作者 ｜ 樊雅婷
邮箱 ｜ fanyating@pingwest.com

We are approaching the endgame for robotics.And this is just a beginning.

Genesis AI 在X上说我们正在接近机器人技术的终极阶段。

虽然现在仅仅是开始，但也已经开始。

5月6日，Genesis AI发布首个机器人基础模型GENE-26.5，能以1倍真实世界速度，在烹饪、移液、解魔方、线束组装等高难度任务中展现双手精细操作、工具使用与多物体协同能力。

在demo里，GENE-26.5能做番茄炒蛋、制作奶昔、实现精细实验步骤、帮忙插吸管，甚至还能弹钢琴，这一套下来，GENE-26.5已经打败许多真实人类。

视频里，蛋液流手上了还知道用抹布擦，居然还有摩挲的动作，高度类人。就好像它是一个爱干净的人类，在确认到底“擦干净了没有”。

如果说大语言模型在文本知识的处理上已对人类形成碾压，那么GENE-26.5的发布，则预示着这种差距正从认知维度向物理的操作维度蔓延。

它能做到你做不到的事情，全能脑又进化到灵巧手。

其实这家公司的名字很多人可能听过。2024年底，一个叫Genesis的开源物理引擎在GitHub上炸开了锅——用一句话就能生成完整的4D物理世界，成了GitHub上最大的具身智能开源项目。当时的项目牵头人是周衔，卡内基梅隆大学机器人学博士，师从Katerina Fragkiadaki教授，研究方向涵盖世界模型、模仿学习和强化学习。

2024年12月，周衔与同样毕业于CMU的Théophile Gervet——前Mistral AI多模态模型负责人、Skild AI创始成员，共同创立了Genesis AI。2025年7月，公司宣布完成1.05亿美元种子轮融资，由Khosla Ventures和Eclipse联合领投，谷歌前董事长Eric Schmidt、欧洲科技大亨Xavier Niel、法国国家投资银行BPI以及红杉中国等参投。这个数字创下了硅谷具身智能行业种子轮融资纪录，也是硅谷历史上华人团队完成的最大规模种子轮。创始团队约20人，平均年龄不到28岁。

融资之后，沉默了将近一年。

5月6日，他们终于交出了第一份答卷。

1

一、物理世界操作的数字记录

回到GENE-26.5产品本身，对于这些测试场景，官方从spatial precision（空间精度） 、temporal composition（时间编排）、contact richness（接触丰富度）、contact coordination（接触协同度）、tool-mediated interaction（工具中介交互）五个维度进行评估。不难发现，即使是一些高难度的场景，这只手都有很好的表现。

没有人不被这次的Demo视频吸引。这不奇怪，过去我们看了那么多机器人笨拙的走路、无法协调的身体、或者在真实场景下慢得像0.5倍速播放的混乱画面。GENE-26.5的流畅，是扎眼的。更何况它既能切菜、做实验还能弹钢琴，使用场景不仅丰富，还兼顾艺术和实用。

但这种流畅是怎么做到的，又如何实现操作智能的规模化？官方给出了详解。

先看数据。大语言模型和多模态模型走到今天，靠的是吃不完的文本和图片。那是万亿级的数据盛宴。

操作智能面对的是另一张桌子。Genesis在技术博客开篇给了一个数字：超过80%的体力劳动是搬运和操作，但这些技能几乎没有任何数字化记录。

一个流水线工人怎么拧螺丝、一个厨师怎么翻锅、一个实验室技术员怎么移液，这些行为没有被系统地记录下来。过程里有拧螺丝的调整、翻锅时火候的把握，以及移液时周边环境的差异，这些都是很难记录的。

如果去刻意记录，采集数据这件事本身也会干扰工作。

就像你给工人戴上一副复杂的数据手套，他的动作立刻变了，效率不仅会降，拧螺丝的手感也被分走了。采集到的，已经不是原来那个动作了。

1

二、数据引擎：三条线覆盖帕累托前沿

但Genesis说"数据采集不能改变被采集者的行为"。

所以怎么做？答案是三条数据线同时跑。

第一，手套数据。自己做一副数据采集手套，用电磁场追踪指尖位置，手掌和手指覆盖密集触觉传感器。这副手套的设计目标很明确：尽量不干扰正常操作。人们戴着它干活，动作不需要改变，数据自然就流进来了。这是高质量、低数量的线。

