机器人一定要长得像人吗？Genesis AI 的回答是，不一定。

Genesis AI 这家base在法国和硅谷的具身新星，今年6月推出了首款具身机器人Eno，没有头和脸，只保留灵巧操作必要的部分，流畅简洁的设计被称为机器人界的iPhone，今年四季度上市。

（图：Genesis AI的机器人Eno）

Eno搭载机器人基础模型GENE-26.5，可以理解高层任务目标，根据环境变化进行推理和规划，并完成长程、多步骤任务。并且配置与中国舞肌科技联合研发的仿人灵巧手，20个主动可反驱自由度，尺寸与人手一一对应，能够以毫米级精度完成复杂操作。Genesis AI还开发了带触觉电子皮肤的数据手套，实现“人手—手套—机器人手”1∶1∶1映射，采集精细动作和接触信息。

Genesis AI把机器人的“大脑、双手、数据和训练环境”做成了一套完整的系统。

在智元机器人与觅蜂科技联合举办的“智启具身论坛2026——迎接物理AI智能涌现”论坛上，Genesis AI 联合创始人王尊玄讲解了Genesis完整的的系统观、数据观、仿真观和模型观。

王尊玄，麻省理工学院计算机科学与人工智能实验室（MIT CSAIL） 博士， Genesis AI 联合创始人，曾兼任Liquid AI研究员 。其研究方向聚焦于构建能够与物理世界交互的智能体。

01

Genesis的系统观：

机器人是系统性问题

王尊玄开篇定调：机器人是一个系统性问题，与LLM不一样，不仅仅是模型的问题。

过去几年，大语言模型已经证明了Scaling的价值。随着数据量、算力和模型规模不断增加，模型能力也在持续提升。尽管机器人不能完全照搬大语言模型的发展路线，但其训练范式仍然值得借鉴。

（图：LLM与Robotics的训练阶段对比）

大语言模型的训练大致可以分为三个阶段。

第一阶段是大规模预训练。模型利用海量互联网数据，学习语言规律以及对世界的基础认知。

第二阶段是对齐。通过监督微调、人类反馈等方式，模型逐渐理解用户的意图，知道人类希望它完成什么任务。

第三阶段是基于强化学习的后训练。模型进入代码、数学等具备明确反馈机制的环境，通过大量交互获得奖励信号，并逐步发展出推理和自我改进能力。

Genesis AI希望为机器人构建一条相似的路径。

在预训练阶段，机器人可以利用第一人称视频和手套采集的人类操作数据，学习人类如何与物理世界交互；在对齐阶段，加入少量手套数据和机器人真机数据，明确模型需要完成的具体任务；在后训练阶段，则构建大规模仿真环境，让机器人在其中反复尝试、获得反馈并更新策略。

但与大语言模型相比，机器人系统更加复杂。语言模型主要处理数字世界中的信息，而机器人必须面对真实世界中的物体、接触、摩擦、力、形变和安全约束。模型输出的也不只是文字，而是必须转化成机械手、机械臂或机器人身体可以执行的动作。

因此，机器人能力并不只取决于模型架构。数据采集设备是否准确、机器人硬件是否可靠、中间件是否稳定、控制系统是否及时、数据处理是否规范、评测体系是否可信，都会影响最终效果。

Genesis AI由此提出了一套端到端的系统方法：从数据采集、硬件、中间件、控制栈、数据管线、模型训练，一直观察到评测和真实部署，再通过部署结果形成新的数据闭环。团队首先寻找整条链路中最关键的痛点，再集中资源进行优化。

这也意味着，算法不一定是所有问题的答案。如果模型难以实现人类动作与机器人动作的迁移，除了设计更复杂的表征学习和迁移算法，也可以重新设计机械手、传感器和数据采集设备，从源头降低数据与机器人本体之间的差异。

02

**Genesis的数据观：**从人类操作中获取可扩展的灵巧数据

数据是机器人实现Scaling首先要解决的问题。

目前常见的机器人数据采集方式包括遥操作、UMI等手持设备、第一人称视频、互联网视频以及机器人真机采集。不同数据各有优势，但很难同时满足规模、精度、物理信息和部署相关性等要求。

