找回密码
立即注册
搜索
发回帖 发新帖

5681

积分

0

好友

729

主题
发表于 14 小时前 | 查看: 5| 回复: 0

美国具身智能公司 Genesis AI 完成 5 亿美元 A 轮融资,投后估值达到 35 亿美元。

投资方包括 NVIDIA、AMD、前谷歌 CEO Eric Schmidt、Zoom 创始人袁征和雅虎创始人 Jerry Yang 等。这也是 AMD 和英伟达首次共同投资具身智能公司。

在具身智能融资普遍遇冷的背景下,这笔融资格外引人关注。Genesis AI 有何不同?从其官网和技术资料来看,一个重要线索藏在公司的定位中:具身全栈。

一年亮一剑

Genesis AI 成立于 2025 年 3 月,业务横跨美国和法国,由华人学者周衔与 Théophile Gervet 联合创立。正式创办公司之前,团队已凭借开源物理仿真项目在学术界和工程界积累了关注。

今年 5 月,Genesis AI 公开了首个具身基础模型 GENE-26.5。发布后,一系列能力演示视频引起广泛关注。

第一个主要场景是厨房。在一段长达四分钟、未经加速的视频中,机器人连续完成了超过 20 个子任务,包括单手磕鸡蛋、用刀切番茄,以及使用打蛋器、盐磨和锅铲。

另一个场景是实验室。同样面对要求毫米级精度的一镜到底长程任务,GENE-26.5 展示了自主移液、密封试管,最终将试管放入离心机的过程。

此外,它还展示了制作奶昔、还原魔方和弹奏钢琴等操作。按照 Genesis 的介绍,这些能力并非由多个专用小模型分别完成,绝大部分操作依赖同一套共享权重的 GENE 模型。

表达惊讶的握手梗图

不过,机器人演示视频已不算少见,背后的方法论或许更值得探究。Genesis 表示,模型并非其想要展示的全部。

在团队看来,机器人是高度耦合的工程系统:数据、评测、本体等任何一个环节的短板,都可能限制整体性能。Genesis 的选择是把这些环节纳入同一套体系。

拆解全栈体系

在 Genesis 的体系里,数据、模型、评测和本体被设计成一个紧密耦合的闭环。

1、数据引擎:解决“鸡生蛋”问题

机器人学习的一大瓶颈是高质量数据稀缺,尤其是手部操作数据。

人手能够产生丰富、自然的交互数据,但人手与机械手形态差异巨大,数据难以直接迁移。如何跨越这道本体鸿沟?

Genesis 选择从物理层面入手,建立 1:1:1 全链路映射:

  1. 人类的手:作为交互数据的源头。
  2. 数据手套:采用电磁场(EMF)手指追踪技术与高密度触觉传感,捕捉人手工作时的信号。
  3. Genesis 灵巧手:与人手 1:1 适配,拥有 20 个自由度,表面覆盖模拟人类皮肤的柔性材料。

Genesis 数据手套与人手对比

这样一来,工人戴上数据手套进行日常工作时,手部运动和触觉信号就能被采集,用于机器人学习。Genesis 希望借此尽量减少数据从人手到机械手的迁移损失。

工作,同时也是数据采集。

通过这种方式,截至今年 5 月,GENE 已采用超过 20 万小时的多模态数据。据文章了解,目前数据量已达到百万小时规模。

这也是全栈思路的体现:一些在模型层面看似棘手的问题,从系统层面入手,或许能找到更直接的解法。

2、Genesis World:将迭代变为算力问题

数据是原料,而模型进步的速度,也取决于处理和评估这些数据的效率。

如果每次模型改进都必须在物理世界中验证,研发周期就会被拖慢。Genesis 的解法是把仿真作为评估和迭代的核心环节:

我们将模拟视为机器人基础模型的评估和迭代引擎,而不仅仅是数据生成器。

真实世界的实验限制了我们为候选方案评分的速度;模拟则解除了这个限制,将开发周期从一个物理时间问题(wall-clock problem)变成了一个计算问题(compute problem)。

这就是 Genesis World:一个供机器人反复练习和接受测试的仿真环境。

Genesis World 厨房场景

一次模型评估可能涉及数百个任务,每个任务又要重复数百次。在现实世界中,这需要一名操作员和一台机器人连续工作超过 200 个小时。

据 Genesis 介绍,在 Genesis World 中,同样的数万次测试可以在不到半小时内完成,且无需人工或硬件介入。

双臂机器人操作彩色套环的测试画面

当然,仿真评估的前提是结果足够可信。为了缩小仿真到现实(Sim-to-Real)的差距,Genesis 自研了渲染引擎 Nyx、跨平台编译器 Quadrants 和统一物理引擎。

