GEN-0诠释了具身的ScalingLaw，物理宇宙的通用智能并非鸡犬相闻，但它标好了不菲的价钱——那即是海量、高保真、包含物理知识的交互数据。数据的万般性（Diversity）和交互密度（InteractionRichness）远比单纯的Token数目逶迤，因此将来的竞争，是“高质地真机数据供应链”的比拼。

01小序：信仰与荒野

若是说大说话模子（LLM）的得手，是东谈主类知识在文本维度的“暴力压缩”；那么具身智能（EmbodiedAI）的终端，势必是物理宇宙在交互维度的“全息投影”。

从GPT-3到GPT-5，咱们见证了算力和数据堆叠带来的智能清晰。但在机器东谈主领域，这个公式似乎遭受了阻力。咱们不缺H100（算力），不缺Transformer（算法），致使也不缺钱。

咱们缺的是那把开放物理宇宙的钥匙——数据。

更准确地说，是“带有物理知识的高保真真机交互数据”。算作别称AI家具司理，今天我想和各人聊聊在通往通器具身智能的路上，对于“数据”的底层想考。

02维度诟谇：物理宇宙的Token在那处？

在LLM时间，互联网上万亿级的TextToken是自然的燃料。它们龙套、符号化，是东谈主类想维的高度概述。

但当你把眼神转向物理宇宙，情况变得极其复杂。机器东谈主的每一次执取、每一次转移，产生的不是龙套的Token，而是一条联结的流（Stream）：要津的力矩、视觉的光流、指尖的触觉响应。

具身智能濒临着“维度的诟谇”：

文本是1D的；

具身数据是3D（空间）+1D（时分）+Force（力）的高维纠缠

咱们不错幽静用AI生成好意思满的文本，但咫尺很难生成绝对相宜真什物理定律（摩擦、形变、流体）的好意思满数据。因此，在好意思满的“物理宇宙模拟器”出现之前，高质地的真机数据（Real-worldData）依然是高出模子才能界限的唯独金桥。

03标杆解构：7B参数的“智商清晰”

近期备受存眷的GEN-0模子，其实是一次对于具身基座模子（EmbodiedFoundationModel）的大领域考说明验。它告诉了咱们要达到“通用智能”，门槛在那处。

GEN-0的实验揭示了一个枢纽论断：7B（70亿）参数是模子从“追溯”走向“泛化”的临界点。

<；7B参数：模子只是一个“轨迹拟合器”。它像个死记硬背的学生，自然在试验集上阐发好意思满，但换个环境就歇菜，出现了“模子钙化”（ModelOssification）表情。

≥7B参数：模子运转展现出对未知场景（OOD）的泛化才能，真的“深远”了物理知识。

但撑持这7B参数的，是27万小时的真实宇宙操作轨迹，涵盖了家庭、工场、荒漠等数千个非标场景。这个数据量级，是很多同类模子的几十倍。

其实在GEN-0精致提议前，GeneralistAI依然把“端到端+高频适度+双手贤达+跨本色”的中枢链路跑通。

2025-06-17：公开始到端模子在多具身与多任务上的早期收尾，强调高频适度、毫米级精度与跨开采泛化（如7-DoFFlexivRizon4

6-DoFUR5）。

2025-09-24：发布“一次示范拼装（one-shotassembly）”里面评测：东谈主类先搭一遍，机器东谈主纯端到端效法复刻，中间无任务特化工程与功令。

而GEN-0这个咫尺基于最大领域、场景最丰富真实数据集的基座模子背后的数据机要，中枢枢纽在于构建UMI的数据基建。

GEN-0配置了一个高大的DataInfrastructure（数据基建）。咫尺涵盖27万小时的真实宇宙操作轨迹，这不单是是存储，而是一套秘密家庭、工场、荒漠等非标场景数据蚁合网罗。而况每周新增特等1万小时数据，陆续为模子提供真什物理交互教育。

