---
title: "- 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"
topic_id: 45548518424185558
created_at: 2026-10-26T20:55:38.101+0800
source: zsxq
type: topic
cssclasses: zsxq-vault
---

# - 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](https://wx.zsxq.com/group/15522451881222/topic/45548518424185558)
- 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
1. - 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。
2. 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。
3. 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。
4. 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。
5. 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%；
6. 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。
7. 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。
8. 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。