# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
GENE-26.5 值得看的，是它背后的「具身智能版 Harness + 模型」。
5 月 7 日，Genesis AI 正式发布了：
GENE-26.5。
26.5，代表 2026 年 5 月。按照官方博客里的说法，这也是 GENE 系列第一次公开发布。
几天前它刚发布出来，就在海内外具身智能圈引发了不少讨论。原因也比较简单，这次视频 Demo 里的机器人，开始做一些过去很少被机器人 demo 真正做到的事情，能力有了比较直观的提升。
比如，单手打鸡蛋、双手切番茄、用刀背把切好的番茄从案板上转移出去：
抓移液器、插枪头、拧小管盖、整理线束、解魔方，一只手同时夹住好几个不同尺寸的物体等等，一次性全部放了出来：
过去几年，人形机器人视频 Demo 已经足够多了。走路、跳舞、搬箱子、叠衣服、煮咖啡。
很多时候，视觉观感上给人一种比较成熟的「错觉」，但普通人对机器人的期待，最后经常是很真实的：
它到底、什么时候、能真的帮我干活？
干活这件事，对人类来说很普通，但落到机器人身上就会变得异常麻烦。
因为真实世界里的劳动，大部分都不是「走到那里」就结束了。机器人当然要会走路、会保持平衡、会绕开障碍物，这部分在 robotics 里更接近 Locomotion。
但真正把活干完，往往发生在下一步。它要把东西拿起来、转过去、切开、拧紧、插进去、折起来，最后放到一个刚刚好的位置。这就是 Manipulation，也就是操作。
GENE-26.5 的官方博客里，其实也是这样区分的。Locomotion 里的接触，更多是为了支撑身体；Manipulation 里的接触，本身就是任务。
类似这样的概念区分，官方博客里还提到了很多，所以如果只把它当成一组宣传 demo，可能会错过更重要的东西。
🚥
我们阅读整理了原博客内容，这次 GENE-26.5 的发布，展现出来的最大亮点，可能是机器人基础模型的竞争的重点已经发生了转向：从基础模型到「具身智能版 Harness + 模型」。
所以这篇文章，我们想从这一套「全栈底层系统」开始，分享我们的观察。
Genesis AI 这家公司本身值得先说一下。
AI 这家公司本身值得先说一下。
它确实是一家非常早期的公司，从公开信息看，Genesis AI 今年才正式进入外界视野，但团队组合比较典型：周衔的背景更偏机器人和物理仿真，Théophile Gervet 则有大模型公司研究经历。
这不是一家已经在聚光灯下反复出现很多年的机器人公司。
但它第一次公开发布，就把模型、灵巧手、训练手套、控制系统、仿真评估等一整套「具身智能版 Harness + 模型」全部放出来了。
这与其在融资方面的「异常信息」比较相符合。
融资方面，Genesis 的唯一官方披露轮次就是 1.05 亿美元 seed。公司官方写明此轮由 Eclipse 与 Khosla Ventures 共领投，参投者包括 Bpifrance、HSG、Eric Schmidt 和 Xavier Niel 等等。
TechCrunch 与 Reuters 都把这轮融资描述为「异常大的 seed（giant $105M seed round）」。
Reuters 甚至指出它与 Mistral AI 在法国创下的超大种子轮规模相当。这种资本配置对一家成立约一年、尚未公开客户名单的机器人公司而言，其实是非常罕见的，资方押注的显然是其底层平台价值。
这可能就是 full-stack robotics 的价值。
官方博客里有一句话很值得注意：
如果目标是 human-level manipulation，解决方案就不能只停在模型训练上。
这句话看起来普通，但放到今天的具身智能行业里，其实有点分水岭的味道。
过去两年，大家很容易把注意力放在 VLA 上。视觉、语言、动作，听起来像是把大模型接进机器人之后，问题就会自然往前推进，接下来就只需要数据、Scaling。
但现实中，大模型与机器人的真实表现中间还隔着非常多「道不清、说不明」的东西。
比如：数据怎么收集，硬件能不能精准的表达有「手感」的动作，控制系统有没有延迟，模型输出的轨迹能不能完整地反馈到电机，评估能不能规模化跑起来。这些东西每一层都可能出现问题。
