為甚麼讓人採集數據，而不是讓人遙控機器人？

  • 機器人基礎模型缺少可直接抓取的海量物理互動數據。傳統遙操作每採集一小時數據，都需要可用的機器人和通常受過訓練的操作員，成本高、擴張慢。
  • Generalist讓人拿著「數據手」夾爪完成日常任務，同時記錄視覺和動作數據，無需機器人在場，因而能在多個地點並行採集。公司稱，數據集從2025年11月約27萬小時增至2026年4月超過50萬小時。
  • 這條路線押注真實互動能保留物理動態，縮小模擬與現實的落差。相比偏重模擬或互聯網影片的路線，其優勢取決於採集規模能否持續轉化為模型能力。

99%成功率與幾秒學會新任務，分別意味著甚麼？

  • 按公司披露，2026年4月發布的GEN-1在逐項任務後訓練後，平均成功率由此前模型的64%升至99%，執行速度約為此前的三倍。這體現的是經過專門訓練後的表現。
  • 8月發布的GEN-1.5改變的是教授新任務的方式：只給一次3—12秒示範、不更新模型參數，便能執行任務；在10項任務上的平均成功率為59%。每項任務增加5分鐘數據和10步參數更新後，該指標升至83%。
  • 摩根士丹利看重它削減新任務教學成本、減少數日數據採集的潛力。但這些結果僅限於簡單、短流程任務；公司也承認，即時示範學到的技能比專門微調後的技能更脆弱。

更多真實數據，何時才會成為壁壘？

  • Generalist稱，模型表現會隨預訓練數據增加而可預測地改善。若這一規律持續成立，企業就能更好地估算採集投入回報、安排運算資源，競爭重點也會轉向誰能取得更多樣的數據。
  • 壁壘還要求人手數據能遷移到不同機器人本體。機械臂結構、關節和感測器的差異會割裂數據；摩根士丹利指出，公司規模效應和成功率數據主要來自自行披露，獨立評測有限。
  • 公司希望以更大的初始數據集先取得部署，再靠部署回流數據強化模型。但競爭者規模部署後也能累積真實數據，模擬、影片與真實數據的有效組合仍是開放問題。

模型更好用，為甚麼收入不會立即跟上？

  • Generalist目前透過硬件夥伴和少量客戶的早期使用計劃探索落地，交付可包括整機，也可運行在客戶已有的機械臂上；商業路徑仍在形成中。
  • 摩根士丹利設想，自建整機能加強可靠性控制、取得部署數據，卻會增加資本和營運負擔；向硬件夥伴授權的模式較輕，但收入受夥伴渠道制約，夥伴也可能轉用其他模型。
  • 製造業和物流客戶銷售週期長、可靠性要求高，機器人故障可能拖停生產線。同時，數據採集和訓練資本密集、定價未定。該行因此認為，持續收入最終還依賴機器人製造能力與實體經濟客戶的採用意願。