99% успеха на физических задачах: что умеет робот-агент GEN-1

Пять месяцев назад стартап Generalist AI доказал, что в робототехнике работают законы масштабирования — те самые, которые двигают языковые модели. Теперь команда показала, что бывает, когда по этим законам продолжают идти дальше. GEN-1 — первая универсальная модель для роботов, которая выполняет простые физические задачи с успешностью 99%. Предыдущие модели на тех же задачах показывали 64%.

От scaling laws к мастерству

GEN-0, вышедшая в ноябре 2025, была proof of concept: крупная мультимодальная архитектура, обученная на собственном — крупнейшем в мире — датасете робототехнических данных. Модель умела быстро учиться новым задачам и адаптироваться к незнакомым средам, но до надёжности, необходимой для коммерческого применения, было далеко.

GEN-1 — это не просто очередная итерация. Команда полностью переработала архитектуру embodied foundation model, обучив её с нуля на полумиллионе часов реальных данных. Результат — качественный скачок по трём параметрам: надёжность (99% успешных выполнений), скорость (в 3 раза быстрее предыдущего state of the art) и адаптивность (модель импровизирует в нестандартных ситуациях).

При этом для каждого из этих результатов GEN-1 требуется всего около одного часа данных с конкретного робота. Это принципиально меняет экономику внедрения: не нужно месяцами собирать демонстрации для каждой новой задачи.

Почему это важно для индустрии

До GEN-1 роботы в промышленности работали по жёстким программам. Каждое новое движение, каждый новый объект — это ручная настройка. Foundation models обещали универсальность, но их надёжность не дотягивала до промышленных стандартов. Разница между 64% и 99% — это разница между лабораторной демонстрацией и реальным производством.

Generalist AI позиционирует GEN-1 как первую модель, которая «разблокирует коммерческую жизнеспособность» для широкого спектра задач. При этом команда честно признаёт: модель не решает все задачи. Сложные манипуляции, работа с деформируемыми объектами, длинные цепочки действий — всё это пока за горизонтом. Но на простых задачах — складывание коробок, сортировка, базовая сборка — GEN-1 работает на уровне, который раньше считался недостижимым для универсальных моделей.

Гонка физического AI

Generalist AI — не единственные, кто работает в этом направлении. Physical Intelligence с моделью π0, Google DeepMind, и десятки других стартапов движутся к той же цели. Но подход Generalist AI отличается ставкой на масштабирование: больше данных, больше параметров — предсказуемо лучший результат, как в языковых моделях.

Если этот подход продолжит работать, то вопрос «когда роботы смогут делать всё» перестанет быть философским и станет инженерным — сколько данных и вычислений нужно, чтобы добраться до следующего уровня мастерства.