遥操作采集的数据与目标机器人最接近，但很难大规模扩展。一方面，遥操作依赖机器人硬件，采集成本较高；另一方面，操作者很难通过现有设备完整控制高自由度灵巧手。普通夹爪可能只需要控制开合，但灵巧手涉及多根手指、多个关节以及复杂接触，遥操作难以达到人手的精细程度。

UMI或其他手持式数据采集设备具有更好的扩展性，采集成本也通常低于遥操作。但它们会改变人原本的操作方式。在真实工厂或商业场景中，如果要求工人先学习如何使用一套特殊设备，不仅会增加培训成本，也会影响原有的工作效率，部分精细任务甚至无法按照原来的方式完成。

第一人称视频和互联网视频拥有更大的数据规模与任务多样性。人只需要佩戴相机，便可以记录大量真实操作。但纯视频数据通常缺少准确的动作轨迹、接触状态、作用力和触觉信息，与机器人本体之间也存在较大差距。

机器人真机数据与部署场景的相关性最高，但采集成本同样最高。真机运行速度有限，还会产生设备磨损、安全风险和人工维护成本，因此很难获得互联网数据级别的规模。

Genesis AI的选择，是设计一套尽可能让人手、数据手套与机器人灵巧手相互一一对应的采集系统。工人戴上手套后，仍然可以按照原来的习惯完成工作，不需要为了采集数据改变操作方式。系统则在不影响生产流程的前提下，被动记录人手动作、接触和触觉等信息。

（图：Emo的灵巧手）

这种设计需要满足两个要求。

第一是非侵入式。数据采集设备不能显著改变工人的动作习惯，商业上也不增加过多培训和部署成本。只有能够进入现有工作流程，数据采集才能真正扩展到工厂、厨房等真实场景。

第二是数据与机器人硬件的对齐。手套、人手和最终部署的机械手需要在动作自由度、关节映射和接触信息等方面尽可能一致。手套还应具备触觉传感能力，记录视觉之外的物理信息。

在王尊玄看来，判断一种机器人数据是否有价值，不能只看数据量，而需要考虑至少五个维度。

首先是可扩展性，即数据能否以较低成本进行大规模采集；其次是多样性，能否覆盖不同人员、物体、场景和任务；第三是动作保真度，采集到的动作能否保留人手操作的精细程度；第四是物理信息，数据是否包含接触、力、触觉和动力学状态；第五是部署相关性，即数据与最终使用的机器人和真实工作环境是否足够接近。

第一人称视频在规模和多样性方面具有优势，机器人数据在部署相关性方面更强，而手套数据试图在规模、动作精度和物理信息之间取得平衡。

（图：Genesis的数据组合）

Genesis AI希望把这些数据按照不同训练阶段进行组合：利用第一人称视频和手套数据进行预训练，再使用少量机器人数据完成对齐和任务微调。

03

Genesis的仿真观：从生成训练数据转向高保真仿真评测

除了数据，仿真是Genesis AI系统路线中的另一个核心环节。

机器人研发高度依赖评测。模型在哪些任务上失败、失败发生在哪个环节，直接决定下一轮应该优化什么。但真机评测需要反复布置环境、重置物体、维护设备并组织人工操作，不仅效率低，也很难做到完全标准化。

真实环境还存在覆盖不足的问题。一个机器人可能在实验室中完成数十次测试，却无法覆盖实际部署中的物体差异、环境变化和长尾情况。对于灵巧操作而言，物体位置、摩擦系数、材料、接触角度的细微变化，都可能导致不同结果。

强化学习对交互量的需求更大。如果把全部探索放在真机上完成，训练速度、安全风险和硬件损耗都会成为限制。机器人不可能像语言模型生成文本一样，低成本地进行数百万次物理试错。

因此，Genesis AI希望把仿真的保真度推到足以服务机器人研发的程度。这里的“高保真”并不只是画面逼真，而是仿真中的物理过程和评测结果能够对应真实世界。模型在仿真中表现出的能力和缺陷，应当能够反映其在真机上的表现。

Genesis AI最开始是做了一个物理引擎，目标是生成仿真数据去做模型训练。但在实践过程中，团队逐渐把重点转向模型评测。因为仿真数据最终是否有价值，仍然要看训练后的模型能否在真实世界工作。与其一开始就同时解决数据生成、模型训练和Sim-to-Real迁移，不如先建立可靠的仿真评测体系，验证仿真结果与现实结果的相关性，把fidelity做到极致。