面对这样复杂的一系列问题，GENE-26.5 在其博客中给出了回答：
GENE-26.5 这次给出的答案，大致可以归结成「具身智能版 Harness」，具体则可以拆成几层。
机器人行业一直缺高质量数据，是公认的事实。
Google 做 RT-1 的时候，用 13 台机器人采了 17 个月，最后拿到 13 万条左右的真实机器人 episode。后来 DROID 这种多机构合作的数据集，动用了 50 个采集者，覆盖 564 个场景和 86 个任务，也只是攒出了 350 小时左右的真机交互数据。
这些数据很有价值，但也反过来印证了：真实机器人数据很难像文本、图片、视频那样自然放大。
遥操作可以提供高质量轨迹，但它慢、贵、依赖硬件，也很容易变成「为了采数据而采数据」。相比之下，人类第一视角视频的规模上限要高很多。
Meta 的 Ego4D 已经做到 3000 多小时第一视角视频，来自 9 个国家、855 个佩戴者。
所以到了 GENE-26.5 这里，Genesis AI 强调 human-centric data，并不只是换一个数据来源。它是在尝试绕开机器人数据最难 scale 的地方：让人类真实工作里的动作，变成机器人可以学习的物理经验。
据披露，它的数据引擎里有三类来源：手套数据、第一视角视频、第三人称视频。官方披露的数据规模已经超过 20 万小时。
这条路径比较有意思。
因为，第一视角视频可以看到人在真实任务里的自然行为，第三人称视频可以扩大覆盖面，手套数据负责把手部动作和触觉信息记录得更细。
说白了，机器人真正应该学习的，可能不止是实验室里一条条标准轨迹。更有价值的，是人类长期和物理世界打交道时积累下来的「手感」。
这个手感很难写成规则，所以需要数据。
在预训练的 open-loop evaluation 里，他们验证了基础模型的 Scaling Law，也就是模型越大、数据越多、算力越足，效果还在持续变好。
而对于真实数据、合成数据来说，还有一个细节也挺有意思。
GENE-26.5 的官方博客里，几乎没有把 synthetic data 当成核心训练路线来讲。它讲得最多的，是手套数据、第一视角视频、第三人称视频和少量机器人数据。
仿真当然很重要，但在这篇博客里，它更多被放在 closed-loop evaluation 的位置上，用来更快、更稳定地评估模型，而不是作为主要训练数据来源。
这和 Physical Intelligence 的 π 系列公开材料有点接近。
π0 到 π0.7 讲得更多的是真实机器人数据、Web-scale 视觉语言预训练、人类数据和自主执行数据。至少从公开材料看，synthetic data 还没有被写成一条已经充分验证的核心 scaling path。
背后的逻辑其实一样：在 contact-rich manipulation 这种任务上，大家现在最想要的，可能仍然是真实世界里的人类动作和机器人交互数据。
这某种程度上再次说明，至少在接触丰富的机器人操作任务里，合成数据还没有到可以当「主粮」的时候。
可是，人类数据怎么迁移到机器人？
人手实在是太复杂了。手指长度、关节结构、软接触、皮肤摩擦、手掌形状，这些都会影响动作。人类手部数据再丰富，如果机器人手的形态差太远，迁移时就会损失很多信息。
这就是所谓的 embodiment gap。所以 Genesis AI 会强调 Genesis Hand 1.0。按照官方介绍，这只手的目标是接近人手 1：1 尺寸，有 20 个主动、可反驱自由度，手掌和手指覆盖软材料，用来接近人类皮肤的软接触物理。
其在官方博客里被称为 proprietary（自主专有） 硬件：
但在 Reddit 等社区里，有一些声音认为 Genesis Hand 1.0 的硬件，看起来采用的是深圳舞肌科技的 WUJI HAND，这是由 WUJI TECH 研发的高自由度仿生灵巧手：
舞肌科技官方也在社区中，转发了 Genesis AI 的 GENE-26.5 发布视频，并称为「合作伙伴」：
除开这个灵巧手「迷思」，GENE-26.5 大致的思路是，如果机器人要从人类手部动作里学习，那么硬件越接近人类，数据迁移的损耗就越小。
传统做法经常需要复杂的动作重映射，把人手动作重新映射到机器人关节空间里。这个过程会丢掉细节，也会把机器人硬件自己的限制混进训练信号里。
