基于50万小时预训练数据，任务成功率突破99%。
当地时间4月2日，美国AI机器人公司Generalist AI发布了其最新的具身基础模型——GEN-1。这款模型在性能上实现了飞跃，将任务平均成功率提升至99%，并将机器人作业速度提高了近3倍。
这家由前谷歌DeepMind高级研究科学家Pete Florence创立的公司，团队汇聚了来自波士顿动力、OpenAI、Waymo等顶尖公司的研发人员。他们致力于“让通用机器人成为现实”，并已获得英伟达NVentures等多家知名机构的投资，估值突破3亿美元。
从推出第一代模型GEN-0到现在，仅仅过去了不到半年时间。
1小时数据即可训练机器人完成单项任务，预训练数据超50万小时
GEN-0作为该公司的首款多模态基础模型，证明了机器人领域同样遵循 scaling law，为规模化提升验证了可行性。然而，GEN-1才是其最新的里程碑式成果，在五个关键维度上实现了显著跨越：
- 速度倍增： 执行速度达到GEN-0的三倍。
- 成功率质变： 任务平均成功率由64%大幅提升至99%。
- 效率优化： 训练机器人完成单项任务仅需1小时的机器人数据。
- 应变能力强： 具备意外情况下的自我恢复与临场应变能力。
- 数据扩容： 预训练数据从27万小时扩展到50万小时高保真操作数据，覆盖全球数千个家庭、仓库、工厂等场景，并且数据运营每周新增超过1万小时。
在测试中，GEN-1能够长时间稳定工作而无需人工干预，持续完成多项复杂任务：
-
持续1小时以上的汽车配件分拣；
-
连续折叠86件T恤；
-
连续完成200余次扫地机器人维护；
-
连续完成1800余次积木装箱；
-
连续折叠纸箱超过200次；
-
连续打包手机超过100次等。
上述所有任务的成功率均突破了99%。具体来看：
- 在维护扫地机器人任务中，GEN-1成功率高达 99%，而GEN-0仅为 50%。
- 在折叠纸盒任务上，GEN-1达到 99%，GEN-0为 81%。
- 在手机装盒任务上，GEN-1达到 99%，GEN-0为 62%。
作为对比，没有经过预训练的基线模型，平均成功率只有19%。
GEN-1、GEN-0和未经训练的基线在维护扫地机器人任务中的平均成功率
GEN-1、GEN-0和未经训练的基线在折叠纸箱任务中的平均成功率
GEN-1、GEN-0和未经训练的基线在打包手机任务中的平均成功率
工作速度提升3倍，还能随机应变处理突发意外
在速度方面，GEN-1打破了机器人领域长期存在的“速度屏障”。
以折叠纸盒为例，GEN-0及同期其他模型耗时约34秒，而GEN-1将这一时间压缩至12秒，速度提升2.8倍。在手机装盒任务中，GEN-1仅需15.5秒，同样是GEN-0的2.8倍，任务完成速度达到行业最优水平的3倍左右。这意味着GEN-1的作业速度已超越人类演示水平，能在高速状态下精准适配物体物理特性并做出实时响应。
GEN-1实现速度突破，主要依赖于三大技术的协同：
- 经验学习（RL）： 模型通过强化学习迭代，自主优化动作效率。
- Harmonic Reasoning推理架构升级： 全新的推理架构大幅提升了实时决策效率。
- 高质量预训练数据： 通过海量人类行为数据进行训练，实现知识迁移。
此外，“随机应变”能力是GEN-1的一大亮点。当工作中遇到突发意外（如分拣时零件被撞歪），GEN-1不会僵在原地，而是能自主选择多种应对方案，例如将零件放回重抓，或借助卡槽将其复位。面对更复杂的情况，它甚至能调用另一只手实现双手协同。
GEN-1可以自主处理突发意外
GEN-1可以协同双手完成复杂任务
这种能力让GEN-1能够灵活应对各种超出训练范围的突发状况，有效解决实际应用中的长尾问题。
结语：GEN-1并非完美无缺，研发之路任重道远
GEN-1将任务平均成功率从64%提升至99%，标志着通用智能机器人在灵巧操作领域取得了重大突破。不过需要强调的是：GEN-1并非完美无缺。
尽管在多项测试中已达到99%的成功率，但它并非在所有任务上都能保持这一水准。在部分要求严苛的工业落地场景中，模型仍需追求更高的成功率与执行效率才能实现实用化部署，这些都是当前版本需要补强的短板。
Generalist AI团队已经明确了下一代模型的研发方向，致力于解锁更广泛、更复杂的任务能力，并持续优化模型结构，进一步降低机器人单项任务的数据需求。这一进展也引发了人工智能与机器人交叉领域研究者的广泛讨论，你可以在开发者广场找到更多相关的技术见解与行业趋势分析。 | 
发表于 3 天前
|
查看: 17|
回复: 0
