具身智能领域的规模化法则尚不明确，而初创公司Generalist AI的项目GEN-0正为此提供新思路。该项目通过收集海量真实机器人交互数据，致力于探索具身基础模型的规模化路径，为行业带来了值得关注的新视角和实践参考。
智能速览
GEN-0项目旨在探索具身智能领域的规模化法则。
项目已收集约27万小时的真实机器人交互数据。
其数据量级远超同类工作，如Pi0仅约1万小时。
研究涉及将模型参数从1B扩展至7B以上。
数据来源于多种不同自由度的跨平台机器人。
精华内容
具身AI的规模化发展离不开海量数据和模型体量的双重突破。GEN-0项目正是围绕这两大核心要素展开，其初步结论为行业提供了重要的实践依据和方向性指引。
海量数据基石
GEN-0项目最引人注目的特点是其庞大的数据规模。截至技术博客发布时，团队已收集了约27万小时的真实机器人物理交互数据。为了持续扩大数据优势，该项目正以每周1万小时的速度进行增量。
这一数据量级在具身智能领域处于领先地位。作为对比，业界知名的另一项工作Pi0大约仅拥有1万小时的数据，GEN-0的数据规模是其27倍，这种数量级的差异可能为模型性能带来质的飞跃。
模型参数扩张
在扩大数据规模的同时，GEN-0项目也在积极进行模型本身的扩展。研究团队正在探索将模型参数量从10亿级别逐步提升至60亿乃至70亿以上。
这种从1B到7B+的参数量增长路径，旨在测试模型性能与参数数量之间的正相关性，为具身大模型的未来发展寻找最优的参数规模区间。
跨平台数据源
数据来源的多样性是GEN-0项目的另一大优势。其收集的数据并非来自单一或少数几种机器人，而是涵盖了不同自由度的多种机器人平台。
这种跨平台的数据收集策略能够有效提升模型的泛化能力，使其在面对不同形态、不同任务的机器人时，依然能展现出较好的适应性和鲁棒性，避免了“过拟合”于特定硬件的风险。
未来发展与猜想
尽管GEN-0展示了巨大的潜力，但目前公开的信息仍有限。官方仅有三篇技术博客，核心的模型架构和训练细节尚未完全披露。
有分析推测，GEN-0可能已经初步形成了数据采集与模型优化的闭环系统。不过，这一说法尚未得到官方证实。该项目的后续发展，尤其是更多技术细节的公开，将对具身智能领域产生重要影响。
GEN-0项目为具身智能的规模化发展提供了宝贵的早期探索。尽管技术细节尚未完全公开，但其“数据+模型”双轮驱动的路径已清晰可见。这能否催生出更通用的机器人，值得整个领域持续关注与期待。