GeneralistAI还配置了相配便捷的数据可视化系统，搜索枢纽词即可看到不同场景下该手艺的数据。

有专科东谈主士展望，若是一个咫尺起步的玩家，1：1复刻GeneralistAI的数采方法和领域，算向前期数采的爬坡的时分，也需要至少特等半年，致使一年的时分。

04战国时间：真机数采的三大宗派

既然数据如斯逶迤，那么数据从哪来？放眼咫尺的具身智能领域，数据蚁合决策正处于“战国时间”。为了处置“在保证物理真实性的前提下罢了领域化”这一中枢矛盾，行业内繁衍出了三大宗派：

精密遥操作宗派(Teleop)：不菲的“金法度”

代表：ALOHA，VisionProVR适度、动捕、外骨骼等。

逻辑：依靠东谈主指导动捕开采或操作东从机械臂，Human-in-the-loop。

评价：

弗成彭胀(Unscalable)：1小时数据=1小时东谈主工+不菲硬件折旧。

场域收尾：很难把一套几十万的真机数采开采搬到星巴克/工场去采数据，导致数据额外缺少场景万般性。

视频宗派(Video)：巨大的“暗物资”

代表：Ego4D。

逻辑：鼎力出遗迹，哄骗海量互联网视频数据（YouTube/Ego4D）进行Retargeting映射。

评价：领域巨大，但质地一般。视频数据唯独RGB，缺失了最中枢的Action（动作提醒）和Proprioception（本色感知/力响应）。就像看东谈主游水一万遍，我方下水可能如故会淹死。

便携式/手持蚁合宗派（Portable/UMI）：破局的“游击队”

代表：UMI(UniversalManipulationInterface)。

逻辑：耗尽级GoPro+3D打印的机械夹爪+鱼眼镜头。绝对解绑机器东谈主本色，像拿自拍杆一样去蚁合。

评价：这是近两年最大的变量。极低成本（<；300好意思元）调换了极高的场景万般性（Diversity）。这是处置“机器东谈主出不了实验室”痛点的最好决策。

丁琰博士最近发布的FastUMI-Pro不错赶赴了解。

主流真机数采决策的多维对比：

为了更直不雅地看清各决策的优劣，从蚁合成果、数据质地、硬件成本、场景万般性等维度进行了对比分析：

05底层玄学：告别“停驻来想考”

除了数据蚁合，GEN-0在模子架构上引入的HarmonicReasoning（谐波推理）一样令我沉溺。

传统的机器东谈主往往是“串行”的：不雅察->；想考->；活动。但这有个致命伤：物理宇宙不会暂停，重力不会等你想考完再施展作用。

谐波推理让模子学会了“边想边作念”。感知流（Perception）和动作流（Action）像音乐的和声一样，异步但协同运行。它不需要生成完整的想维链（CoT）后再动，而是像东谈主类的小脑一样，在实施现时动作的同期，并行展望下一秒的物理现象。

这亦然为什么咱们需要“及时（Real-time）”致使“超及时”的数据，而不是那些慢吞吞的遥操作数据。因为唯独敏捷的数据，才能试验出敏捷的智能。这也侧面解释了咫尺大部分模子PR是需要视频加快处理的。

06结语：从输血到造血

具身智能的竞争，归根结底是“高质地真机数据供应链”的比拼。

现阶段，各人还在通过“老本雇佣分娩力”的方法（如数采厂），有益雇东谈主去蚁合数据，这是成本中心的运作模式，所以放浪分娩力为代价的数据得回政策，数据量的积累取决于资源，从施行上是不Scalable的。

但我深信，期望的终端是数据闭环：当机器东谈主的才能跨过阿谁临界点，它们将真的参预工场、家庭运转功课。其时的数据蚁合将是分娩进程的“副产物”，好比Tesla的影子模式——机器东谈主越多，数据越多；数据越多，机器东谈主越明智。

这，概况即是通盘具身智能从业者心荡神驰的时刻。