在官方开展的对照实验中,仿真评测与真实机器人测试结果表现出较强相关性,Pearson 相关系数达到 0.8996。

除了仿真引擎,Genesis 还在内部搭建了自动生成任务、环境、物体和奖励函数的管线,让机器人能够在大规模自动生成的仿真环境中进行自我改进。

3、Eno:为实际工作而设计

数据、仿真和模型,最终都需要一个产品形态来承载,才能与物理世界建立联系。对于 Genesis 而言,这个产品就是 Eno。

Eno 机器人在实验室、厨房和家庭场景中工作

Eno 的极简、不过时的设计,被福布斯杂志称为“机器人的 iPhone 时刻”。它还获得了德国设计大奖金奖。

Eno 并非双足行走的人形机器人:它采用轮式底座,躯干由板材折叠构成。

Eno 机器人在实验室操作试管和离心机

飞机不需要像鸟一样拥有翅膀;同样,人类身上的一些特征,对机器而言未必是必要条件。Eno 从一开始就没有以模仿人的外观为目标,而是希望以简洁的机身承载通用操作能力。

轮式底座服务于移动效率和续航,可升降的身体则让它能够适应不同高度的工作台。

Eno 机器人在仓储场景搬运纸箱

这些设计围绕功能、效率和成本展开,体现的仍是 Genesis 的全栈具身原生思路。

正如 Genesis CEO 周衔在融资声明中所说:

我们的使命是消除人类抱负在物理世界受到的限制。为实现这一点,我们正在打造世界上最好的通用机器人,一台能够在真实世界里日复一日可靠工作的机器人。

这要求智能、硬件以及训练和测试机器人所需的一切作为一个整体系统协同运转。通过自己构建这一切,我们可以死磕每一个细节,更快地改进整台机器人。

落地为王

拿到 5 亿美元融资后,Genesis 下一步要做什么?

答案是量产。

Genesis 表示,本轮融资将主要用于推动 Eno 在真实世界的大规模量产和部署。公司计划在 2026 年底前开始生产和客户部署,首先进入制造业、物流和实验室等工业环境,再扩展到酒店、医院等服务行业,最后进入消费级家庭和户外应用。

从结构化场景走向非结构化场景,第一步就并不容易。

演示视频能展示能力的可能性,而进入真实场景后,可靠性将成为关键考验。具身智能链路很长,任何环节出错,都可能影响整个系统的运行。

现实世界中还有大量复杂的长尾问题,需要在具体场景中不断处理,才能逐步满足交付标准。技术和产品必须一起推进:不仅要在实验室训练模型,还要深入一线,形成模型、部署、数据的闭环。

从这个角度看,量产部署本身或许也是具身智能研发中不可或缺的一环。

竖起拇指的表情包

过去几年,通用机器人的路线之争常围绕“人形”与“非人形”展开。Genesis AI 提供了另一个参照:分野或许不仅在于外形,还在于研发范式。

物理世界里的 AGI,是一场比大语言模型更漫长的攻坚战。当系统复杂到一定程度,局部优化可能遭遇瓶颈;把智能、硬件与训练测试作为整体思考、设计和迭代,也许才能推动系统继续进步。

计算机先驱 Alan Kay 曾说:

真正认真对待软件的人,应该自己造硬件。

特斯拉造车如此,苹果做消费电子亦是如此。如今,越来越多像 Genesis 这样的具身智能公司,也在探索以全栈原生的方式造机器人。

在 OpenAI、Anthropic 等公司也开始押注机器人大脑的背景下,全栈原生或许是通往物理 AGI 的一条重要路径。

来源

作者:Jay
来源:量子位




上一篇:Dify 路径遍历漏洞复现:CVE-2026-41948
下一篇:AI算力投入超800亿元,腾讯Q3游戏日活创新高
您需要登录后才可以回帖 登录 | 立即注册

关闭

站长推荐上一条 /1 下一条

手机版|小黑屋|网站地图|云栈社区 ( 苏ICP备2022046150号-2 )

GMT+8, 2026-11-21 15:53 , Processed in 0.069882 second(s), 41 queries , Gzip On.

Powered by Discuz! X3.5

© 2025-2026 云栈社区.

快速回复 返回顶部 返回列表