机器人迎来 「ChatGPT 时刻」！Generalist 发布 GEN-0，27 万小时真实数据催生首个具身智能缩放定律

27 万小时真实数据: 拒绝模拟，拥抱混乱世界

与依赖仿真环境或人类演示视频的竞品不同，GEN-0 直接在高保真物理交互数据上训练。这些数据来自全球数千家庭、仓库与工作场所的真实场景，涵盖剥土豆、拧螺丝、开包装、组装套件等数百种灵巧操作任务，每周新增超 1 万小时。这种对 「现实混乱性」 的极致捕捉，使模型具备了传统系统难以企及的泛化能力——它学会的不是理想动作，而是如何在滑动、遮挡、光照变化等干扰下完成任务。

7B 参数是智能 「相变」 临界点

Generalist 的突破性贡献在于首次量化机器人智能的缩放规律: 下游任务误差与预训练数据量呈幂律关系 （L(D）∝D⁻⁰·⁵)。更重要的是，研究发现 70 亿参数是能力跃迁的关键阈值。低于此值，模型在海量数据中 「固化」，难以迁移; 一旦突破，泛化能力呈指数级增长。这一发现为行业提供了清晰路径: 持续扩大真实数据规模，即可系统性提升机器人智能水平。

HarmonicReasoning 架构: 首次实现 「边想边做」

GEN-0 的核心创新是 HarmonicReasoning（谐波推理） 架构，彻底解决机器人 「思考」 与 「行动」 割裂的难题。传统系统需先规划再执行，而 GEN-0 通过异步连续时间流，让感知、推理与动作在统一时序中协同推进。演示中，机器人自主完成 「组装相机套件」 全流程——折叠托盘、取物、开袋、摆放、封装、清理——全程无任何人类指令，动作流畅自然，宛如具备 「类人直觉」。

跨平台通用: 一套模型驱动异构机器人舰队

GEN-0 采用 「跨具身」 设计，同一模型可无缝部署于 6 自由度机械臂、7 自由度臂乃至 16+自由度半人形机器人，无需为每种硬件重训策略。这意味着企业可构建统一智能中枢，管理多样化机器人终端，大幅降低部署与维护成本。

数据飞轮启动，通用机器人时代加速来临

Generalist 正通过其全球部署网络构建 「数据-智能」 飞轮: 更多机器人产生更多真实交互数据，反哺模型迭代，进而提升新机器人的能力。这一模式有望终结当前 「一任务一模型」 的碎片化生态，推动机器人从专用工具进化为可自主学习的通用伙伴。

当然，挑战犹存——数据隐私、算力成本与安全验证仍需完善。但不可否认，GEN-0 的出现，标志着具身智能正式进入 「可预测、可扩展、可规模化」 的新纪元。当机器人能像大语言模型一样从海量经验中 「自省」 成长，科幻中的智能体，已悄然走进现实。而这场革命，才刚刚拉开序幕。