所以灵巧手在这里不是传统思路里模型的外设，反而成为了数据系统的一部分。
在此基础上，GENE-26.5 做了非常多的任务测试：
这一层可能更容易被忽略，但在机器人里非常关键。
模型输出的动作意图，不能直接变成真实机器人的动作。中间要经过控制器、通信层、低层执行、电机驱动。任何一点延迟和误差，都会把模型想做的事扭曲掉。
官方博客里给了一些很具体的 DEMO，其最典型的案例是 GENE-26.5 放出了一段钢琴演奏的视频：
所以在灵巧操作里，底层控制远不只是工程细节。
如果控制层不够干净，模型训练会被执行误差污染。模型以为自己输出了一个动作，机器人实际做出来的是另一个动作。久了之后，模型学到的可能是硬件系统里的各种补丁，而不是人类动作背后的物理规律。
这也是为什么我觉得，未来具身智能里很重要的一层，可能会是 harness layer。
这里的 harness，可以理解成模型和真实机器人之间的一整套承接系统。它包括低延迟控制、动作平滑、实时通信、执行反馈、状态估计，也包括让模型输出真正落地的那些中间层。
语言模型时代，很多能力可以停留在 token 上。但机器人必须把意图变成力、位置、速度和接触，停在 token 层面没有意义。
当然，这里也要留一点技术归因的空间。GENE-26.5 的 Demo 不能简单理解成「模型赢了」或者「控制赢了」。
所以有业内人士提醒道，如果底层平台本身就是成熟的谐波减速器机械臂，那最终效果就不能全部归因到自研 control。
另外，X 上也有不少人质疑，这次放出来的 demo 里存在较多 cut 部分，有些任务到底是不是连续完成，外部其实很难判断。
这类质疑并不奇怪。
机器人 Demo 一直很难做技术归因：模型、手、机械臂、控制栈、任务数据、拍摄选择，都会影响最后呈现出来的效果。
所以这也提醒我们，机器人 Demo 不能被当成严格 benchmark 来看，与现实落地之间仍然有相当大的距离。
GENE-26.5 的输入不是单一模态。它要接收语言、视觉、本体感知、触觉，还要输出动作轨迹。官方提到，它用 Flow Matching 建模轨迹的联合分布。
直观理解就是，机器人模型处理的东西比文本模型麻烦很多。文字输出错了，可以撤回。图像生成幻觉大了，可以重来。机器人手伸出去之后，物体可能已经掉了，液体可能已经洒了，刀也可能已经碰到不该碰的位置。
所以机器人原生模型要面对一个更难的闭环。
它不能一次性回答完问题就结束。动作会改变环境，模型还要根据新的环境状态继续调整。
这次被注意到的，还有 Genesis World 这个仿真平台。
这个平台面向 Robotics、Embodied AI 和 Physical AI，可以处理刚体、液体、气体、可变形物体、薄壳、颗粒材料等不同物理现象。
官方博客里提到，它们做 closed-loop evaluation 时，一个数据点就对应 200 个评估设置和超过 150 小时机器人执行时间。如果放到真实世界里，整张图需要大量人机时间。
把以上这些内容连起来看，GENE-26.5 的重点就清楚很多了。
它展示了一条可能的具身智能 scaling path：
先利用人类操作数据进行预训练，再通过接近人类的硬件尝试减少迁移损耗，底层控制旨在让模型意图更稳定地落地，模型输入多模态监督，仿真和真实反馈被用来辅助迭代。
整体上，这套系统可被视作「具身智能版 Harness + 模型」的全栈组合。
如果这条链路能够顺利运作，机器人基础模型的竞争逻辑可能会发生一定变化。
未来同场竞赛的重点将主要集中在数据的自然性、硬件对人类动作的表达能力、控制层延迟以及仿真评估的可信度上。
任何一层出现领先，后续迭代的节奏也可能因此加快。
🚥
整体来看，Gene-26.5 此次发布，可以被视作对行业现状的一种观察：
模型可以越做越大，但手的自由度表达不了动作，很多能力就出不来。控制层延迟太高，模型落到真机上就会抖。评估不能规模化，下一版模型到底进步了多少也说不清。
之后的具身智能可能会越来越像一个飞轮，人类数据、类人硬件、控制系统、仿真评估、真实世界反馈。
这些「具身智能版 Harness + 模型」是下一个赛点，也是整个系统的底层要素。
文章来自于"十字路口Crossing"，作者 "GaKi"。
