 "有多快" 的階段。
九個月前 GEN-0 證明物理資料可以 scaling 時，業內稱之為 "GPT-1 時刻"；四個月前 GEN-1 把簡單任務推到 99%；今天 GEN-1.5 把新任務的訓練成本壓縮到了 0 次梯度更新。按照這個節奏，下一代模型會把 one-shot 成功率推到多少？會把任務複雜度擴展到什麼程度？沒有人能精確預測，但 scaling 曲線已經畫在了那裡。
今天的機器人還遠沒有學會一切。但讓它繼續變強、也讓每一種新用途變得更便宜的那條曲線，已經開始顯現。
一根香蕉能當刷子用，一隻簸箕能觸發雙手配合 —— 這些看似笨拙的即興發揮，可能正是通用物理智能的第一縷曙光。
最後問問大家：你覺得 GEN-1.5 真的是機器人的 GPT-3 時刻嗎？ (未來機器人網)