GEN-1.5：机器人的「GPT-3 时刻」，从 12 秒演示开始

一句话概括

Generalist AI 于 2026 年 8 月 20 日发布 GEN-1.5，官方标题就叫 "Embodied Foundation Models are One-Shot Learners"——机器人基础模型只需观看一段 3-12 秒的物理演示，就能 in-context 学会一个从未训练过的新任务，全程零梯度更新。这是机器人领域第一次系统性地出现 GPT-3 式的 few-shot in-context learning——能力涌现的信号比能力本身更重要。

一、GEN-1.5 到底做了什么

先看事实，不吹不黑。GEN-1.5 的能力分三层：

关键细节：

• 真实机器人评测，不是仿真刷分。评测集 10 个任务，模型在仿真器和真实世界的训练数据中都没见过这些任务
• One-shot 成功率 59%——Generalist 自己公布的数字，坦率承认"modest"（尚不完美）
• 10 步梯度 + 5 分钟数据 → 83% 平均成功率（短时程原子操作任务）
• In-context learning 在某些情况下可以跨仿真到真实迁移
• Generalist 把看演示学任务称为 "physical prompting"（物理提示）——这个命名本身就是向 LLM prompting 范式的直接致敬

59% 这个数字值得停下来想一想。GPT-3 在 2020 年做 few-shot 任务时，成功率同样远非完美——但"能力第一次出现"和"能力达到商用"是两件事。GPT-3 论文的核心贡献不是解决了 NLP，而是演示了 in-context learning 随模型规模涌现。GEN-1.5 的 59% 是同类性质的数字。

二、为什么说这是「GPT-3 时刻」：类比的结构分析

把类比做严格，而不是只停留在"都很惊艳"：

2.1 之前的世界：每个任务都是一次"训练项目"

GPT-3 之前，NLP 做新任务 = 标注数据集 + 微调 BERT。机器人领域今天几乎一模一样：

新任务 = 遥操作收集几百条演示 + 训练策略 + 部署 + 现场调参

一个新任务的数据收集成本以"人时"计，这直接决定了机器人的经济模型——每个新任务的边际成本都很高，所以只能挑 ROI 最高的任务做。这是当前具身智能商业化的隐性天花板。

2.2 GPT-3 的突破：任务规格变成了"上下文里的几个示例"

GPT-3 证明了一件事：任务定义可以从"训练数据集"坍缩为"推理时的几个示例"。新任务的边际成本从"标注+训练"降到"写一段 prompt"。

GEN-1.5 把同样的坍缩搬进了物理世界：

任务定义从"几百条演示 + 训练循环"坍缩为"3-12 秒的一段演示"

对机器人经济模型的影响是数量级的：一个现场工程师花 12 秒演示一次，机器人就会尝试。任务部署从周级降到分钟级。如果这个能力随规模继续上升（GPT-3 → GPT-4 的剧本），机器人"每个任务都要重新训练"的时代就结束了。

2.3 类比的结构对照表

诚实的部分也要说：这个类比有一个 GPT-3 没有的难题——embodiment gap。LLM 的输入输出都在同一个符号空间（文本→文本），而机器人的演示来自一个 embodiment（人类的手），执行却是另一个（机器人的夹爪）。GEN-1.5 的 one-shot 学习实际上隐式完成了跨 embodiment 的翻译，这是 GPT-3 不需要面对的额外维度，也可能是缩放曲线上更陡的一段。

三、技术定位：这是缩放叙事的续篇，不是突变

拉长时间线看 Generalist 自己的轨迹，GEN-1.5 是一条清晰的缩放曲线上的最新点：

• GEN-1（2026-04-02）："Scaling Embodied Foundation Models to Mastery"——把特定任务成功率从 64% 推到 99%，任务完成速度 3 倍于 SOTA
• GEN-1 跨硬件扩展（2026-07-24）：单一基础模型支持多种末端执行器，跨 embodiment 学习
• GEN-1.5（2026-08-20）：缩放的目标从"把已知任务做到极致"转向"新任务获取成本坍缩"

