Genesis AI完成5亿美元A轮融资,英伟达AMD首次联手押注
刚刚,美国具身智能公司Genesis AI,完成了一笔新融资
具身智能这条赛道上,冒出一个全栈型选手。它就是美国的Genesis AI。
这笔新融资由Jay发自凹非寺,经量子位公众号QbitAI披露。
Genesis AI拿下的是一笔5亿美金A轮,投后估值达到35亿美金。
出资方名单拉出来相当扎眼:NVIDIA、AMD、前谷歌CEO Eric Schmidt、Zoom创始人袁征、雅虎创始人Jerry Yang……一水的大佬。
有个细节值得留意,AMD和英伟达这回是头一次共同出手投一家具身智能公司。
眼下具身智能的融资行情普遍偏冷,这笔钱落在Genesis头上,分量显得格外重。
那么,Genesis到底特殊在哪?翻过它的官网和技术文档之后,答案或许藏在它给自己的定位里——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,联合创始人是华人学者周衔和Théophile Gervet。公司还没正式开张之前,团队靠一个开源物理仿真项目,已经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,一批展示能力的演示视频放了出来,很快引来大量关注。
它的主战场是厨房。一段长达四分钟、没有加速的视频里,机器人一气呵成做完了20多个子任务:单手磕鸡蛋、拿刀切番茄,还动用了打蛋器、盐磨和锅铲。
镜头接着转到实验室。这里对精度的要求同样是毫米级,同样是长程任务一镜到底,GENE-26.5自己能完成移液、密封试管,最后把试管放进离心机。
除此之外,做奶昔、还原魔方、弹钢琴它也能来,灵巧手的通用操作能力算是展示了个遍。
最要紧的一点在于,这些本事不是靠一堆专用小模型拼出来的,绝大多数操作背后是同一套共享权重的GENE模型。

不过话说回来,如今机器人圈子里演示视频早已不稀奇,更值得琢磨的其实是视频背后的方法论。
Genesis有一处不太一样:按官方的说法,模型并不是他们唯一想拿出来的东西。
他们眼里,机器人是一套耦合度极高的工程系统。数据、评测、本体这些环节里只要有一块拖后腿,就会像多米诺骨牌那样,把整体性能的天花板压下来。
怎么办?
对此Genesis给出的回答是:
我全都要。
全栈「三位一体」怎么拆
在Genesis这套架构中,数据、模型、评测、本体被捏合为一个咬合很紧的闭环系统。
1、数据引擎:绕开「先有鸡还是先有蛋」
高质量数据稀缺,是机器人学习绕不过去的瓶颈之一,手部操作数据尤其如此。
最丰富、最自然的交互数据来自人手,可人手和机械手形态差得太远,这些数据很难直接搬过去用。
那假如这道本体鸿沟根本不存在呢?
Genesis的办法挺直接,干脆从物理层面把这道沟填上——
1:1:1全链路映射。
- 人类的手:所有交互都从这里来。
- 数据手套:靠电磁场(EMF)手指追踪技术加上高密度触觉传感,把工人在作业中的手部信号高保真地抓下来。
- Genesis灵巧手:与人手1:1适配,20个自由度,表面覆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,手部运动和触觉信号就能被高保真采集,几乎无损地迁移给机器人去学。
干活本身,就是采数据。
靠这个路子,到今年五月,Gene用上的多模态数据已超过20万小时。我们了解到,眼下这一数字已经到百万小时量级。
全栈思路的好处,正在这里。
不少在模型层看着很棘手的事,换到系统层去想,也许能找到更治本的办法。
2、Genesis World:把迭代变成算力问题
数据是原料,模型进步快不快,要看「加工」原料的效率。
倘若每改一版模型都得放到物理世界里验证,研发周期必然被拖得很长。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与迭代引擎,而不只是数据生成器。
真实世界的实验卡住了给候选方案打分的速度;模拟把这个限制拿掉,开发周期也就从一个物理时间问题(wall-clock problem)变成了计算问题(compute problem)。
这个给机器人反复试错的空间,就是Genesis World,堪称机器人的「精神时间屋」。

