宇树暴涨 629% 那天，GEN 1.5 发布！机器人的 ChatGPT 前夜终于来了？

人们总是高估未来两年的变化，而低估未来十年的变化。

👦🏻 作者: DeKox

🥷 编辑: Koji

🧑‍🎨 排版: NCon

8 月 19 日，上海，宇树登陆科创板，盘中一度暴涨 629%——资本市场正在为机器人的「身体」疯狂下注。

同一天，大洋另一端，马萨诸塞州剑桥 Generalist 的办公室里，一台双臂机器人刚看完一段几秒钟的人类演示：拉开钱包，取出钞票。

轮到它了。右手伸过去——没抓到。

它没有卡死，没有机械地重复同一个动作，也没有等程序员介入，而是做了一件很小、却让在场记者印象深刻的事：换了左手，把钱取了出来。

这是 WIRED 记者 Will Knight 在现场看到的一幕[1]。同一场演示里还有更多「随机应变」：人类示范用刷子把积木扫进碗里，刷子被拿走后，它改用簸箕；面前只剩一根香蕉时，它把香蕉当成了临时刷子。

有一个数字值得关注：这台机器人跑的新模型 GEN-1.5，在陌生任务上的平均成功率只有 59%；而它的上一代 GEN-1，是 99%+。

一个成功率「暴跌」的模型，凭什么值得认真对待？因为真正变化的不是可靠性，而是学习一个新任务的边际成本——它第一次开始逼近零。

而这，正是标题里那个问题的由来：机器人的 ChatGPT 前夜，可能真的近了。

01 机器人终于有了自己的 Prompt

8 月 19 日，Generalist 重磅发布了新一代机器人基础模型 GEN-1.5。

我们用 AI 生成了两张图片，帮助大家更好地理解 GEN-1.5：

GEN-1.5 最重要的一点——人类在它面前做一遍拉开钱包、取出钞票，这几秒钟的动作就化作一卷胶片，被机器人「读」进眼里——它代表的正是那段被放进上下文窗口的传感器—动作序列。

注意胶片的去向：它没有进入任何训练管道去改写模型参数，而是像我们把示例贴进对话框一样，停留在「对话」里。

看懂这一点，就看懂了 Physical Prompting 与传统方式的本质区别：过去是「改它的脑」，现在是「给它看一眼」。

Physical Prompting 有三步。第一步，人类演示一次「用刷子把积木扫到一起」，秒表提醒你成本只有 3–12 秒；第二步，这段演示被编码成传感器—动作序列，像胶片一样插进机器人头部的「上下文窗口」；第三步，机器人现场上手执行。

最值得玩味的细节藏在第三格：它面前的积木换了颜色、换了摆放，和演示场景并不相同——这说明机器人复现的不是一段录像，而是「任务本身」。

看看 Generalist 官方技术文章[2]给出的三组数字：

模式	新任务数据	是否训练	平均成功率
GEN-1「任务精通」	约 1 小时	需要后训练	99%+
GEN-1.5「Physical Prompting」	3–12 秒、一次演示	不训练	59%
GEN-1.5「快速适应」	5 分钟、约 50 次演示	10 个梯度步骤	83%

今年 4 月，GEN-1 讲的还是一个工业式的故事：给一个任务喂大约一小时数据，做后训练，把成功率打磨到 99% 以上——像培养一个动作永远标准的熟练工。

GEN-1.5 做了一笔完全不同的交换：不更新参数、不重新训练，只看一次 3–12 秒的演示，就能开始执行一个从没见过的任务。Generalist 把这种方式叫作 Physical Prompting（物理提示）：不是程序员给机器人写动作脚本，也不是为每项工作重新训练，而是人做一次，机器人把这段传感器—动作序列放进约 30 秒的上下文窗口，像大模型读取 few-shot 示例一样现场理解。如果愿意多花 5 分钟、做约 50 次演示，再加 10 个梯度步骤，成功率能爬到 83%。

GEN-1 解决的是「机器人能否把一件事做熟」；GEN-1.5 试图解决的是「机器人能否立刻学会一件新事」。

02 为什么 59% 可能比 99% 更重要

第一眼看到 59% 这个数字，确实很难把它和「突破」联系起来。

但决定机器人产业形态的，从来不是单点成功率，而是「新增一个任务的成本函数」。

• GEN-1 的 99% 代表「把一个任务打磨成高可靠 SOP」的能力，思路接近自动化工厂：少数任务，极致稳定；

• GEN-1.5 的 59% 代表「把陌生任务变成可尝试执行」的能力，更像人类学徒：先做个七七八八，再在实践中变熟。

而现实世界的需求从来不是 10 个任务，是 10 万个长尾任务。过去几年机器人落地最大的障碍，不是某个任务做不出来，而是每加一个任务都要重新付费：数据贵、训练贵、部署贵、维护贵——最后「做得出来，但规模化不经济」。当学习成本降到「看一眼就会」，机器人才有机会接住服务业、制造业和家庭里那些没人愿意专门写程序的小事。

