量子位

英伟达AMD首次联手押注!Genesis完成A轮融资,估值超230亿

Jay 发自 凹非寺 
量子位 | 公众号 QbitAI

刚刚,美国具身智能公司Genesis AI,完成了一笔新融资——

5亿美金A轮,投后估值来到35亿美金。

投资方阵容也是相当豪华:

NVIDIA、AMD、前谷歌CEO Eric Schmidt、Zoom创始人袁征、雅虎创始人Jerry Yang……一众大佬赫然在列。

值得一提的是,这是AMD和英伟达第一次联手投资具身智能公司。

在具身智能融资普遍遇冷的当下,这笔融资,无疑显得尤为突出。

Genesis,究竟有何不同?

在深入研究其官网和技术文档后,我们发现,答案或许就藏在Genesis对自身的定位里——

具身全栈玩家。

而这一切,要从半年前说起。

一年亮一剑

Genesis AI创立于于2025年3月,总部横跨美国和法国,由华人学者周衔与Théophile Gervet联合创立。

在正式创办公司前,其团队就已凭借开源物理仿真项目,在学术与工程界积累了极高的人气。

今年5月,Genesis AI公开了他们的首个具身基础模型:GENE-26.5。

一经发布,一系列展示其能力的演示视频便引起了广泛关注。

主战场是厨房。

在一个长达四分钟、未经加速的视频里,机器人流畅地完成了超过20个子任务:

单手磕鸡蛋、用刀切番茄、使用打蛋器、盐磨和锅铲。

下一个场景是实验室。

同样要求毫米级的精度,同样是一镜到底的长程任务,GENE-26.5能够自主完成移液、密封试管,并最终将试管放入离心机。

此外,它还能制作奶昔、还原魔方、弹奏钢琴,全方位展示了其灵巧手的通用操作能力。

最关键的一点是,这些能力并非由多个专用小模型堆砌而成,绝大部分操作都依赖于同一套共享权重的GENE模型。

51d6a6f4-3e5d-4590-8cb7-1bdb0caeba5e.png

不过吧,如今的机器人领域,演示视频已屡见不鲜,其背后的方法论或许更值得探究。

Genesis有个比较特殊的地方,官方表示,模型并非他们想要展示的全部。

在他们看来,机器人是一个高度耦合的工程系统。数据、评测、本体……任何一个环节的短板,都会像多米诺骨牌一样,最终限制整体性能的上限。

怎么办?

Genesis的答案是:

我全都要。

拆解全栈「三位一体」

在Genesis的体系里,数据、模型、评测和本体,被设计成了一个紧密耦合的闭环系统。

1、数据引擎:解决「鸡生蛋」问题

机器人学习的最大瓶颈之一,是高质量数据的稀缺,尤其是手部操作数据。

人手能产生最丰富、最自然的交互数据,但人手与机械手的形态差异巨大,导致数据难以直接迁移。

但如果不存在这道本体的鸿沟呢?

Genesis的解法堪称暴力,他们直接在物理层面填平了这道鸿沟——

1:1:1全链路映射。

  1. 人类的手:一切交互的源头。

  2. 数据手套:采用电磁场(EMF)手指追踪技术与高密度触觉传感,高保真地捕捉人手在工作中的信号。

  3. Genesis灵巧手:与人手1:1适配,拥有20个自由度,表面覆盖模拟人类皮肤的柔性材料。

b5d3cf5a-6a29-5685-a323-44922456d496.jpg

其效果是,当工人戴上数据手套进行日常工作时,他们的手部运动和触觉信号可以被高保真地采集,并几乎无损地迁移给机器人学习。

工作即数据采集。

通过这种方式,到今年五月,Gene已经采用了超过20万小时的多模态数据。我们了解到,现在这个数据量已经来到百万小时规模。

这正是全栈思路的魅力所在。

许多在模型层看似棘手的问题,从系统层出发,或许能找到更根本的解决方案。

2、Genesis World:将迭代变为算力问题

数据是原料,而模型的进步速度,取决于「加工」原料的效率。

如果每个模型的改进都必须在物理世界中验证,研发周期就会被大大拖慢。Genesis的解法是:All in仿真。

我们将模拟视为机器人基础模型的评估和迭代引擎,而不仅仅是数据生成器。

真实世界的实验限制了我们为候选方案评分的速度;模拟则解除了这个限制,将开发周期从一个物理时间问题(wall-clock problem)变成了一个计算问题(compute problem)。

