英伟达AMD首度联手投资,Genesis AI完成5亿美元A轮融资估值35亿
刚刚,美国具身智能公司Genesis AI,完成了一笔新融资—— 5亿美金A轮,投后估值来到35亿美金。 投资方阵容也是相当豪华: NVIDIA、AMD、前谷歌CEO Eric Schmidt、Zoom创始人袁征、雅虎创始人Jerry Yang……一众大佬赫然在列。 值得一提的是,这是AMD和英伟达第一次联手投资具身智
美国具身智能公司Genesis AI新近完成一笔融资,A轮金额为5亿美金,投后估值达到35亿美金。
出资方名单颇为豪华:NVIDIA、AMD、前谷歌CEO Eric Schmidt、Zoom创始人袁征、雅虎创始人Jerry Yang等一众人物均在列。
AMD与英伟达联手投资具身智能公司,这是头一回。眼下具身智能融资普遍遇冷,这笔钱因此显得格外扎眼。
那Genesis到底不一样在哪?翻过其官网和技术文档后可以发现,答案可能就在它对自身的定位当中。
具身全栈玩家。故事得从半年前讲起。
一年亮一剑
Genesis AI于2025年3月成立,总部设在美国和法国两地,由华人学者周衔与Théophile Gervet共同创办。公司正式开张之前,团队就靠开源物理仿真项目,在学术圈和工程圈攒下了很高的人气。
今年5月,Genesis AI亮出了首个具身基础模型GENE-26.5,发布的同时放出一批演示视频,展示其能力,随即引来大量关注。
厨房是主战场。一段4分钟、没有加速的视频里,机器人连续做完了20多个子任务:单手磕鸡蛋、拿刀切番茄,还用上了打蛋器、盐磨和锅铲。
镜头转到实验室。精度同样要到毫米级,长程任务同样一镜到底,GENE-26.5能自己完成移液、密封试管,最后把试管放进离心机。
除此之外,它还会做奶昔、复原魔方、弹钢琴,灵巧手的通用操作能力得到多方展示。关键在于,这些本事不是靠一堆专用小模型拼起来的,绝大部分操作都出自同一套共享权重的GENE模型。

话说回来,机器人圈子里演示视频早已不稀奇,背后的方法论反倒更值得琢磨。Genesis有个特别之处:官方说,模型并不是他们想展示的全部。
在他们眼里,机器人是一套高度耦合的工程系统。数据、评测、本体……哪个环节掉链子,都会像多米诺骨牌一样,最终压住整体性能的上限。
怎么办?
Genesis给出的答复是:
我全都要。
全栈「三位一体」,拆开看是什么
在Genesis的设计里,数据、模型、评测和本体并非各自为战,它们被串成一个咬合很紧的闭环。
1、数据引擎:先有鸡还是先有蛋
高质量数据稀缺,是机器人学习绕不开的坎,手部操作数据尤其如此。
人手能产出最丰富也最自然的交互数据,可机械手跟人手的形态差得太远,这些数据很难直接搬过去用。
那要是这道本体的鸿沟压根不存在呢?
Genesis的办法相当直接,干脆从物理层面把这鸿沟抹平——
1:1:1全链路映射。
源头是人手,一切交互都从这里来。
数据手套用电磁场(EMF)手指追踪,加上高密度触觉传感,把人在工作中的手部信号高保真地抓下来。
Genesis灵巧手跟人手1:1适配,20个自由度,外表裹着模拟人类皮肤的柔性材料。

这样一来,工人戴着数据手套干日常活计时,手部动作和触觉信号就被高保真地记录下来,再近乎无损地传给机器人去学。
干活本身,就是数据采集。
靠这条路,到今年五月,Gene已经用上超过20万小时的多模态数据。我们了解到,如今这个量级已到百万小时。
全栈思路的价值,恰恰在这里。
有些问题在模型层看着很棘手,换到系统层去动手,也许能找到更治本的办法。
2、Genesis World:迭代变成算力问题
原料是数据,而模型跑得多快,看的是「加工」原料的效率。
每改一版模型都得放到物理世界里验一遍,研发周期自然被拖长。Genesis的选择是:All in仿真。
我们把模拟当成机器人基础模型的评估和迭代引擎,而不只是拿它生成数据。
真实世界的实验卡住了给候选方案打分的速度;模拟把这层限制拆掉,开发周期也就从一个物理时间问题(wall-clock problem)变成计算问题(compute problem)。
这便是Genesis World,一个让机器人反复试错的「精神时间屋」。