第二，以自我为中心的视频。头戴摄像头的第一视角拍摄。这种数据精度不如手套，但能捕捉到真实环境里的任务多样性，而且采集成本极低。这是中等质量、中等数量的线。

第三，互联网视频。YouTube上做饭的视频、修东西的视频、工厂操作的教学视频。精度最低，但规模几乎无限。这是低质量、海量数量的线。

三条线一起，覆盖了数据质量-数量的帕累托前沿。

1

三、硬件不是下游环节，是数据的关键

市面上大多数机器人公司不造手。他们用采购来的硬件，在上面写软件。

Genesis则反过来。

原因不复杂。人戴着手套采集到的动作数据，要喂给机械手去执行。如果这两只手长得不一样——手指长度差一截，关节活动角度对不上，表面一个硬一个软——数据从人手传到机器手，中间必须经过一道翻译。翻译就一定有损耗。手指角度对不齐，力控方式变了，触觉反馈传不过去。采集得再精细，执行端已经走样了。

所以他们自己造了一只。Genesis Hand 1.0，20个自由度，直驱，可反向驱动。尺寸跟真人手1:1匹配。手掌和手指表面覆盖柔软材料，模拟人皮肤的接触物理特性。

1:1尺寸匹配意味着人手怎么动，机械手就怎么动，数据和部署之间是同构的。软材料意味着接触物理特性跟人手接近，人拿起一个鸡蛋的力道，机械手拿起来也是差不多的力道。用他们官方的说法，这叫“近无损信息传递”。

这条逻辑链很清楚：硬件的仿生程度，直接决定了人类数据能不能被模型完整吸收。硬件不是模型的配角，它是数据管道的第一环。

图为Genesis Hand 1.0

1

四、模型架构：把所有东西放进一个联合分布

有了数据，第二个问题是怎么训练。

大多数机器人模型是模块化的。一个模型处理视觉，一个模型处理语言指令，一个模型输出动作。模块之间要对齐，对齐就有信息损耗。

Genesis的做法又不一样。他们的目标是学习一个统一的联合分布，把所有东西放进去：语言、视觉、本体感觉、触觉、动作。用流匹配来建模轨迹上的联合分布，同时保留时间维度的耦合关系。

这个东西的实用效果是你在训练的时候不需要显式地对齐不同模态。模型自己学会了——当视觉出现某个模式、触觉出现某个模式的时候，对应的动作应该是什么。缺失的模态可以通过去噪来推断。

而且这个联合分布可以灵活地接入外部模型。VLM（视觉语言模型）给它提供语义理解，世界模型（动作条件视频生成）给它提供物理预测能力。联合分布同时吸收这两者，但不依赖其中任何一个。

1

五、评估的缩放：为什么2700小时能只用仿真

模型练出来了，下一步是判卷子。但判卷子比出卷子更耗时。

Genesis给了一个数字：如果在真实世界里跑完所有评估，需要人-机器人交互2700个小时。这在物理上几乎不可行。

于是他们把考场搬进了仿真环境。Genesis World，他们打磨了一年多，能模拟光照变化、背景替换、物体属性偏移、场景配置重组。每个数据点背后是200套评估设置、超过150小时的机器人执行时间，仿真把它压缩到了可操作的范围里。

关键发现是：预训练数据规模越大，模型在从未见过的新场景里表现越好。这条曲线，跟大语言模型的缩放规律长得一样。更大的模型、更多的数据、更多的算力，验证损失持续降低。

或许这才是他们真正想让行业看到的东西。一条在仿真里初步成立的Scaling Law曲线，在真实物理世界里被复现。

官方还提到：在即将到来的版本中，他们将分享关于Genesis World的更新，以及如何在模拟和现实世界中的模型评估之间建立强大的相关性。

In our upcoming release, we will share an exciting update on Genesis World and how we establish strong correlation between model evaluation in simulation and real world.

1

结语

融资之后，沉默一年。Genesis再次露面，直接往物理世界扔了一只手。

自己设计的数据手套，自己造的机械手，自己写的控制器，自己搭的仿真环境。这套全栈系统让Genesis拥有了极高的控制力。

但也有些问题需要进一步解答。例如它能多大程度地适应现实世界的详细场景？又例如在产品形态上，能不能再imaginative一点，不再只是实验室里的一只机械手？

大语言模型走到今天，底层是一条被反复验证过的信念：更大模型、更多数据，性能就会一直涨。这是LLM的Scaling Law，行业信它，资本也信它。但物理世界还没有摸到属于自己的那条线。

事实上，世界模型至今仍是一个混沌的战场。所有人都在抢入场券，却没几个人能说清它到底是什么。

但GENE-26.5的出现可能会改变这件事。它用一只仿生手，一套仿真引擎，把理解物理世界这个模糊命题锚定到了更加具体、且可评测的维度上。它让规模化看起来不再是口号。Genesis World的评估结果，也许正是物理世界Scaling Law最早的信号，也可能不是。时间会给出答案。

但不管怎样，这套全栈系统瞄准的方向是清楚的，就是让机器人在物理世界里像人一样感知、适应、操作，而不是在预设脚本里重复。

点个“爱心”，再走 吧