具身智能新里程碑：GEN-1.5实现83%操作成功率

8月中旬的机器人行业迎来一连串热点：19日，宇树科技正式在科创板挂牌上市，市值突破600亿元大关；当天，英伟达CEO黄仁勋的女儿现身北京，参观了正在举办的世界机器人大会；而就在次日凌晨，硅谷机器人初创公司Generalist AI推出了全新的具身智能基础模型GEN-1.5，迅速点燃了整个行业的讨论热情。

就在两个月前，这家公司刚刚完成4亿美元的融资轮，斯坦福大学教授李飞飞以个人身份参与投资，小米联合创始人林斌、Zoom创始人袁征也加入了天使投资人阵营，英伟达同样是重要股东，一众行业顶尖资本和专家纷纷押注这个赛道。

GEN-1.5展示的核心能力正是这轮融资的最佳注脚：只需为机器人展示一段3至12秒的动作演示，无需任何训练或微调，它就能当场复现任务；在10项不同的操作任务测试中，模型的平均成功率达到了59%。

这彻底改变了机器人开发的成本与周期：过去教会机器人拧开瓶盖，工程师可能需要花费数月时间编程调试，或是投喂数万条训练数据反复调参；而现在，只需要一段3秒的动作演示，加上零行额外代码就能实现。不少行业顶尖研究者将这次发布类比为2020年GPT-3的横空出世，认为具身智能正式迎来了属于自己的「GPT-3时刻」。

无需刻意训练的即兴策略，从预训练中自然涌现

研发团队做了一个经典实验：先用5分钟的人类演示数据（仅进行了1个梯度步骤的微调）教会机器人用刷子将积木扫入碗中，随后更换工具测试模型的泛化能力。当模型拿到一根香蕉时，它自动将香蕉当作刷子，用横扫的动作将积木扫进碗里——这并不意外，因为香蕉的外形和接触逻辑与刷子高度相似；而当拿到一个簸箕时，模型放弃了「扫」的策略，转而用另一只手将积木推到簸箕上，抬起簸箕后将积木直接倒入碗中。

「扫」和「铲起倾倒」是两种完全不同的接触序列，训练数据中从未出现过类似的簸箕使用场景。研发团队通过最近邻语言搜索在189万段预训练场景中检索，也没有找到匹配的用法，也就是说，没有任何人在任何阶段告诉模型应该如何使用簸箕完成任务。

类似的即兴行为在测试中反复出现：当碗被一张纸盖住时，模型会主动掀开纸张再放入积木，有时还会在完成后将纸重新盖回碗上，而这类场景从未出现在训练数据中；当乐高积木粘在机械手指尖时，模型会用另一只手将其拨落；训练数据仅演示了单只手旋转罐盖，模型在部分测试中自发切换为双手操作，采用了完全不同的抓取和旋转策略；甚至只被训练过将单块积木放入碗中的模型，会自发开始按颜色分拣多块积木。

这些能力的共同来源，正是大规模的预训练数据。GEN-1.5已经连续进行了超过8个月的预训练，历经三个训练阶段。根据研发团队公布的验证集曲线，模型的「下一步动作预测误差」持续下降，至今没有出现收敛的迹象。用大语言模型领域的术语来说，这就是具身智能的缩放定律：随着物理交互数据规模的扩大和训练时间的延长，模型的泛化能力会持续增强。

一个反直觉的发现进一步验证了这条规律：微调的梯度步骤越少，模型的即兴发挥能力反而越强。研发团队解释称，轻度微调让模型更接近预训练阶段积累的广泛行为库，保留了更多可调用的「物理经验」。仅10个梯度步骤就只改变了模型参数的0.15%，用团队的话说，这几乎相当于「提醒模型一些它几乎已经知道的事情」。

