团队
- 团队画像：官网称团队来自 OpenAI、Boston Dynamics、Google DeepMind 等前沿实验室，兼具大模型、机器人本体与自动驾驶工程背景。
- 组织布局：公司位于 Bay Area 与 Boston，两地配置说明其同时押注研究与机器人工程能力。
- 扩张信号：careers 页当前公开 16 个岗位，覆盖 pretraining、post-training、robot learning、ML infra、robotics controls 与 applied partnerships。
产品
- GEN-0：2025-11 对外提出 embodied foundation models 可随物理交互数据扩展的路线。
- GEN-1：2026-04 发布，官方称其是首个跨过“simple physical tasks mastery”门槛的通用 physical AI 模型。
- 产品定位：不强调自研通用机器人整机品牌，而是围绕 dexterity / manipulation 构建可迁移的模型层能力。
技术路线
- 核心判断：Generalist AI 押注的是“从真实物理交互数据中训练出来的 embodied foundation models”，而不是先从仿真或纯 VLA 拼装开始。
- 支撑：
- 官网明确把 data、models、hardware 三者一起视为核心，且强调公司此前做过 PaLM-E、RT-2、Atlas / Spot / Stretch 等代表性工作。
GEN-1官方博客称模型从零开始训练在约 50 万小时真实世界数据 上，并在若干简单任务上达到 99% 成功率、约 3 倍于此前 SOTA 的速度。- Ars Technica 报道补充其数据引擎包含 wearable “data hands”等低成本物理交互采集方式，说明其在试图解决机器人训练数据稀缺问题。
- 路线特征：更像“physical AI 版 scaling law 创业公司”，短期先做灵巧操作与简单 physical tasks mastery，长期再往更复杂通用任务扩展。
商业验证
- 当前判断：仍偏早期验证阶段，公开叙事以模型能力阈值突破为主，收入与客户部署尚未披露。
- 支撑：
- 官方把 GEN-1 定义为开始解锁 commercial viability across a broad range of tasks，但未公开客户名称与收入规模。
- 招聘页已出现 Applied AI & Partnerships 等岗位，说明公司开始为外部合作与落地做准备。
- 不确定性：所谓“production-level success rates”目前仍主要来自官方与媒体解读，距离规模部署还有待更多第三方验证。
融资历史
| 轮次 | 金额 | 时间 | 投资方 |
|---|---|---|---|
| 公开融资 | 未披露 | 未披露 | Spark Capital、NVIDIA、Boldstart、Bezos Expeditions、NFDG |
竞争定位
- 核心判断：Generalist AI 位于“具身基础模型 / 灵巧操作模型”赛道，气质更接近 Physical Intelligence、Skild AI 一类 brain-layer 玩家，而不是 Figure / Unitree 这种整机公司。
- 差异化方向：强调 scaling laws、真实世界物理数据与从 scratch 训练的 embodied foundation models。
- 主要问题：目前公开事实更多停留在模型性能与团队背景，商业闭环和场景落地还很薄。
动态记录
- 2026-04-15：完成骨架建档，补入官网、GEN-1、careers 与 Ars Technica 四条基础来源，初步确立其为具身基础模型新样本。
- 2026-04-07：官方发布《Going Beyond World Models & VLAs》，强调其路线不想停留在传统 world models / VLA 框架内。
- 2026-04-02：官方发布 GEN-1，称若干简单 physical tasks 已达到 99% success、约 3x 速度提升。