2026年8月24日，美国具身智能企业Generalist AI完成约2亿美元新一轮融资。本轮融资由美国风险投资机构8VC领投，多家现有投资者继续参与。值得注意的是，这笔交易尚未由Generalist AI通过独立公告正式披露，融资金额主要来自监管申报及多方报道，因此最终规模和估值仍应以后续正式信息为准。

这是Generalist AI在不到三个月内获得的第二笔大额融资。2026年6月4日，公司刚刚宣布完成4亿美元融资，由Radical Ventures领投，8VC、Square Ventures、Hanabi Capital和Norwest等机构参与，英伟达旗下NVentures、Boldstart Ventures、Spark Capital、Bezos Expeditions和NFDG等原有投资者也继续追加资金。该轮融资完成后，Generalist AI宣布累计融资已超过5亿美元；计入最新约2亿美元资金后，其累计融资额已经超过7亿美元。

Generalist AI成立于2024年，由Pete Florence、Andy Zeng和Andrew Barry联合创办。其中，Pete Florence担任首席执行官，Andy Zeng担任首席科学家，Andrew Barry担任首席技术官。团队成员拥有Google DeepMind、OpenAI和波士顿动力等机构的工作背景，曾参与PaLM-E、RT-2和Gemini Robotics等具身智能模型研发，也具备Atlas、Spot和Stretch等机器人平台的工程经验。公司目前在美国加利福尼亚州湾区和马萨诸塞州波士顿设有团队。

与直接制造人形机器人或工业机械臂的企业不同，Generalist AI把主要资源投入机器人基础模型，目标是开发能够适配不同机器人本体、末端执行器和作业环境的通用“机器人智能大脑”。公司认为，未来工厂、仓库、实验室乃至家庭中的机器人，不应局限于按照固定程序重复单一动作，而应能够理解任务、适应物体和环境变化，并在出现意外情况时自主调整动作。

2025年11月，Generalist AI推出首代具身基础模型GEN-0。该模型以真实世界中的高保真物理交互数据为训练基础，并尝试验证机器人学习是否也具有类似大型语言模型的规模化规律。其研究认为，当模型规模跨越约70亿参数后，适应能力可能出现明显变化；此后，GEN-0继续向百亿参数以上扩展。

2026年4月推出的GEN-1进一步提升了任务完成速度、成功率和异常恢复能力。该模型从超过50万小时的真实交互数据中进行预训练，部分简单任务的成功率超过99%，执行速度最高可达到此前先进方案的约3倍。机器人在物体位置发生变化、抓取失败或操作环境出现扰动时，也能够根据视觉与状态反馈调整动作，而不是立即停止任务。

2026年7月，Generalist AI进一步展示GEN-1对不同末端执行器的适配能力。其训练数据覆盖五指仿人手、两指夹爪、专用工具及定制执行器等多种结构，末端执行器变化形式约达9000种。公司的目标是让同一个基础模型学习不同“手”的动作逻辑，从而降低机器人软件与特定硬件长期绑定的问题。

此后发布的GEN-1.5则开始探索单次和少样本学习。该模型可以处理视频、语言、机器人自身状态等多模态输入，并以100赫兹输出动作轨迹。在部分实验中，机器人观看3至12秒的人类操作示范后，即可在不进行梯度更新或重新微调的情况下尝试执行新任务。虽然目前展示的任务仍以简单、短流程操作为主，但这种“看一次就学会”的能力，是通用机器人进入真实应用的重要方向。

对仓储物流和制造业而言，Generalist AI的价值不在于推出某一款特定机器人，而是降低不同机器人学习新任务的成本。如果统一模型能够在不同机械臂、移动操作机器人和末端执行器之间迁移，企业就不必为每一种货物、箱型和作业流程分别编写大量程序。分拣、拆零、装箱、理料、上料以及柔性装配等过去难以通过传统自动化覆盖的环节，可能因此获得新的自动化路径。

不过，具身基础模型要实现规模化商业应用，仍需解决真实数据成本、安全验证、实时计算和跨硬件可靠性等问题。机器人面对的是具有摩擦、重量和碰撞风险的物理世界，模型在实验室中的成功率不能直接等同于生产现场的长期稳定性。此次连续大额融资说明，资本正在把机器人基础模型视为继语言模型之后的重要平台机会，但Generalist AI最终能否把快速提升的模型能力转化为可靠的工业生产力，仍要由实际部署结果检验。