# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
那个一句话生成完整物理世界、做出 GitHub 最大开源机器人项目的团队，又出手了。
去年底，Genesis 物理引擎一经开源，就在机器人圈刷屏：只需要一句话，就能生成可交互的物理世界，用来训练和测试机器人。
现在，这家创下硅谷具身智能赛道最大种子轮融资纪录（1.05 亿美元）的 Genesis AI，终于公布了自己的首个机器人基础模型 GENE-26.5。
它能自主完成一个涉及 20 多步操作的烹饪任务，还能解魔方、弹钢琴、制作奶昔、操作实验室移液、整理线束…… 这些是长时序，需要精细力控、双手协调、in-hand manipulation 和工具使用的任务，远超很多机器人 demo 的简单抓取或重复动作，且是完全自主、1x 真实速度播放。
Genesis 表示，这些任务不是为单点 demo 单独设计的，而是由同一个模型、同一套硬件平台、同一套数据策略和同一套控制栈完成。
视频一经放出，立刻刷屏，也把不少机器人从业者看炸了。
Eclipse Ventures 合伙人 Seth Winterroth 在社交平台上直言，自己在机器人行业前沿待了十多年，见过过去几年几乎所有号称实现「通用操作能力」突破的团队。
但 Genesis 放出的东西，「和自己之前见过的完全不是一个级别」。
官方演示里，最有代表性的任务是做饭。
这是一个约 4 分钟的长程任务，包含 20 多个子任务。机器人需要单手打蛋、切番茄、用毛巾、盐磨、打蛋器、刀、锅铲、煎锅等工具，还要完成双手协同操作。
另一个更接近商业化应用的场景，是实验室移液。
机器人要抓取移液枪、插入枪头、转移液体、密封试管、按下离心机的小按钮，再把试管放入转子中。这个流程要求毫米级精度、工具使用、精细手部协调，以及对小尺寸物体的稳定操作。
还有一个炫技但很说明问题的任务：解魔方。Genesis 称，这是他们所知第一次有通用双手机器人系统完成魔方求解。它不是靠特殊机械夹具，而是用外部求解器生成动作指令，再由模型执行。
他们甚至还让机器人挑战了 Rush E 钢琴曲。这首曲子以高难度著称，超出普通人类极限。前段时间，朗朗在巴黎里昂车站与钢琴博主斗琴弹的就是这个曲子。
工业场景里，则包括线束整理。这被 Genesis 称为汽车行业的圣杯任务之一，因为线缆、胶带等软体物体非常难处理，需要双手协同、柔性物体控制和精确缠绕。
更关键的是，对于演示任务中的大多数挑战性技能，GENE 只需要不到 1 小时的任务特定机器人数据。对于 20 秒以内的技能，这相当于少于 200 条 episode。
这正是 Genesis 想证明的能力：不是每个任务都从零训练，而是让机器人越来越接近少量数据快速部署。
然而，Genesis 并不认为通用操作能靠「把模型训大」直接解决。
Genesis 联合创始人兼 CEO 周衔的说法：
模型一直是目标，因为更好的模型意味着更好的智能。
但他们很快意识到，光做模型还不够。机器人不是纯数字 AI，它需要模型、传感器、执行器、控制系统、数据采集和评测体系一起工作。
任何一层不够强，都会拖累整体表现。
于是，Genesis 选择了全栈路线。GENE-26.5 也不是一个孤立模型，而是一整套系统，包括：
接近人手的机器人硬件、低成本人类数据采集体系、从零构建的仿真评测栈、面向机器人的多模态基础模型，以及低延迟高精度控制系统。
这就是 Genesis 所说的 full-stack robotics。
机器人模型还有一个老问题：评测太慢。一个机器人、一个人类评估员、一次只能跑一个任务。每次模型 checkpoint 都要实机测试，效率极低。
Genesis 的解法，是把仿真系统作为闭环评测核心。
他们认为，真实世界评测当然重要，但仿真在可控性、可复现性和规模化上优势巨大。GENE-26.5 的开发中，Genesis 构建了大量仿真评测任务，覆盖不同光照、背景、物体属性、场景配置和任务指令。
官方给出的一个说法是：图中的每个数据点都代表 200 个评测设置、超过 150 小时机器人执行时间；如果放到真实世界里做，整张图需要 2700 小时的人机评测。
这也是他们去年开源 Genesis 物理引擎的意义所在。仿真不是展示工具，而是机器人基础模型迭代的加速器。
其新一代 Genesis Hand 1.0，被设计成和人手 1:1 尺寸匹配，拥有 20 个主动、可反驱自由度，手掌和手指覆盖柔性材料，用来模拟人类皮肤的软接触特性。
