创业公司押注机器人即将迎来基础模型时刻
TechCrunch AI··作者 Rebecca Bellan
关键信息
General Intuition 表示，它用数百万小时的视频游戏数据进行训练，其中包括人类按下手柄按钮的时机信息，以培养空间-时间推理能力。该公司称，其模型只用 8 分钟真实机器人数据进行微调后，就能仅依靠前置摄像头在四足机器人上进行零样本运行；不过报道把这描述为一次令人惊讶的演示，而不是一个经过完全验证的基准测试。
资讯摘要
这篇文章把机器人领域描绘成可能正在进入一个类似 GPT-3 之后自然语言处理所经历的“基础模型时代”。在过去的 NLP 时代，企业往往要针对每个任务从零开始训练专用模型；而现在，许多公司会先使用 GPT、Claude 或 Llama 这样的通用模型，再通过提示词或微调来适配具体需求。General Intuition 首席执行官 Pim de Witte 认为，具身 AI 也会走上类似道路。按照他的说法，很多公司仍在为不同机器人、不同环境和不同形态做高度专门化的工作，但随着通用模型变强，这些工作很快会变得多余。在他看来，真正的产品是模型本身的泛化能力，尤其是其对空间和时间的基础推理能力。de Witte 认为，一旦有了足够强的基础模型，就不再需要采集几十万甚至几百万小时的真实机器人数据，因为实际所需的数据量可能只剩很少。
General Intuition 表示，它是用数百万小时的视频游戏数据训练出自己的模型的，其中还包括人类在手柄上按键的行为时序。de Witte 和投资人 Vinod Khosla 都认为，这类动作数据是让模型获得类似人类的空间-时间直觉的关键。该公司上个月融资 3.2 亿美元，估值达到 23 亿美元；公司称，其模型不仅可以连续玩视频游戏数小时，还能在仅用 8 分钟真实机器人数据微调后驱动一台四足机器人。de Witte 还提到一个演示：机器人在只使用前置摄像头、没有其他传感器的情况下，就能在办公室里零样本运行，而且环境中还有动态物体和行人经过。他把这看作未来趋势的信号，并强调 General Intuition 的目标不是自己去造机器人，而是成为其他机器人公司的基础模型提供方。
资讯正文
在 OpenAI 的 GPT-3 开启基础模型时代之前，企业会从零开始构建专门的自然语言处理模型，并用大量针对特定任务的数据对每个模型进行训练。如今，大多数组织都会先采用像 OpenAI 的 GPT 系列、Claude 或 Llama 这样的通用模型，然后再通过微调或提示词让它解决自己的具体需求。
General Intuition 的首席执行官 Pim de Witte 认为，具身 AI 也会遵循类似的路径。他主张，行业不应再通过收集海量真实世界数据来构建专用机器人模型，而应聚焦于更高质量的数据集，以产出能够将关于运动和交互的直觉迁移到多种环境中的基础模型。
“现在很多公司都在做大量专门工作，聚焦于单一具身形态、单一环境和单一机器人，”de Witte 在最近一期《Equity》节目中告诉 TechCrunch。
他认为，随着像 General Intuition 正在开发和部署的通用模型出现，其中很大一部分工作很快就会变得多余。
“模型本身的泛化能力就是产品，”他说。“它对空间和时间具备基础层面的推理能力，这将成为人们停止收集数十万甚至数百万小时真实世界数据的原因。因为现实情况是，你其实只需要几分钟。”
General Intuition 在用数百万小时的视频游戏数据训练后，构建了自己的这类基础模型，其中包括人类在何时按下了手柄上的哪些按键等信息。de Witte 和 General Intuition 的主要投资人 Vinod Khosla 都认为，动作数据是培养类似人类的空间-时间推理直觉的关键。
这家初创公司上个月基于这一论点，以 23 亿美元估值融资 3.2 亿美元。公司已经演示过，其当前模型既能连续数小时玩视频游戏，也能驱动四足机器人——后者是在仅用 8 分钟真实世界机器人数据进行微调之后实现的。
“[这台机器人] 仅凭前置摄像头、没有其他传感器，就能在办公室里进行零样本泛化，而且环境中还会不断出现动态物体、有人走动，这件事真的让我们非常意外，”de Witte 说。“我认为这预示着未来会发生的事情。”
General Intuition 的最终目标并不是自己造机器人，而是成为物理 AI 的基础模型，成为其他机器人公司构建自身机器时所依赖的底层模型。或者用 de Witte 的话说：“我们不会去做一家自动驾驶汽车公司。我们会让下一家要做自动驾驶汽车公司的人，建起来轻松 10 倍。”
来源与参考
收录于 2026-07-09