炒菜、做實驗、彈鋼琴！Genesis最強“AI靈巧手”demo，尋找新的Scaling Law

作者 ｜ 樊雅婷
郵箱 ｜ fanyating@pingwest.com

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

Genesis AI 在X上說我們正在接近機器人技術的終極階段。

雖然現在僅僅是開始，但也已經開始。

5月6日，Genesis AI發布首個機器人基礎模型GENE-26.5，能以1倍真實世界速度，在烹飪、移液、解魔方、線束組裝等高難度任務中展現雙手精細操作、工具使用與多物體協同能力。

在demo里，GENE-26.5能做番茄炒蛋、制作奶昔、實現精細實驗步驟、幫忙插吸管，甚至還能彈鋼琴，這一套下來，GENE-26.5已經打敗許多真實人類。

視頻里，蛋液流手上了還知道用抹布擦，居然還有摩挲的動作，高度類人。就好像它是一個愛干凈的人類，在確認到底“擦干凈了沒有”。

如果說大語言模型在文本知識的處理上已對人類形成碾壓，那么GENE-26.5的發布，則預示著這種差距正從認知維度向物理的操作維度蔓延。

它能做到你做不到的事情，全能腦又進化到靈巧手。

其實這家公司的名字很多人可能聽過。2024年底，一個叫Genesis的開源物理引擎在GitHub上炸開了鍋——用一句話就能生成完整的4D物理世界，成了GitHub上最大的具身智能開源項目。當時的項目牽頭人是周銜，卡內基梅隆大學機器人學博士，師從Katerina Fragkiadaki教授，研究方向涵蓋世界模型、模仿學習和強化學習。

2024年12月，周銜與同樣畢業于CMU的Théophile Gervet——前Mistral AI多模態模型負責人、Skild AI創始成員，共同創立了Genesis AI。2025年7月，公司宣布完成1.05億美元種子輪融資，由Khosla Ventures和Eclipse聯合領投，谷歌前董事長Eric Schmidt、歐洲科技大亨Xavier Niel、法國國家投資銀行BPI以及紅杉中國等參投。這個數字創下了硅谷具身智能行業種子輪融資紀錄，也是硅谷歷史上華人團隊完成的最大規模種子輪。創始團隊約20人，平均年齡不到28歲。

融資之后，沉默了將近一年。

5月6日，他們終于交出了第一份答卷。

1

一、物理世界操作的數字記錄

回到GENE-26.5產品本身，對于這些測試場景，官方從spatial precision（空間精度） 、temporal composition（時間編排）、contact richness（接觸豐富度）、contact coordination（接觸協同度）、tool-mediated interaction（工具中介交互）五個維度進行評估。不難發現，即使是一些高難度的場景，這只手都有很好的表現。

沒有人不被這次的Demo視頻吸引。這不奇怪，過去我們看了那么多機器人笨拙的走路、無法協調的身體、或者在真實場景下慢得像0.5倍速播放的混亂畫面。GENE-26.5的流暢，是扎眼的。更何況它既能切菜、做實驗還能彈鋼琴，使用場景不僅豐富，還兼顧藝術和實用。

但這種流暢是怎么做到的，又如何實現操作智能的規模化？官方給出了詳解。

先看數據。大語言模型和多模態模型走到今天，靠的是吃不完的文本和圖片。那是萬億級的數據盛宴。

操作智能面對的是另一張桌子。Genesis在技術博客開篇給了一個數字：超過80%的體力勞動是搬運和操作，但這些技能幾乎沒有任何數字化記錄。

一個流水線工人怎么擰螺絲、一個廚師怎么翻鍋、一個實驗室技術員怎么移液，這些行為沒有被系統地記錄下來。過程里有擰螺絲的調整、翻鍋時火候的把握，以及移液時周邊環境的差異，這些都是很難記錄的。

如果去刻意記錄，采集數據這件事本身也會干擾工作。

就像你給工人戴上一副復雜的數據手套，他的動作立刻變了，效率不僅會降，擰螺絲的手感也被分走了。采集到的，已經不是原來那個動作了。

1

二、數據引擎：三條線覆蓋帕累托前沿

但Genesis說"數據采集不能改變被采集者的行為"。

所以怎么做？答案是三條數據線同時跑。

第一，手套數據。自己做一副數據采集手套，用電磁場追蹤指尖位置，手掌和手指覆蓋密集觸覺傳感器。這副手套的設計目標很明確：盡量不干擾正常操作。人們戴著它干活，動作不需要改變，數據自然就流進來了。這是高質量、低數量的線。