这就是Genesis World,一个供机器人摸爬滚打的「精神时间屋」。

7c05b446-599d-5db7-a283-d35e2338d449.jpg

效果是显著的。

一次模型评估可能涉及数百个任务,每个任务重复数百次。在现实世界中,这需要一名操作员和一台机器人连续工作超过200个小时。

而在Genesis World中,同样的数万次测试,可以在不到半小时内完成,且无需任何人工或硬件介入。

5f440656-9b07-529b-a97b-14e014f567a1.jpg

当然,这一切的前提,是「可信」。

为了缩小Sim-to-Real的差距,Genesis投入巨大精力,自研了渲染引擎Nyx、跨平台编译器Quadrants和统一的物理引擎。

最终,在官方开展的对照实验中,仿真评测与真实机器人测试结果表现出较强相关性,Pearson相关系数达到0.8996。

在仿真引擎之外,Genesis已经在内部搭建起了一套完整的自动生成任务,环境,物体以及奖励函数的管线,让机器人可以在大规模自动生成的仿真环境中进行自我进化。

3、Eno:为「干活」而生

但到这一步,仅仅是完成了准备工作。

数据、仿真、模型,这一切最终都需要一个产品形态来承载,与物理世界建立桥梁。

对于Genesis而言,这个产品就是Eno。

a3de87cb-b547-4be0-b9c0-03f9b7543724.gif

Eno的极简和timeless的设计,被福布斯杂志称为「机器人的iPhone时刻」。

值得一提的是,Eno刚刚拿下德国设计大奖的金奖。它不是我们想象中那种,双足行走的帅气人形机器人。相反,它有一个轮式底座,躯干还是几块板子折叠而成的。

cdb541ef-c195-5c70-a93a-9a47b2df9bf8.png

飞机不需要有鸟的翅膀。同理,人类身上的很多特征,对于机器而言可能反而是累赘。

Eno的设计目标,从一开始就没有去模仿「人的外观」。但这反而,让它拥有最像「人的能力」,同时把这些能力囊括在一个优雅极简的身体里面。

轮子,保证了移动效率和续航;可升降的身体,让它可以适应不同高度的工作台。

baa4227f-6fbb-5e7d-ab60-79b32085aea2.png

每一个设计都服务于功能、效率和成本。这背后,同样是那个第一性原理的体现——全栈具身原生。

正如Genesis CEO周衔在融资声明中所说:

我们的使命是消除人类抱负在物理世界受到的限制。为实现这一点,我们正在打造世界上最好的通用机器人,一台能够在真实世界里日复一日可靠工作的机器人。

这要求智能、硬件以及训练和测试机器人所需的一切作为一个整体系统协同运转。通过自己构建这一切,我们可以死磕每一个细节,更快地改进整台机器人。

落地为王

手握5亿美金,下一步做什么?

量产。

Genesis表示,本轮融资将主要用于推动Eno在真实世界的大规模量产和部署。

具体而言,他们计划在2026年底前开始生产和客户部署,首先进入制造业、物流和实验室等工业环境,然后扩展到酒店、医院等服务行业,最后进入消费级家庭和户外应用。

从结构化到非结构化,一步一个脚印。

但说实话,即便只是迈出这第一步,也极为艰难。

演示视频可以有无限的想象空间,而一旦涉及落地,「可靠性」是唯一的度量衡。

具身智能的链路极长,任何环节的差错都可能导致在真实场景中的全线崩盘。

同时,现实世界的长尾问题纷繁复杂,只有在场景里摸爬滚打过,才能逐步满足交付标准。

技术和产品必须一起推进,光坐实验室里训模型是不行的,Get Hands Dirty是必须要做的事,在一线才能实现模型-部署-数据的闭环。

从这个角度看,量产部署本身,或许也是具身智能研发过程中不可或缺的一环。

39b532cf-725e-413a-a980-1c2ef8f1ea1e.png

过去几年,关于通用机器人的路线之争,常常围绕「人形」与「非人形」展开。

如今,Genesis AI提供了一个新的参照系:真正的分野,或许不在于外形,而在于研发范式。

物理世界里的AGI是一场远比大语言模型更煎熬、更漫长的攻坚战。

当一个系统复杂到一定程度,局部的优化终将遭遇瓶颈。只有将所有变量掌握在自己手中,作为一个整体去思考、设计和迭代,才可能实现突破。

计算机先驱Alan Kay曾在几十年前留下一句箴言:

真正认真对待软件的人,应该自己造硬件。

特斯拉造车如此,苹果做消费电子亦是如此。现在,越来越多像Genesis这样的具身智能公司正在证明:

造机器人,也必须是这样。

「全栈原生。」

在今天OpenAI,Anthropic也都开始押注机器人大脑的背景下,这或许是通往物理AGI的唯一路径。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法!

— 完 —

🌟 点亮星标 🌟

科技前沿进展每日见