为什么让人采数据，而不是让人遥控机器人？

  • 机器人基础模型缺少可直接抓取的海量物理交互数据。传统遥操作每采集一小时，都需要可用的机器人和通常受过训练的操作员，成本高、扩张慢。
  • Generalist让人拿着“数据手”夹爪完成日常任务，同时记录视觉和动作数据，无需机器人在场，因而能在多个地点并行采集。公司称，数据集从2025年11月约27万小时增至2026年4月超过50万小时。
  • 这条路线押注真实交互能保留物理动态，减少仿真与现实的落差。相比偏重仿真或互联网视频的路线，它的优势取决于采集规模能否持续转化为模型能力。

99%成功率与几秒学会新任务，分别意味着什么？

  • 按公司披露，2026年4月发布的GEN-1在逐项任务后训练后，平均成功率由此前模型的64%升至99%，执行速度约为此前的三倍。这体现的是经过专门训练后的表现。
  • 8月发布的GEN-1.5改变的是教新任务的方式：只给一次3—12秒示范、不更新模型参数，便能执行任务；在10项任务上的平均成功率为59%。每项任务增加5分钟数据和10步参数更新后，该指标升至83%。
  • 摩根士丹利看重它削减新任务教学成本、减少数日数据采集的潜力。但这些结果限于简单、短流程任务；公司也承认，即时示范学到的技能比专门微调后的技能更脆弱。

更多真实数据，什么时候才会成为壁垒？

  • Generalist称，模型表现会随预训练数据增加而可预测地改善。若这一规律持续成立，企业就能更好地估算采集投入回报、安排算力，竞争重点也会转向谁能获得更多样的数据。
  • 壁垒还要求人手数据能迁移到不同机器人身体。机械臂结构、关节和传感器差异会割裂数据；摩根士丹利指出，公司规模效应和成功率数据主要来自自报，独立评测有限。
  • 公司希望以更大的初始数据集先获得部署，再靠部署回流数据强化模型。但竞争者规模部署后也能积累真实数据，仿真、视频与真实数据的有效组合仍是开放问题。

模型更好用，为什么收入不会立即跟上？

  • Generalist目前通过硬件伙伴和少量客户的早期访问计划探索落地，交付可包括整机，也可运行在客户已有机械臂上；商业路径仍在形成中。
  • 摩根士丹利设想，自建整机能加强可靠性控制、获取部署数据，却增加资本和运营负担；向硬件伙伴授权更轻，但收入受伙伴渠道制约，伙伴也可能切换模型。
  • 制造业和物流客户销售周期长、可靠性要求高，机器人故障可能拖停产线。同时，数据采集和训练资本密集、定价未定。该行因此认为，持续收入最终还依赖机器人制造能力与实体经济客户的采用意愿。