这条路径我们其实见过一次：大模型让软件从「为每个任务写规则」，走到「给一个 Prompt、几个例子就现场适配」。

现在，同样的机制正从文本世界跨进物理世界。

03 它不是第一个 one-shot 机器人

机器人的 one-shot imitation 并不是今天才出现：

• 2024 年的 ICRT[3] 已经尝试用传感器—动作轨迹提示机器人完成新任务；

• 今年 6 月的 Behavior Prompting Policy[4] 直接提出「用一次人类演示作为 behavior prompt」；

• 7 月 NVIDIA 等团队的 RoboTTT[5] 把机器人上下文扩展到 8K 个时间步，并展示了人类视频 one-shot imitation 和五分钟长任务。

所以更准确的表述是：GEN-1.5 不是第一个 one-shot 机器人。按 Generalist 的原话，这是他们所知第一个「在大范围灵巧、闭环的物理任务上，普遍展示出 one-shot / few-shot 演示学习能力」的模型；此前的同类工作，要么只覆盖有限的任务变体，要么局限于特定物体、任务类型或传感方式。

外部研究者的评价可以作参照。在 WIRED 的报道中，Georgia Tech 的 Danfei Xu 认为 Generalist 可能是目前「最接近可部署」的通用机器人模型团队之一；Stanford 的 Karen Liu 则指出，这种不绑定单一机器人身体的大规模物理数据路线，开始显出效果。

04 三种押注：语言、反馈与演示

把具身智能当成一个大盘看，头部团队其实在押注三种不同的「提示语言 Prompts」：

• Physical Intelligence 的 π0.7[6]：用语言、元数据和视觉子目标来提示，把已有技能重新组合去解决陌生任务，强项是语义控制、长任务和跨机器人迁移——用语言提示；

• Skild AI[7]：机器人根据失败经历在上下文中调整身体控制，重点在跨机器人形态与运动能力——用反馈提示；

• Generalist 的 GEN-1.5：把「新任务本身的传感器—动作演示」直接作为 prompt——用演示提示。

这三条路线大概率会合流：语言告诉机器人要做什么，演示告诉它怎么做，反馈告诉它哪里做错了。

05 香蕉当刷子：理解、模仿，还是相似模式？

回到那根香蕉。

看到机器人拿香蕉扫积木的瞬间，很多人会忍不住宣布：它理解了「刷子」的功能。

但严格说，这可能是理解，可能是模仿，也可能只是训练数据与上下文提示在高维空间里撞出的「相似模式」——它只是看起来像理解。目前没有公开证据足以区分这三者，Generalist 也没有给出。

更务实的看点在别处：当演示可以放进上下文窗口，我们第一次能用「Prompt Engineering」的思路去研究和改造机器人的行为。未来也许会出现一种新工种——Physical Prompt 设计师：知道怎样演示一次，机器人学得最好；知道它容易学偏什么，怎样用更好的演示把成功率往上拉。

如果这条路走通，机器人产业的分工会随之改变：从「程序员编程」，转向「普通人教学」。

06 同一天，大洋两岸

GEN-1.5 发布当天，宇树在科创板上市，首日一度上涨 629%，收盘上涨约 460%[8]。第二天，王兴兴给「具身智能的 ChatGPT 时刻」下了一个很具体的定义：机器人进入陌生环境，能完成约 80% 的任务[9]；他判断乐观需要两三年，保守可能五到十年。

把这两件事放在一起看：

• 中国在快速解决身体：成本、供应链、工程化、出货量，以及资本市场对具身叙事的集中下注；

• 美国的基础模型公司在解决大脑：让机器人在陌生环境里现场学习，让「每换一个任务就重训一遍」的旧模式松动。

用王兴兴的标尺来量，GEN-1.5 的 59% 距离那道 80% 的门槛仍有明显差距。但它可能展示了通往门槛的一条路线：不是把每个任务都训练到 99%，而是把学习成本降到接近零，再让可靠性在迭代中爬升。

当身体足够便宜、足够多，大脑又能以近乎为零的边际成本学会新任务，机器人才会从「少数人的设备」变成「多数人的基础设施」。

07 最后

GEN-1.5 目前是一次研究发布，不是可下载模型或正式产品：没有开源权重，没有完整技术论文，没有第三方统一评测，演示任务也主要是十项简单、短时的桌面操作。

把它读作一个强烈值得关注的能力信号，比宣布「机器人 ChatGPT 时刻已经到来」更准确，也更负责任。

但信号本身足够清晰。过去，机器人每学一件新事都要重新付费；现在，新任务第一次变成了一个 prompt。

大洋一边在把机器人从「贵」变成「多」，另一边在把机器人从「笨」变成「会学」。

终局还远，但路线已经比以前清楚了一些。

参考资料

[1] WIRED 记者 Will Knight 在现场看到的一幕：https://www.wired.com/story/generalist-ai-robots-learn-like-clever-toddlers/

[2] Generalist 官方技术文章：https://generalistai.com/blog/gen-1.5

[3] ICRT：https://arxiv.org/abs/2408.15980

[4] Behavior Prompting Policy：https://arxiv.org/abs/2606.30457

[5] RoboTTT：https://arxiv.org/abs/2607.15275

[6] Physical Intelligence 的 π0.7：https://www.pi.website/blog/pi07

[7] Skild AI：https://www.skild.ai/blogs/omni-bodied

[8] 首日一度上涨 629%，收盘上涨约 460%：https://apnews.com/article/f33facc61122faf0c0b08af5020bd170

[9] 机器人进入陌生环境，能完成约 80% 的任务：https://www.thestandard.com.hk/innovation/article/340485/Robots-poised-for-ChatGPT-moment-Unitree-CEO-says