为什么一定要做人形手？今天很多机器人公司还在用两指夹爪，因为它简单、稳定、工程上好控制。但问题也很明显：它和人类真实操作世界的方式差太远。
Genesis 的判断是，如果机器人手能尽可能接近人手，就能大幅缩小机器人研究里常说的「具身差距」。这样一来，人类日常工作中的动作数据，就更容易迁移到机器人身上。
这也是 Genesis 自研机器人手的核心逻辑：不是为了炫技，而是为了收集更多可用数据。
公司联合创始人 Théophile Gervet 表示，接近人手的设计可以让他们收集到比过去更多的数据，从而训练出能完成更多任务的模型。
在技术博客里，Genesis 反复强调一个观点：世界上最有价值的物理技能，藏在人类双手的隐性知识里。
装配工的手感、实验员的精度、厨师的速度，这些能力过去几乎没有被系统记录下来。为此，Genesis 构建了一个以人为中心的数据引擎，主要包括三类数据：
其中最关键的，是他们自研的数据采集手套。这只手套使用 EMF 手指追踪和密集触觉传感，可以在不明显干扰人类工作的情况下，把真实工作过程变成机器人训练数据。
Genesis 的设想是，未来实验室技师、制造业工人等都可以在正常工作时佩戴这种手套。相比笨重的数据采集设备，它更轻、更便宜，也更接近很多行业本来就在使用的安全手套。
这也是 Genesis 给出的通用操作扩展路径：先在人类演示数据上预训练，再用少量机器人数据对齐，最后通过真实世界和仿真反馈持续迭代。
不过，这里也有一个现实问题：工人是否愿意戴着手套和摄像头，去训练未来可能替代自己的机器人？
Genesis 方面目前还没有给出明确答案，只表示相关细节还没完全确定，是否额外支付报酬也会由客户和员工之间决定。
这些结果共同突显了一个明显的趋势：扩展数据和计算能力可以提高泛化和适应效率。
Genesis 还在博客里披露了一个容易被忽略、但非常关键的细节：他们替换了双臂机器人原厂控制器，自己重写了一套控制中间件。
原因是，机器人执行动作时，模型输出和真实电机动作之间会累积延迟、跟踪误差和控制器伪影。
对于从人类动作中学习的机器人来说，这些误差会放大人到机器人的差距。
Genesis 自研控制系统后，端到端延迟最低可做到 3 毫秒；在 15cm 圆形轨迹跟踪测试中，原厂控制器平均误差约 20mm，他们的系统降到约 2mm，相当于提升一个数量级。
Genesis AI 的自研硬件与模型在控制精度上，相比于现成解决方案（Off-the-shelf）的显著优势。
这解释了为什么 Genesis 一再强调「全栈」。不是为了技术叙事好听，而是因为在机器人里，模型、硬件、控制、数据和评测必须同时成立。
GENE-26.5 这个名字也有玄机：其中的 26.5 指向 2026 年 5 月。
Genesis 表示，这只是第一版，之后还会快速迭代。公司认为，机器人模型迭代的真正瓶颈在评估，而他们自研的仿真系统可以帮助加速训练和测试。
总结来看，GENE-26.5 不是 Genesis 的终点，更像是它的第一张系统能力展示牌。它想证明的是：通用机器人并不是先学会走路，再慢慢学会干活。
相反，真正有价值的入口，可能是一双能稳定、灵巧、可泛化地和世界接触的手。
因为大多数体力劳动，本质上不是机器人在世界里移动，而是改变世界。导航可以把世界简化成障碍物和可通行空间；行走主要处理和地面的接触，规律相对稳定。
但操作不一样。机器人要面对未知物体的形状、重量、摩擦、动态变化，还要在长任务链里保持毫米级精度。一个动作偏几毫米，后面可能全错。
所以 Genesis 认为，机器人如果能可靠地和物理世界发生复杂接触，其他能力才有意义。
Genesis 的路线也很清晰：用接近人手的硬件缩小具身差距；用人类工作数据扩大训练规模；用仿真系统加速闭环评测；用低延迟控制减少执行误差；最后，把这一切喂给机器人基础模型。
也难怪投资人会把它称作「最强通用操作演示」。
公司接下来还计划发布首个通用机器人，而且不是只有一双手，而是完整的全身机器人。换句话说，Genesis 这次展示的不是终点，而是起手式。
机器人领域，新的狠角色已经亮牌。
参考链接
https://www.genesis.ai/blog/gene-26-5-advancing-robotic-manipulation-to-human-level
文章来自于"机器之心"，作者 "Sia"。
