- Generalist AI以Data Hands规模化采集真实世界人类操作数据，区别于仿真、互联网视频及传统遥操作路线。公司称数据规模从27万小时增至50万
- 序号：080
- 星球链接：打开网页
- 附件：图片 0，音频 0，文档 0
- 音频文件：无音频
图片
无图片
正文
- Generalist AI以Data Hands规模化采集真实世界人类操作数据，区别于仿真、互联网视频及传统遥操作路线。公司称数据规模从27万小时增至50万小时后，选定任务成功率由约64%升至99%，GEN-1.5更可通过3至12秒示范零训练学习新任务。若真实交互数据能够跨机器人迁移并遵循类似LLM的扩展规律，规模化真实数据可能成为机器人基础模型的重要护城河。但目前关键性能主要由公司自报，测试任务简单且偏短周期，客户、收入及独立基准验证均未披露；报告将其视为观察物理AI商业化进展的重要私有公司标的，而非公开股票推荐。
一句话结论 Generalist AI押注“”，在数据采集规模化、潜在扩展规律和低示范成本学习方面进展突出；但其核心结论仍主要来自公司演示，尚缺独立基准、商业客户和收入验证，现阶段更适合作为机器人基础模型技术路线的重要观察样本。 核心逻辑
机器人领域不存在可直接抓取的“互联网级”物理训练数据。 现有路线主要包括遥操作、仿真生成、互联网视频以及真实部署数据，但哪种数据组合最优仍是开放问题。
通过安装在人手上的“Data Hands”夹持设备采集视觉及细微动作数据。 无需机器人参与即可由多人在家庭、仓库和工厂并行采集，理论上比传统遥操作更容易扩展。 其模式建立在UMI研究基础之上，但已尝试扩大到更高自由度机器人及多种末端执行器。
GEN-0使用超过27万小时数据。 GEN-1使用超过50万小时数据，公司报告选定任务平均成功率达到99%。 GEN-1.5可通过3—12秒示范进行上下文学习，在10项日常任务上零梯度更新平均成功率为59%；经每项5分钟数据、10次梯度更新后，公司称可提升至83%。 这些结果若被独立复现，将显著降低机器人学习新任务的数据和部署成本。
如果更多真实人类数据能够持续扩大模型性能，并顺利迁移至不同机器人本体，那么早期积累的数据规模、场景多样性和部署反馈可能形成先发优势。 但该飞轮能否成立，取决于跨机器人迁移、工业环境可靠性以及客户部署后的数据回流。
Generalist AI是私有公司，尚未披露正式客户、部署数量、收入、留存率或单位经济性。 制造业客户对可靠性和停机风险要求极高，机器人应用还受到硬件供应、系统集成及采用周期限制。 报告认为，模型能力提升与ARR快速增长之间并非线性关系，产业价值最终可能由模型层、硬件厂商或系统集成商共同获取。
总体总结
主题正文
-
- Generalist AI以Data Hands规模化采集真实世界人类操作数据，区别于仿真、互联网视频及传统遥操作路线。
- 公司称数据规模从27万小时增至50万小时后，选定任务成功率由约64%升至99%，GEN-1.5更可通过3至12秒示范零训练学习新任务。
- 若真实交互数据能够跨机器人迁移并遵循类似LLM的扩展规律，规模化真实数据可能成为机器人基础模型的重要护城河。
- 但其核心结论仍主要来自公司演示，尚缺独立基准、商业客户和收入验证，现阶段更适合作为机器人基础模型技术路线的重要观察样本。
- GEN-1.5可通过3—12秒示范进行上下文学习，在10项日常任务上零梯度更新平均成功率为59%；
- 如果更多真实人类数据能够持续扩大模型性能，并顺利迁移至不同机器人本体，那么早期积累的数据规模、场景多样性和部署反馈可能形成先发优势。
- 制造业客户对可靠性和停机风险要求极高，机器人应用还受到硬件供应、系统集成及采用周期限制。
- 报告认为，模型能力提升与ARR快速增长之间并非线性关系，产业价值最终可能由模型层、硬件厂商或系统集成商共同获取。