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。

  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。

  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」。

  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。

  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。

  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。

  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。

  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。

  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。