人类双手攒出50万小时数据喂给机器人？大摩：Generalist这场物理AI豪赌价值百亿美金

当大语言模型的红利逐步被市场消化，物理世界的AI—— 也就是具身智能与通用机器人，正在成为下一个被千亿资本追逐的核心赛道。

无数公司喊着要造出能胜任多种工作的通用机器人，但绕来绕去，全行业都卡在了同一个核心难题上：没有足够的高质量数据，练不出真正的机器人大脑。

最近摩根士丹利的一份深度研报，把目光对准了创业公司 Generalist AI。它没有跟风走仿真或者互联网视频路线，而是选择了一条更 “重” 的路：给人类戴上手持采集工具，用真实的人类双手，直接喂给机器人最原汁原味的物理交互数据。这条路到底能不能跑通？整个机器人行业都在等答案。

Part.01为什么我们练不出机器人大脑？

很多人会把机器人基础模型类比成大语言模型，觉得只要模型够大、算力够足，就能像 GPT 处理文字一样处理各种物理任务。但现实是，两者的难度根本不在一个量级。

大语言模型的训练数据，可以直接从整个互联网抓取，文本、图片、视频应有尽有，天然就是互联网级的规模。但机器人需要的是 “物理交互数据”—— 也就是抓取、拧盖、折叠、摆放这些动作的完整视觉、力觉、运动轨迹与接触反馈数据，这些数据网上没有现成的，也没法随便爬取。

这就催生了整个行业的核心路线分歧：到底用什么数据来训练机器人基础模型？目前行业里分成了几大流派。一派走仿真路线，在虚拟环境里生成海量数据，成本低、速度快，但最大的问题是 “仿真到现实的鸿沟”，虚拟环境里练得再好，放到真实世界里，物体的摩擦力、重量、形变都对不上，一上手就出错。

一派走视频路线，刷遍互联网上人类干活的视频，让 AI “看会” 怎么操作，但视频只能捕捉动作表面，抓不住精确的力度、轨迹与接触细节，动作保真度天生不足。还有一派是传统的遥操作，让人远程操控机器人一遍一遍重复任务，数据质量高，但成本昂贵、效率低下，一台机器人配一个专业操作员，根本攒不起大数据量。

说白了，现在的机器人基础模型行业，还处在 “前大模型时代”。没人知道哪条路是对的，也没人验证出像大语言模型那样可靠的 “缩放定律”—— 也就是数据量翻番、模型能力就稳定提升的规律。所有人都在押注，押对了可能就是下一个 OpenAI，押错了就是几十亿美金打水漂。

Part.02人类双手攒出50万小时真实数据

就在全行业纠结怎么凑数据的时候，Generalist AI 走了一条完全相反的路：既然机器人遥操作太贵，那干脆抛开机器人，直接让人类来采集数据。

这家公司的创始团队堪称豪华，两位核心创始人来自谷歌 DeepMind，曾参与 RT-2、PaLM-E 这些标志性机器人模型的研发，还有一位创始人来自波士顿动力，有实打实的硬件工程经验。

他们的核心工具叫 “数据之手”，是一种手持式的夹爪设备，原理脱胎于斯坦福、哥伦比亚等高校提出的通用操作接口框架。普通人戴上这个工具，正常做开瓶盖、叠纸巾、拿取物品这些日常动作，设备就能同步捕捉视觉画面和精细的运动轨迹数据，全程不需要机器人参与。

这个思路的优势非常直接。第一，没有机器人硬件成本，不用采购昂贵的机械臂，只要把采集设备分发出去，就能在家庭、仓库、工厂等各种真实环境里积累数据；第二，数据完全来自真实物理世界，天然没有仿真到现实的鸿沟，动作的动力学、接触细节都是 100% 真实的；第三，采集门槛低，不需要专业的机器人操作员，普通人就能上手，很容易规模化扩张。

从 2024 年成立到现在，这家公司的数据集已经从 27 万小时涨到了 50 多万小时，模型也迭代了三代。第一代 GEN-0 就首次提出 “机器人也存在缩放定律”，声称数据量增长会带来模型能力的可预测提升；第二代 GEN-1 把选定简单任务的成功率拉到了 99%，执行速度提升了三倍；到了今年 8 月的 GEN-1.5，最惊艳的能力出现了：一次性学习。

只要给模型输入一段 3 到 12 秒的人类演示，不用额外训练、不用调整参数，机器人当场就能学会新任务，10 项日常任务平均成功率 59%；如果再用 5 分钟数据做 10 步微调，成功率能提升到 83%。

这种 “看一眼就会” 的能力，放在机器人领域堪称降维打击 —— 传统工业机器人学一个新任务，要工程师调试几天、收集几百次演示数据，现在只要十几秒演示就能直接上手。更有意思的是，公司表示这个能力不是专门设计出来的，而是数据量堆到一定程度之后自然涌现的，和当年大语言模型出现上下文学习的路径高度相似。

Part.03三条技术路线大比拼

大摩在报告中指出，Generalist 的真实数据路线听起来很美好，但它不是行业的主流，更不是标准答案。目前赛道里的头部玩家几乎各有各的技术路线，谁也说服不了谁。

