Generalist AI: Mengajar robot dengan data operasi manusia, sejauh mana lagi untuk dikomersialkan?
Generalist menggunakan pencengkam pegang tangan untuk mengatasi kesesakan pengumpulan data melalui teleoperasi robot, dan menunjukkan keupayaan melaksanakan tugas baharu selepas demonstrasi beberapa saat. Morgan Stanley menilai tinggi kesan skala datanya, tetapi pemindahan antara model robot, kebolehpercayaan tugas dan model perniagaan menentukan sama ada kemajuan teknikal dapat menjadi hasil.
Sumber asal：Morgan StanleyPertama diterbitkan di Unhidea：Tarikh sumber asal：
Inti utama
Morgan Stanley berpendapat nilai Generalist terletak pada usaha menguji sama ada data operasi sebenar dapat membentuk kelebihan pertahanan bagi model robot, manakala pertumbuhan hasil turut bergantung pada pemindahan antara model robot, keupayaan pembuatan dan penerimaan pelanggan.
Mengapa manusia mengumpulkan data dan bukannya mengawal robot dari jauh?
Model asas robot kekurangan data interaksi fizikal yang banyak dan boleh diperoleh secara langsung. Setiap jam pengumpulan data melalui teleoperasi konvensional memerlukan robot yang tersedia dan pengendali yang biasanya terlatih, menjadikan kosnya tinggi dan pengembangannya perlahan.
Generalist meminta manusia menggunakan pencengkam pegang tangan “Data Hand” untuk melaksanakan tugas harian sambil merekodkan data visual dan pergerakan. Robot tidak perlu hadir, maka pengumpulan boleh dilakukan serentak di beberapa lokasi. Syarikat itu menyatakan set datanya meningkat daripada kira-kira 270 ribu jam pada November 2025 kepada lebih 500 ribu jam pada April 2026.
Pendekatan ini mempertaruhkan bahawa interaksi sebenar dapat mengekalkan dinamik fizikal dan mengurangkan jurang antara simulasi dengan realiti. Berbanding pendekatan yang menumpukan simulasi atau video internet, kelebihannya bergantung pada sama ada skala pengumpulan dapat terus diterjemahkan kepada keupayaan model.
Apakah makna kadar kejayaan 99% dan keupayaan mempelajari tugas baharu dalam beberapa saat?
Menurut pendedahan syarikat, GEN-1 yang dilancarkan pada April 2026 mencatat kadar kejayaan purata 99% selepas latihan lanjutan bagi setiap tugas, meningkat daripada 64% bagi model sebelumnya. Kelajuan pelaksanaannya kira-kira tiga kali ganda. Ini mencerminkan prestasi selepas latihan khusus.
GEN-1.5 yang dilancarkan pada Ogos mengubah cara tugas baharu diajar: ia boleh melaksanakan tugas selepas satu demonstrasi selama 3–12 saat tanpa mengemas kini parameter model; kadar kejayaan puratanya bagi 10 tugas ialah 59%. Selepas menambah data selama 5 minit dan 10 langkah kemas kini parameter bagi setiap tugas, angka itu meningkat kepada 83%.
Morgan Stanley menilai tinggi potensinya untuk mengurangkan kos mengajar tugas baharu dan mengurangkan keperluan beberapa hari pengumpulan data. Namun, hasil ini terhad kepada tugas mudah dengan urutan pendek; syarikat juga mengakui bahawa kemahiran yang dipelajari daripada demonstrasi serta-merta lebih rapuh berbanding kemahiran selepas penalaan halus khusus.
Bilakah lebih banyak data sebenar akan menjadi kelebihan pertahanan?
Generalist menyatakan prestasi model bertambah baik secara boleh diramal apabila data pralatihan bertambah. Jika pola ini terus berlaku, syarikat dapat menganggarkan pulangan pelaburan pengumpulan data dan mengatur sumber pengkomputeran dengan lebih baik, sementara tumpuan persaingan akan beralih kepada pihak yang dapat memperoleh data lebih pelbagai.
Kelebihan pertahanan juga memerlukan data tangan manusia dipindahkan kepada badan robot yang berbeza. Perbezaan struktur lengan robot, sendi dan penderia boleh memecah-belahkan data; Morgan Stanley menyatakan data kesan skala dan kadar kejayaan syarikat terutamanya dilaporkan sendiri, dengan penilaian bebas yang terhad.
Syarikat berharap dapat memperoleh penggunaan awal melalui set data awal yang lebih besar, kemudian mengukuhkan model dengan data yang dikembalikan daripada penggunaan tersebut. Namun, pesaing juga boleh mengumpulkan data sebenar selepas penggunaan berskala besar, dan gabungan berkesan simulasi, video dan data sebenar masih menjadi persoalan terbuka.
Mengapa hasil tidak akan terus meningkat apabila model menjadi lebih baik?
Generalist kini meneroka pelaksanaan melalui rakan perkakasan dan program akses awal untuk sebilangan kecil pelanggan. Penyerahan boleh merangkumi robot lengkap atau model yang dijalankan pada lengan robot sedia ada pelanggan; laluan komersialnya masih terbentuk.
Morgan Stanley menjangkakan pembinaan robot lengkap sendiri boleh mengukuhkan kawalan kebolehpercayaan dan memperoleh data penggunaan, tetapi menambah beban modal dan operasi. Pelesenan kepada rakan perkakasan lebih ringan, tetapi hasil dibatasi oleh saluran rakan tersebut, yang juga mungkin beralih kepada model lain.
Pelanggan pembuatan dan logistik mempunyai kitaran jualan yang panjang serta keperluan kebolehpercayaan yang tinggi, dan kegagalan robot boleh menghentikan barisan pengeluaran. Pada masa yang sama, pengumpulan data dan latihan memerlukan modal yang besar, manakala harga belum ditetapkan. Oleh itu, bank tersebut berpendapat hasil berterusan akhirnya turut bergantung pada keupayaan pembuatan robot dan kesediaan pelanggan dalam ekonomi sebenar untuk menggunakannya.