GEN-1.5还突破了长期困扰机器人领域的两大核心鸿沟：其一，只需将模拟器中录制的动作演示塞入上下文窗口，真实机器人就能直接执行任务，并且可以泛化到不同的机械手和全新的物体位置，尽管预训练数据中不包含任何仿真数据；其二，在部分测试中，人类可以直接用双手在机器人摄像头前演示动作，机器人随后就能用机械臂复现整个任务流程。研发团队强调，所有这些能力都并非刻意设计的结果：没有专门针对上下文学习的架构改动，没有元学习循环，也没有设置鼓励即兴发挥的辅助训练目标，这些能力完全从大规模物理数据的预训练中自行涌现。

操作学习的「圣杯」时刻

此前其他研究团队也曾展示过类似的上下文学习能力，但大多仅限少数特定任务类型，GEN-1.5的新颖之处在于其覆盖的任务广度。需要说明的是，目前测试的任务仍属于简单的短程操作，比如拧瓶盖、拉拉链等，距离真实场景中的长程复杂任务仍有不小的差距。

将时间线拉回2020年6月，OpenAI发布GPT-3，这款模型首次实现了无需重新训练，只需在对话框中给出几个示例就能完成全新语言任务的能力——比如给出「红→苹果，黄→香蕉」的示例，再提问「绿→？」，模型就能给出「西瓜」的答案。这种能力被称为上下文学习，也是大语言模型从专用工具转变为通用平台的关键分水岭。而GEN-1.5，正是将同样的逻辑搬进了物理世界。

Generalist AI将这种能力称为「物理提示」，操作方式非常直接：将一段包含传感器数据和动作轨迹的真实动作演示，塞入模型的30秒上下文记忆窗口，剩余空间用于接收实时环境观测，模型就能立刻尝试执行任务，整个过程没有任何训练步骤。

这里需要明确一个关键概念：梯度步骤。在传统方法中，教会机器人学习新任务需要数万次梯度下降，每一次都是对模型内部参数的微调，这个过程通常需要大量数据和算力。而GEN-1.5的one-shot模式，也就是仅演示一次的模式，完全跳过了所有梯度步骤，模型参数没有任何改动。

研发团队在10项不同的操作任务上测试了GEN-1.5的表现，包括拧开玻璃罐盖、拉开笔袋拉链、从钱包里取钱、叠纸、叠杯子、翻手机、用刷子扫积木、打开书本封面、撕开真空垫、清扫垃圾。测试结果分为两组：one-shot模式，也就是仅看一遍演示、零梯度步骤，10个任务的平均成功率为59%；few-shot模式，也就是少样本学习，使用5分钟数据、约50次演示、10个梯度步骤，平均成功率达到83%。

将这些数据和2020年GPT-3在语言任务上的表现对比，可以发现两组数字的结构高度相似：GPT-3的one-shot成功率约为45%，few-shot，也就是约100个示例，成功率约为65%。

这组数据的变革意义在于：在大语言模型出现之前，让AI完成一项全新的语言任务，比如翻译一种从未见过的格式，需要专门采集数据、训练全新模型，周期往往以月计算；而GPT-3出现后，这件事变成了在输入框中写下几个示例，时间成本从数月压缩到数秒。GEN-1.5正是在物理操作领域完成了同样的突破：过去教会机器人完成一项新任务需要数月编程或数万条数据调参，现在只需要一段3到12秒的演示。正如研发团队在官方博客中写道的：这改变了两件事——机器人变得可用的速度，从数月缩短到数秒；以及谁能使用机器人，从只能由专业工程师操作，变成任何人都可以轻松使用。

行业沸腾的一周：从上市热潮到技术突破

GEN-1.5的发布，恰好赶上了整个具身智能行业最密集的一周。8月19日开始，世界机器人大会在北京亦庄开幕，超过300家企业参展，带来了2000余件展品，其中150余款是全球首发新品。三天后的8月22日，第二届世界人形机器人运动会在国家速滑馆「冰丝带」开赛，共有666支队伍携带2056台机器人参与51个项目的1301场比赛，队伍数量比首届增长了138%。本届运动会首次设置了21个场景赛项，要求人形机器人在工厂、酒店、家庭服务等真实环境中完成长程任务，机器人的「上岗实测」成为了本次活动的核心主题。