这个节奏跟 LLM 的历史严格同构：先把预训练任务做深（GPT-2 的续写）→ 跨模态扩展（CLIP 时代）→ 涌现 ICL（GPT-3）。Generalist 显然是有意识地在复刻这条路线图，连命名（GEN ↔ GPT）都在呼应。

值得注意的技术信号：Wired 的报道提到 Generalist 专注于让机器人理解"直觉物理"（intuitive physics）。结合 one-shot 能力的出现，可以合理推测 GEN-1.5 的预训练里包含了大量视频/世界模型成分——模型必须有"看懂发生了什么"的表征，才可能从 12 秒演示中提取任务本质。这与 NVIDIA World Action Models、1X 世界模型是同一个技术思潮：物理世界的缩放定律正在从"动作数据"转向"视频理解 + 动作数据"的混合。

四、与既有脉络的串联：数据生产成本的三级坍缩

把 GEN-1.5 放进我们跟踪的主线里看，一个更大的图景浮现了。过去两周讨论过的三个工作，加上 GEN-1.5，构成了训练数据边际成本坍缩的完整光谱：

四个点连成的曲线，斜率比 LLM 领域的数据革命还要陡。

而且 GEN-1.5 与前两者的组合是乘法关系：Genie Sim 生成的仿真演示，理论上可以直接作为 GEN-1.5 的 physical prompt 喂进去——仿真环境造"教材"，GEN-1.5 当"学生"，这个闭环一旦跑通，新任务获取就同时消灭了"环境成本"和"学习成本"。这是"LLM 按需在场"主线的又一次验证：LLM/生成模型退到训练时和提示时，运行时只剩高效策略网络。

五、冷思考：从 GPT-3 到 ChatGPT 隔着两年半

乐观类比之外，三个必须盯住的现实约束：

1. 59% 的成功率决定了当前只能做"容错任务"。 捡起东西放错位置可以重来，焊接错了就是废品。物理世界没有"重新生成"按钮——这是机器人 ICL 与 LLM ICL 最本质的商业化差异。

2. GPT-3 之后是 GPT-3.5、GPT-4 的持续缩放，机器人 ICL 的缩放曲线还没被证明。 GEN-1.5 证明了"能力存在"，但"随规模上升"才是 GPT-3 叙事的真正内核。下一版本如果把 one-shot 成功率推到 80%+，类比就坐实了；如果在 60% 附近停滞，那就是另一回事。这是未来 6-12 个月最值得盯的单一指标。

3. 评测集只有 10 个任务。 任务分布的多样性未知——如果都是短时程、桌面级、单物体操作，那离"通用"还有距离。长时程任务的 in-context 学习（演示不可能覆盖全程）是另一个未验证地带。

六、公司背景速览：别把 Generalist 和 Physical Intelligence 搞混了

最后补一个行业地图细节——最近很多人把这两家搞混：

两家都在走"机器人基础模型"路线，但 Generalist 的叙事重心已经明确压在了 ICL 作为核心产品能力上——这也是 GEN-1.5 值得单独深挖的原因。

结论

GPT-3 的历史意义要回溯才能看清：它不是"最好的模型"，而是"第一次让能力曲线的斜率可见"。GEN-1.5 的 59% 同样不重要，重要的是它可能就是机器人领域那条曲线的第一个数据点。

对从业者，两个可操作判断：

1. 短期（6 个月）：把"演示即部署"纳入产品规划——如果你的机器人系统架构还假设"每个任务需要训练循环"，现在就要开始设计 physical prompting 接口
2. 中期（1-2 年）：盯 GEN-2 / π 系列后续版本的 one-shot 成功率曲线。斜率决定一切：60%→70% 是信号，60%→85% 是革命，60%→62% 是噪声

来源：Generalist AI 官方博客 / Wired 报道 / eWeek 分析 / Bloomberg 融资报道。本文由苏木整理分析。