效果摆在那里。
评估一次模型,往往要跑数百个任务,每个任务还得重复数百遍。放到现实里,这意味着一台机器人加一名操作员得连轴转200多个小时。
同样的数万次测试搬进Genesis World,不到半小时就能跑完,人和硬件都不用上场。

前提是两个字:可信。
为了把Sim-to-Real的差距压下去,Genesis在自研上砸了不少精力——渲染引擎Nyx、跨平台编译器Quadrants,还有统一的物理引擎。
官方做的对照实验里,仿真评测和真实机器人测试的结果对得上,Pearson相关系数有0.8996。
仿真引擎之外,Genesis内部还搭了一条完整的管线,任务、环境、物体和奖励函数都能自动生成。机器人于是在大批量自动生成的仿真环境里自己进化。
3、Eno:为「干活」而生
不过走到这一步,也只是把准备工作做完了。
数据、仿真、模型,最后都得落到一个产品形态上,才能跟物理世界搭起桥来。
对Genesis来说,这个产品就是Eno。

福布斯杂志把Eno极简、timeless的设计称作「机器人的iPhone时刻」。
Eno刚拿下德国设计大奖的金奖。它并不是那种双足行走的帅气人形机器人,底下是轮式底座,躯干由几块板子折叠而成。

飞机不必长出鸟的翅膀。人身上的不少特征,搁到机器身上反倒可能是累赘。
Eno从设计之初就没打算照着「人的外观」去抄。结果它反倒拿到了最接近「人的能力」的那一套,还把这些能力收进了一个优雅极简的身体里。
轮子管的是移动效率和续航;身体能升降,不同高度的工作台都能应付。

每个设计都冲着功能、效率和成本去。背后还是那条第一性原理——全栈具身原生。
Genesis CEO周衔在融资声明里是这么说的:
在物理世界里,人类想做的事不该被束缚——这正是我们要解决的问题。为此,我们正着手做出全球最强的通用机器人:它得能在真实环境中天天稳定干活。
要做到这个,智能、硬件,连同训练和测试机器人所需的全部环节,都得当成一个系统来打通。这些全由我们自己搭,细节才能一个一个抠,整台机器人的迭代速度也才能提上来。
落地为王
手握5亿美金,下一步做什么?
量产。
Genesis的说法是,本轮融资主要用来推Eno在真实世界里的大规模量产和部署。
拆开看,他们打算2026年底前启动生产和客户部署,先切制造业、物流、实验室这类工业环境,再往酒店、医院等服务行业铺,最后进消费级家庭和户外场景。
从结构化环境到非结构化环境,一步一步来。
可说句实话,光是迈出这第一步,就已经够难了。
演示视频里能装下多少想象都行,可真要落地,「可靠性」才是唯一那把尺子。具身智能的链路拉得很长,哪个环节出了岔子,落到真实场景里都可能整条线崩掉。
况且现实世界里的长尾问题又杂又多,没在具体场景里反复摔打过,交付标准是一条一条够不上的。
技术和产品得并着走,只蹲在实验室里训模型不管用,Get Hands Dirty 这件事省不掉,到了一线,模型、部署、数据才转得起来。
这么看,量产部署本身大概就是具身智能研发里少不了的一环。

前几年聊通用机器人的路线,争来争去多半落在「人形」还是「非人形」上。Genesis AI 现在给了另一套参照:真正分开两边的,恐怕不是外形,而是研发范式。
物理世界里的 AGI,是一场比大语言模型更磨人、也更长的硬仗。
系统复杂到某个程度,局部优化迟早撞上瓶颈。把全部变量攥在自己手里,当成一个整体去想、去设计、去迭代,突破才有可能出现。
计算机先驱 Alan Kay 几十年前留下过一句话:真正认真对待软件的人,应该自己造硬件。
特斯拉造车是这样,苹果做消费电子也是这样。眼下,越来越多像 Genesis 这样的具身智能公司在证明:造机器人,同样得这么干。
「全栈原生。」在 OpenAI、Anthropic 也开始押注机器人大脑的今天,这或许是通往物理 AGI 的…一路径。