第二，以自我為中心的視頻。頭戴攝像頭的第一視角拍攝。這種數據精度不如手套，但能捕捉到真實環境里的任務多樣性，而且采集成本極低。這是中等質量、中等數量的線。

第三，互聯網視頻。YouTube上做飯的視頻、修東西的視頻、工廠操作的教學視頻。精度最低，但規模幾乎無限。這是低質量、海量數量的線。

三條線一起，覆蓋了數據質量-數量的帕累托前沿。

1

三、硬件不是下游環節，是數據的關鍵

市面上大多數機器人公司不造手。他們用采購來的硬件，在上面寫軟件。

Genesis則反過來。

原因不復雜。人戴著手套采集到的動作數據，要喂給機械手去執行。如果這兩只手長得不一樣——手指長度差一截，關節活動角度對不上，表面一個硬一個軟——數據從人手傳到機器手，中間必須經過一道翻譯。翻譯就一定有損耗。手指角度對不齊，力控方式變了，觸覺反饋傳不過去。采集得再精細，執行端已經走樣了。

所以他們自己造了一只。Genesis Hand 1.0，20個自由度，直驅，可反向驅動。尺寸跟真人手1:1匹配。手掌和手指表面覆蓋柔軟材料，模擬人皮膚的接觸物理特性。

1:1尺寸匹配意味著人手怎么動，機械手就怎么動，數據和部署之間是同構的。軟材料意味著接觸物理特性跟人手接近，人拿起一個雞蛋的力道，機械手拿起來也是差不多的力道。用他們官方的說法，這叫“近無損信息傳遞”。

這條邏輯鏈很清楚：硬件的仿生程度，直接決定了人類數據能不能被模型完整吸收。硬件不是模型的配角，它是數據管道的第一環。

圖為Genesis Hand 1.0

1

四、模型架構：把所有東西放進一個聯合分布

有了數據，第二個問題是怎么訓練。

大多數機器人模型是模塊化的。一個模型處理視覺，一個模型處理語言指令，一個模型輸出動作。模塊之間要對齊，對齊就有信息損耗。

Genesis的做法又不一樣。他們的目標是學習一個統一的聯合分布，把所有東西放進去：語言、視覺、本體感覺、觸覺、動作。用流匹配來建模軌跡上的聯合分布，同時保留時間維度的耦合關系。

這個東西的實用效果是你在訓練的時候不需要顯式地對齊不同模態。模型自己學會了——當視覺出現某個模式、觸覺出現某個模式的時候，對應的動作應該是什么。缺失的模態可以通過去噪來推斷。

而且這個聯合分布可以靈活地接入外部模型。VLM（視覺語言模型）給它提供語義理解，世界模型（動作條件視頻生成）給它提供物理預測能力。聯合分布同時吸收這兩者，但不依賴其中任何一個。

1

五、評估的縮放：為什么2700小時能只用仿真

模型練出來了，下一步是判卷子。但判卷子比出卷子更耗時。

Genesis給了一個數字：如果在真實世界里跑完所有評估，需要人-機器人交互2700個小時。這在物理上幾乎不可行。

于是他們把考場搬進了仿真環境。Genesis World，他們打磨了一年多，能模擬光照變化、背景替換、物體屬性偏移、場景配置重組。每個數據點背后是200套評估設置、超過150小時的機器人執行時間，仿真把它壓縮到了可操作的范圍里。

關鍵發現是：預訓練數據規模越大，模型在從未見過的新場景里表現越好。這條曲線，跟大語言模型的縮放規律長得一樣。更大的模型、更多的數據、更多的算力，驗證損失持續降低。

或許這才是他們真正想讓行業看到的東西。一條在仿真里初步成立的Scaling Law曲線，在真實物理世界里被復現。

官方還提到：在即將到來的版本中，他們將分享關于Genesis World的更新，以及如何在模擬和現實世界中的模型評估之間建立強大的相關性。

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

結語

融資之后，沉默一年。Genesis再次露面，直接往物理世界扔了一只手。

自己設計的數據手套，自己造的機械手，自己寫的控制器，自己搭的仿真環境。這套全棧系統讓Genesis擁有了極高的控制力。

但也有些問題需要進一步解答。例如它能多大程度地適應現實世界的詳細場景？又例如在產品形態上，能不能再imaginative一點，不再只是實驗室里的一只機械手？

大語言模型走到今天，底層是一條被反復驗證過的信念：更大模型、更多數據，性能就會一直漲。這是LLM的Scaling Law，行業信它，資本也信它。但物理世界還沒有摸到屬于自己的那條線。

事實上，世界模型至今仍是一個混沌的戰場。所有人都在搶入場券，卻沒幾個人能說清它到底是什么。

但GENE-26.5的出現可能會改變這件事。它用一只仿生手，一套仿真引擎，把理解物理世界這個模糊命題錨定到了更加具體、且可評測的維度上。它讓規模化看起來不再是口號。Genesis World的評估結果，也許正是物理世界Scaling Law最早的信號，也可能不是。時間會給出答案。

但不管怎樣，這套全棧系統瞄準的方向是清楚的，就是讓機器人在物理世界里像人一樣感知、適應、操作，而不是在預設腳本里重復。

點個“愛心”，再走 吧