（图：Genesis World 1.0 2026年5月27日发布 ）

高保真评测一旦建立，仿真便可以进一步发展为机器人的自我学习环境。机器人模型能够像Coding Agent在代码环境中工作一样，与仿真环境持续交互：执行动作、获得评分、更新策略，再进入下一轮尝试。

这样一来，机器人学习就有机会从一个受制于真机数量和实验时间的问题，转化成一个能够依靠算力扩展的问题。更多算力可以支持更多并行环境、更大规模的实验以及更丰富的任务覆盖。

但仿真环境不能脱离真实需求。Genesis AI希望从工厂和商业部署中提取任务、设备、物体和操作流程，再构建对应的仿真场景。真实部署定义问题，仿真环境提供评测与训练，模型能力提升后再回到真实世界验证，由此形成完整闭环。

04

**Genesis的模型观：**淡化模型架构之争，走向即时部署

在模型层面，Genesis AI并不过度强调某一种模型架构，也不把开源模型本身视为最终目标。相比模型采用什么结构，团队更关注模型接收什么输入、输出什么信息，以及如何吸收不同来源的数据。

机器人训练面对的是异构数据：互联网视频提供视觉先验，第一人称数据记录人类视角下的操作过程，手套数据包含精细动作和触觉信息，机器人数据对应具体本体，仿真数据则可以提供大规模交互与奖励信号。真正困难的是找到一套有效的训练配方，将这些数据放在正确的训练阶段，并解决它们在信息形式、动作空间和物理精度上的差异。

从资源分配来看，Genesis AI把更多精力放在数据采集、硬件对齐、数据转换和仿真环境上，模型架构等纯算法研究只占相对较小的一部分。其背后的判断是：机器人基础模型的竞争力，不只来自某个新网络结构，更来自数据、训练配方和评测体系共同构成的系统能力。

Genesis AI最终追求的是“即时部署”。衡量模型价值时，不能只看单项任务成功率，还要看为了达到这一成功率付出了多少任务专项成本。

（图：Genesis灵巧操作能力）

同样是一个小时的数据，获取方式可能完全不同。一个小时的手套数据可以由工人在正常工作过程中采集，而一个小时的机器人专项数据可能需要遥操作、场景重置、设备维护和大量人工配合。因此，评估机器人的部署成本，既要看数据时长，也要看这些数据是如何获得的。

Genesis AI希望通过扩大预训练数据规模，不断减少新任务对专项数据和微调的依赖。当机器人进入一个新场景时，不再需要为每项任务重新投入大量数据和工程资源，而是能够通过零样本能力或少量数据快速适应。

结语：

演讲的最后，王尊玄再次让大家思考这个决定资源分配方式的问题：Robotics究竟是一个全局问题，还是一个局部问题？

如果机器人必须从感知、语言、推理到控制全部重新学习，那么它需要覆盖完整智能体系的数据和算力。但另一种可能是，机器人问题可以被分层处理。

在上层，任务理解、常识推理和高层规划可以借用大语言模型、多模态大模型的能力；在底层，机器人的重点是身体控制、物理感知、接触反馈和动作反射；在两者之间，则需要建立从高层意图到物理动作的映射。

按照这一思路，机器人公司没有必要重复构建所有通用认知能力，而应把有限的数据和算力集中在物理世界特有的问题上：如何控制机器人身体，如何感知接触和作用力，如何完成高精度灵巧操作，以及如何让这些能力迁移到不同任务和场景。

这也是Genesis AI系统路线的最终落点：利用第一人称视频和手套数据扩大预训练规模，通过机器人数据完成本体对齐，通过高保真仿真进行评测与强化学习，再把模型部署到工厂、厨房等真实环境中。部署中出现的问题继续产生新数据，反过来推动硬件、模型和仿真迭代，最终形成持续运转的数据飞轮。

在机器人模型路线尚未收敛的阶段，Genesis AI给出的答案并不是死磕某一种模型架构，而是把数据、硬件、控制、模型、仿真、评测和部署连接成一个完整系统。

机器人真正的Scaling，或许不只来自更大的模型，更来自这条链路中每一个环节的协同演进。

图片资料来源：GenesisAI官方

智元机器人与觅蜂科技联合举办的“迎接物理AI智能涌现”论坛