走仿真路线的代表是 Genesis AI 和英伟达。Genesis 靠自研的物理模拟器，生成数据的速度是真实时间的几十万倍，成本极低，现在已经开始推出自己的整机机器人。英伟达更是靠 Isaac 平台为全行业提供仿真工具，同时自研基础模型，认为仿真加少量真实数据是性价比最高的路径。

走视频路线的代表是 Skild AI 和 Rhoda AI。Skild 靠海量互联网人类视频预训练，再配合少量遥操作数据，最新模型看一段人类视频就能学会任务，估值已经冲到 140 亿美元以上；Rhoda 同样先用亿级视频做预训练，再用十几小时的机器人数据微调，主打低成本冷启动。

还有走混合路线的 Physical Intelligence 和谷歌 DeepMind，不把鸡蛋放在一个篮子里，遥操作、视频、仿真多管齐下，还在布局世界模型，让机器人自己预判动作后果。其中 Physical Intelligence 的估值已经突破 110 亿美元，是赛道里的超级独角兽。

这几条路线各有优劣：视频和仿真成本低、起量快，但动作保真度弱，越复杂的接触类任务越难落地；真实物理数据质量最高、落地最直接，但采集成本高、速度慢，前期投入巨大。现在行业的共识是，未来大概率不是非此即彼的关系，前期靠仿真和视频冷启动，后期靠真实部署的数据飞轮迭代，可能是更稳妥的路径。

但 Generalist 的逻辑是：前期的数据底子越好，模型能力越强，就越能早一步落地，早一步启动数据飞轮。如果真实数据训练的模型确实严格遵循缩放定律，那先攒够百万小时级真实数据的玩家，就能把对手远远甩在后面。现在的核心问题就是，这个 “如果” 到底成不成立。

Part.04商业化的坎才刚刚开始

就算技术路线最终跑通，机器人 AI 也不可能像大模型那样一夜之间遍地开花。和数字世界的 AI 比起来，物理世界的落地难度，要高出整整一个数量级。

首先是物理世界的零容错属性。大模型出点错、生成不准确的内容，顶多是影响用户体验；但机器人在产线上出错，可能直接干停整条生产线，甚至引发安全事故。工业场景对可靠性的要求极高，99% 的成功率根本不够看，差一个数量级都没法商用。这也是为什么很多实验室里效果惊艳的机器人，一到真实工厂就水土不服。

其次是客户群体的保守性。制造业、物流这些实体行业，本来就是薄利、重资产模式，对新技术的接受速度极慢，销售周期动辄以年为单位。让工厂运营方掏大价钱换一套没经过长期验证的 AI 机器人，还要承担停产风险，难度比给互联网公司卖 SaaS 产品大得多。

还有制造产能的现实约束。现在全球机器人的核心零部件，大部分产能都集中在中国，哪怕是特斯拉的人形机器人，很多部件也要从中国采购。海外的机器人创业公司，模型做得再好，没有成熟的供应链和制造能力，也没法大规模量产落地。

落到 Generalist 自身，商业化路径也还在摸索阶段。目前它主要和机器人厂商合作，比如和优傲机器人成为优选模型伙伴，给现成的机械臂搭载 AI 大脑，同时也在推进早期客户试点。

未来它有四条潜在路径可以选择：要么自己做整机，走垂直一体化，吃掉全链条价值；要么靠授权模式，给所有硬件厂商供货；要么开放 API 给开发者，走用量付费；要么做系统集成，帮客户搭建完整的机器人工作站。每条路都有对应的优势和风险，目前整个行业都还没有跑出被充分验证的盈利模式。

Part.05一场价值百亿的豪赌

站在当前的节点看Generalist，它更像是整个机器人基础模型行业的一块试金石。

它押上全部身家的真实数据路线，如果最终被验证有效，那整个赛道的商业逻辑都会被改写 —— 数据采集的壁垒会成为核心护城河，谁能攒到最多、最多样的真实人类操作数据，谁就能掌握行业话语权。

反过来，如果这条路走不通，比如数据跨机器人迁移的问题无法解决，或者缩放定律到了一定量级就失效，那就等于给全行业证明了，纯靠真实数据的路径性价比太低，仿真加视频的混合路线才是更务实的选择。

当然，现在谈胜负还为时尚早。这家成立才两年多的公司，已经拿到了超过 7.4 亿美元融资，估值冲到 30 亿美元，投资方里包括英伟达、贝索斯、李飞飞等行业重磅角色，说明资本愿意为这个可能性买单。而整个机器人基础模型赛道，过去几年的融资金额一路暴涨，仅 2026 年初至今，就有百亿级资金持续涌入。

说到底，通用机器人是一场比大模型更漫长的赛跑。它拼的不只是算法和数据，还有硬件、制造、供应链、行业理解，是全链条的综合能力。

大摩认为，可以确定的是，一旦有谁真的跑通了通用机器人大脑，带来的产业变革会比今天的大语言模型更加深刻 —— 毕竟，它要替代和延伸的，是人类的双手。

本文源自：智通财经