刚刚上市的宇树科技，2025年的人形机器人出货量超过5500台，位居全球第一，全年营收17亿元，毛利率达到60%，甚至连DeepSeek也参与了其战略配售。但宇树的招股书中也隐藏着一组反差数据：2026年一季度的营收增速从上年同期的332.64%回落至68.49%，扣非后净利润同比下降52.55%，增速放缓的核心原因是研发投入的大幅增加。

宇树科技正在追赶的，正是它目前还缺失的核心能力：具身智能大模型。有行业分析指出，宇树虽然造出了全球出货量第一的机器人躯体，但却面临「大脑缺席」的结构性困境。2026年被称为具身智能的「上市大年」，超过20家公司明确了上市计划，但这波上市潮背后很大程度上是资金压力驱动的，大量竞争对手依赖一轮接一轮的融资维持运转，研发节奏完全被融资窗口牵着走。

宇树创始人王兴兴在世界机器人大会上公开表示，限制人形机器人发展的主要瓶颈正是具身智能大模型，他预计未来快则两到三年，慢则五到十年，有望实现机器人领域的ChatGPT时刻。而GEN-1.5的发布，正是对这一判断的首个实证回应。缩放定律在具身智能领域确实存在，大规模预训练能够让新任务适配的边际成本趋近于零。这一结论对宇树这类机器人躯体厂商有着直接的产业意义：一旦通用的具身智能大模型成熟，机器人躯体的价值将取决于它能多快接入这颗通用大脑，而不再仅仅依赖硬件参数和出货规模。

Generalist AI的团队背景也与这条技术路线高度契合：联合创始人Pete Florence和Andy Zeng均来自谷歌DeepMind机器人团队，另一位联合创始人Andrew Barry则来自波士顿动力。公司在2026年6月完成了4亿美元的融资，由Radical Ventures领投，英伟达和Bezos Expeditions参投，投后估值达到20亿美元，目前正以30亿美元的估值洽谈新一轮融资。

行业专家的集体沸腾与理性思考

GEN-1.5的发布在机器人研究社区引发了强烈反响。联合创始人Pete Florence在社交平台上写道：「自从开始研究机器人基础模型以来，广泛的one-shot上下文学习一直是我心中最清晰的目标，现在我看到了将近十年的想象终于走进了现实世界。」Florence还提到，他和Andy Zeng在研究生阶段就讨论过一种「Ctrl-C-Ctrl-V」式的能力：看到一个动作，机器人就能复制，但实现起来极其困难，因为「你想粘贴的那个世界，和你复制的那个世界永远不一样」。

卡内基梅隆大学的机器人研究者Chris Paxton在社交平台上称GEN-1.5「可能是真正的GPT时刻」，并写道：「操作学习的圣杯，毫无疑问，就是one-shot learning。」

美国东北大学具身智能研究者Jimmy Yang转发这条消息时评论道：「作为具身AI研究者，这对这个领域来说是一个真正特别的时刻。」

英伟达机器人技术总监Jim Fan则提供了深入的技术观察视角，他指出GEN-1.5涌现出这些能力的两个关键因素：一是训练数据中自然存在的对称重复动作模式，比如组装家具时反复拧螺丝，第二颗螺丝就是第一颗的「上下文学习样本」；二是数据中人类失误后的恢复动作，比如东西掉了捡起来继续，这种「失败-恢复-继续」的完整弧线让模型在测试时自然展现出纠错能力。Jim Fan还提到，Generalist AI使用的UMI数据采集方式，也就是人类直接戴着机器人夹爪操作，保留了人类的「物理直觉」，而传统遥操作中经过VR设备的中转会让这种直觉大量流失。

当然，行业中也存在理性的质疑声音，Jim Fan在同一条推文的评论区里写道：「演示目前仍然有点太简单了，还不能下结论。」