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。

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:
- 人类的手:作为交互数据的源头。
- 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。
- 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。

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。

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。

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 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。

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。

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。

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