实际效果相当明显。
单次模型评估往往要跑数百个任务,每个任务重复几百遍。放到现实里,得靠一名操作员配一台机器人连轴转200多个小时。
换到Genesis World里,同样规模的数万次测试不到半小时就能跑完,全程不用人盯,也不用动硬件。

当然,这一切都得先过「可信」这一关。
为把Sim-to-Real的差距压下来,Genesis在自研上砸了大量精力,渲染引擎Nyx、跨平台编译器Quadrants和统一的物理引擎都是自己做的。
官方做的对照实验里,仿真评测和真实机器人测试的结果相关性较强,Pearson相关系数达到0.8996。
仿真引擎之外,Genesis内部还搭好了一条完整管线,可自动生成任务、环境、物体和奖励函数,让机器人在大批量自动生成的仿真环境里自我进化。
3、Eno:为「干活」而生
不过,做到这一步,也只是把准备工作做完了。
数据、仿真、模型,说到底都要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。
Eno走的是极简和timeless的设计路线,福布斯杂志把它称作「机器人的iPhone时刻」。
这款机器人刚拿下德国设计大奖的金奖。它并非大家想象中那种双足行走的帅气人形机器人,而是装了轮式底座,躯干由几块板子折叠而成。

飞机用不着长鸟的翅膀。同样的道理,人身上的不少特征,放到机器身上可能反倒成了累赘。
Eno的设计目标从一开始就不是模仿「人的外观」。结果反倒让它拿到了最接近「人的能力」的表现,还把这些能力收进一副优雅极简的身体里。
轮子带来的是移动效率和续航,可升降的身体则让它能适应不同高度的工作台。

每一处设计都服务于功能、效率和成本。这背后还是那条第一性原理——全栈具身原生。
就像Genesis CEO周衔在融资声明里说的:
我们给自己定的任务是:把人类抱负在物理世界撞上的那堵墙拆掉。为此,团队正在造一台通用机器人,目标是全球最好,能在真实环境里天天稳定干活。
要做到这点,智能、硬件,还有训练与测试机器人所需的全部环节,都得当成一个系统一起跑起来。全套自己上手做,才能把每个细节抠到底,让整台机器人迭代得更快。
落地为王
手握5亿美金,下一步做什么?
量产。
Genesis称,本轮融资主要用来推动Eno在真实世界的大规模量产和部署。
具体安排是,2026年底前启动生产和客户部署,先进入制造业、物流和实验室等工业环境,再扩展到酒店、医院等服务行业,最后走向消费级家庭和户外应用。
从结构化场景迈向非结构化场景,路子得一步一步走。
不过老实讲,哪怕只走这第一步,难度也大得惊人。
演示视频里能装下无穷想象,可真要落地,「可靠性」才是唯一的尺子。
具身智能的链条拉得很长,哪个环节出岔子,真实场景里都可能全盘皆输。
加上现实世界的长尾问题又杂又碎,不在场景里实打实摔打过,交付标准就很难一点点达标。
技术和产品得齐头并进,光待在实验室训模型行不通,Get Hands Dirty这件事非做不可,扎到一线,模型-部署-数据的闭环才转得起来。
这么看,量产部署本身,恐怕也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分歧,话题多半绕着「人形」和「非人形」打转。
眼下Genesis AI给出了一个新的参照:真正的分水岭,可能不在外形,而在研发范式。
物理世界里的AGI,是一场比大语言模型更磨人、更持久的硬仗。
系统复杂到某个程度,局部优化总会撞上瓶颈。要把所有变量攥在自己手里,当成一个整体去琢磨、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名言:
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。如今,越来越多像Genesis这样的具身智能公司正在证明:
造机器人,同样得这么干。
「全栈原生。」
在OpenAI、Anthropic如今也纷纷押注机器人大脑的背景下,这或许是通向物理AGI的唯一一条路。