Робот безошибочно складывает футболки 86 раз подряд: модель GEN-1 достигла точности 99%
Пять месяцев назад стартап Generalist AI продемонстрировал, что в робототехнике начинают работать те же законы масштабирования, которые уже изменили развитие языковых моделей. Теперь команда показала, к чему приводит дальнейшее следование этим принципам. Их новая разработка — GEN-1 — стала первой универсальной моделью для роботов, способной выполнять базовые физические задачи с точностью до 99%. Для сравнения, предыдущие решения справлялись лишь на уровне около 64%.
Пять месяцев назад стартап Generalist AI продемонстрировал, что в робототехнике начинают работать те же законы масштабирования, которые уже изменили развитие языковых моделей. Теперь команда показала, к чему приводит дальнейшее следование этим принципам. Их новая разработка — GEN-1 — стала первой универсальной моделью для роботов, способной выполнять базовые физические задачи с точностью до 99%. Для сравнения, предыдущие решения справлялись лишь на уровне около 64%.
От масштабирования к реальным навыкам
Предыдущая версия, GEN-0, представленная в ноябре 2025 года, была скорее экспериментом — доказательством концепции. Это была крупная мультимодальная модель, обученная на одном из крупнейших наборов робототехнических данных. Она умела быстро осваивать новые задачи и адаптироваться к незнакомой среде, но до уровня надёжности, необходимого для бизнеса, ей было далеко.
GEN-1 — это уже не просто улучшение, а полноценный скачок вперёд. Архитектура embodied foundation model была полностью переработана и обучена с нуля на более чем 500 тысячах часов реальных данных. В результате модель значительно прибавила сразу по нескольким направлениям:
GEN-1 — это уже не просто улучшение, а полноценный скачок вперёд. Архитектура embodied foundation model была полностью переработана и обучена с нуля на более чем 500 тысячах часов реальных данных. В результате модель значительно прибавила сразу по нескольким направлениям:
- надёжность выросла до 99%,
- скорость увеличилась в три раза по сравнению с лучшими предыдущими решениями,
- адаптивность позволила системе действовать даже в нестандартных ситуациях.
Важно и то, что для адаптации GEN-1 к конкретному роботу требуется всего около часа данных. Это кардинально снижает затраты на внедрение и устраняет необходимость долгого сбора демонстраций для каждой новой задачи.
Почему это важно для индустрии
До появления GEN-1 большинство промышленных роботов работали по жёстко заданным сценариям. Любое изменение — новый объект или движение — требовало ручной настройки. Хотя foundation-модели обещали универсальность, их надёжность оставалась недостаточной для реального производства.
Переход от 64% к 99% — это принципиальная разница: от демонстраций в лаборатории к полноценному промышленному применению.
В Generalist AI считают, что GEN-1 — это первая модель, которая делает широкое использование робототехники коммерчески оправданным. При этом разработчики признают ограничения: сложные манипуляции, работа с гибкими материалами и длинные последовательности действий пока остаются сложной задачей.
Тем не менее, в базовых сценариях — таких как сортировка, упаковка или простая сборка — GEN-1 демонстрирует уровень, который ещё недавно казался недостижимым для универсальных систем.
Переход от 64% к 99% — это принципиальная разница: от демонстраций в лаборатории к полноценному промышленному применению.
В Generalist AI считают, что GEN-1 — это первая модель, которая делает широкое использование робототехники коммерчески оправданным. При этом разработчики признают ограничения: сложные манипуляции, работа с гибкими материалами и длинные последовательности действий пока остаются сложной задачей.
Тем не менее, в базовых сценариях — таких как сортировка, упаковка или простая сборка — GEN-1 демонстрирует уровень, который ещё недавно казался недостижимым для универсальных систем.
Гонка за физическим ИИ
Generalist AI — не единственный игрок в этой области. Компании вроде Physical Intelligence, Google DeepMind и множество стартапов также активно развивают физический ИИ. Однако ключевое отличие подхода Generalist AI — ставка на масштабирование: больше данных и больше вычислений дают предсказуемо лучший результат, как это уже произошло с языковыми моделями.
Если эта тенденция сохранится, вопрос «когда роботы смогут делать всё» перестанет быть философским и станет сугубо инженерным — всё будет упираться в объём данных и вычислительных ресурсов, необходимых для достижения следующего уровня.
Если эта тенденция сохранится, вопрос «когда роботы смогут делать всё» перестанет быть философским и станет сугубо инженерным — всё будет упираться в объём данных и вычислительных ресурсов, необходимых для достижения следующего уровня.
