# 策展 · X (Twitter) 🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：Generalist (@GeneralistAI) · 平台：X (Twitter) · 日期：2026-04-02

> 原始來源：https://x.com/GeneralistAI/status/2039709306145190262

## 中文摘要

Generalist AI 發布 GEN-1 模型，實現機器人物理任務精通。

Generalist AI 推出 GEN-1 模型，標誌著機器人學習領域的重大里程碑，該模型在物理任務中展現了前所未有的可靠性、速度與即興應變能力，並證明了機器人領域同樣存在擴展定律。

**核心效能與突破**
GEN-1 重新定義了機器人「精通」的標準，將可靠性、速度與即興應變能力結合，實現了商業化應用的可行性。
- 成功率：在多項任務中達到 99% 的成功率（前代模型僅為 64%）。
- 執行速度：任務完成速度提升約 3 倍，且能適應物體物理特性的即時變化。
- 資料效率：僅需 1 小時的機器人資料即可適應新任務，且基礎模型訓練完全不依賴機器人資料，而是使用低成本穿戴裝置收集的人類活動資料。

**技術架構與資料引擎**
該模型透過擴展 GEN-0 的基礎，並結合演算法進步與大規模資料訓練而成，是目前首個跨越商業化門檻的通用物理人工智慧模型。
- 資料規模：訓練資料庫包含超過 50 萬小時的真實世界物理互動資料。
- 系統級整合：GEN-1 不僅是模型權重，更是一個包含推理與模型運用技術的系統，支援即時推理。
- 即興應變：模型具備「即興應變」能力，能處理訓練分佈之外的突發狀況，例如在組裝過程中自動調整手部姿勢以重新抓取零件。

**局限性與對齊挑戰**
儘管 GEN-1 表現優異，但開發團隊坦承其並非完美，並強調了「對齊」在物理世界中的重要性。
- 任務覆蓋：並非所有嘗試的任務都能達到 99% 成功率，部分複雜任務仍具挑戰。
- 行為風險：模型展現的「即興應變」行為（如接住掉落物或重新整理物品）雖有助於任務完成，但屬於物理動作，可能產生不可預期的後果。
- 對齊需求：團隊正致力於改進對齊方法，精確引導模型行為以符合使用者預期，避免潛在的負面影響。

**未來願景**
Generalist AI 認為 GEN-1 是通往物理世界通用人工智慧的關鍵一步，透過在物理世界中的體驗，讓機器理解時間與空間的意義。
- 商業化進程：GEN-1 現已開放給早期存取合作夥伴使用。
- 發展目標：團隊將持續擴展模型與物理經驗，解鎖更廣泛的物理智慧應用，並預期隨著基礎模型改進，單一任務所需的資料量將進一步降低。

## 標籤

新產品, AIGC, 產業趨勢, Generalist AI