Genesis AI Completes $500 Million Series A Funding; NVIDIA and AMD Jointly Invest in an Embodied AI Company for the First Time
English text is being prepared.
U.S. embodied AI company Genesis AI has completed a $500 million Series A funding round at a post-money valuation of $3.5 billion. Investors include NVIDIA, AMD, Eric Schmidt, Yuan Zheng, and Jerry Yang. This marks the first time AMD and NVIDIA have jointly invested in an embodied AI company. Genesis AI was founded by Zhou Xian and Théophile Gervet in March 2025. In May of this year, it unveiled its first embodied foundation model, GENE-26.5, and built a full-stack system spanning self-built data collection, simulation-based evaluation with Genesis World, and the wheeled robot Eno. The funding will be used to advance mass production and deployment of Eno, with plans to begin production before the end of 2026 and deploy in scenarios such as manufacturing, logistics, and laboratories.
Why read this
AI score 67
Beyond the funding information, the original article also outlines Genesis's R&D path integrating data, simulation, and hardware, offering a way to observe how embodied AI is being deployed.
Topics
Body
英伟达AMD首次联手押注!Genesis完成A轮融资,估值超230亿
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能公司。
在具身智能融资普遍遇冷的当下,这笔融资,无疑显得尤为突出。
Genesis,究竟有何不同?
在深入研究其官网和技术文档后,我们发现,答案或许就藏在Genesis对自身的定位里——
Genesis AI创立于于2025年3月,总部横跨美国和法国,由华人学者周衔与Théophile Gervet联合创立。
在正式创办公司前,其团队就已凭借开源物理仿真项目,在学术与工程界积累了极高的人气。
今年5月,Genesis AI公开了他们的首个具身基础模型:GENE-26.5。
一经发布,一系列展示其能力的演示视频便引起了广泛关注。
主战场是厨房。
在一个长达四分钟、未经加速的视频里,机器人流畅地完成了超过20个子任务:
单手磕鸡蛋、用刀切番茄、使用打蛋器、盐磨和锅铲。
下一个场景是实验室。
同样要求毫米级的精度,同样是一镜到底的长程任务,GENE-26.5能够自主完成移液、密封试管,并最终将试管放入离心机。
此外,它还能制作奶昔、还原魔方、弹奏钢琴,全方位展示了其灵巧手的通用操作能力。
最关键的一点是,这些能力并非由多个专用小模型堆砌而成,绝大部分操作都依赖于同一套共享权重的GENE模型。
不过吧,如今的机器人领域,演示视频已屡见不鲜,其背后的方法论或许更值得探究。
Genesis有个比较特殊的地方,官方表示,模型并非他们想要展示的全部。
在他们看来,机器人是一个高度耦合的工程系统。数据、评测、本体……任何一个环节的短板,都会像多米诺骨牌一样,最终限制整体性能的上限。
在Genesis的体系里,数据、模型、评测和本体,被设计成了一个紧密耦合的闭环系统。
1、数据引擎:解决「鸡生蛋」问题
机器人学习的最大瓶颈之一,是高质量数据的稀缺,尤其是手部操作数据。
人手能产生最丰富、最自然的交互数据,但人手与机械手的形态差异巨大,导致数据难以直接迁移。
但如果不存在这道本体的鸿沟呢?
Genesis的解法堪称暴力,他们直接在物理层面填平了这道鸿沟——
1:1:1全链路映射。
人类的手:一切交互的源头。
数据手套:采用电磁场(EMF)手指追踪技术与高密度触觉传感,高保真地捕捉人手在工作中的信号。
Genesis灵巧手:与人手1:1适配,拥有20个自由度,表面覆盖模拟人类皮肤的柔性材料。
其效果是,当工人戴上数据手套进行日常工作时,他们的手部运动和触觉信号可以被高保真地采集,并几乎无损地迁移给机器人学习。
工作即数据采集。
通过这种方式,到今年五月,Gene已经采用了超过20万小时的多模态数据。我们了解到,现在这个数据量已经来到百万小时规模。
这正是全栈思路的魅力所在。
许多在模型层看似棘手的问题,从系统层出发,或许能找到更根本的解决方案。
2、Genesis World:将迭代变为算力问题
数据是原料,而模型的进步速度,取决于「加工」原料的效率。
我们将模拟视为机器人基础模型的评估和迭代引擎,而不仅仅是数据生成器。
真实世界的实验限制了我们为候选方案评分的速度;模拟则解除了这个限制,将开发周期从一个物理时间问题(wall-clock problem)变成了一个计算问题(compute problem)。
这就是Genesis World,一个供机器人摸爬滚打的「精神时间屋」。
效果是显著的。
一次模型评估可能涉及数百个任务,每个任务重复数百次。在现实世界中,这需要一名操作员和一台机器人连续工作超过200个小时。
而在Genesis World中,同样的数万次测试,可以在不到半小时内完成,且无需任何人工或硬件介入。
当然,这一切的前提,是「可信」。
为了缩小Sim-to-Real的差距,Genesis投入巨大精力,自研了渲染引擎Nyx、跨平台编译器Quadrants和统一的物理引擎。
最终,在官方开展的对照实验中,仿真评测与真实机器人测试结果表现出较强相关性,Pearson相关系数达到0.8996。
在仿真引擎之外,Genesis已经在内部搭建起了一套完整的自动生成任务,环境,物体以及奖励函数的管线,让机器人可以在大规模自动生成的仿真环境中进行自我进化。
3、Eno:为「干活」而生
但到这一步,仅仅是完成了准备工作。
数据、仿真、模型,这一切最终都需要一个产品形态来承载,与物理世界建立桥梁。
对于Genesis而言,这个产品就是Eno。
Eno的极简和timeless的设计,被福布斯杂志称为「机器人的iPhone时刻」。
值得一提的是,Eno刚刚拿下德国设计大奖的金奖。它不是我们想象中那种,双足行走的帅气人形机器人。相反,它有一个轮式底座,躯干还是几块板子折叠而成的。
飞机不需要有鸟的翅膀。同理,人类身上的很多特征,对于机器而言可能反而是累赘。
Eno的设计目标,从一开始就没有去模仿「人的外观」。但这反而,让它拥有最像「人的能力」,同时把这些能力囊括在一个优雅极简的身体里面。
轮子,保证了移动效率和续航;可升降的身体,让它可以适应不同高度的工作台。
每一个设计都服务于功能、效率和成本。这背后,同样是那个第一性原理的体现——全栈具身原生。
正如Genesis CEO周衔在融资声明中所说:
我们的使命是消除人类抱负在物理世界受到的限制。为实现这一点,我们正在打造世界上最好的通用机器人,一台能够在真实世界里日复一日可靠工作的机器人。
这要求智能、硬件以及训练和测试机器人所需的一切作为一个整体系统协同运转。通过自己构建这一切,我们可以死磕每一个细节,更快地改进整台机器人。
Genesis表示,本轮融资将主要用于推动Eno在真实世界的大规模量产和部署。
具体而言,他们计划在2026年底前开始生产和客户部署,首先进入制造业、物流和实验室等工业环境,然后扩展到酒店、医院等服务行业,最后进入消费级家庭和户外应用。
从结构化到非结构化,一步一个脚印。
但说实话,即便只是迈出这第一步,也极为艰难。
演示视频可以有无限的想象空间,而一旦涉及落地,「可靠性」是唯一的度量衡。
具身智能的链路极长,任何环节的差错都可能导致在真实场景中的全线崩盘。
同时,现实世界的长尾问题纷繁复杂,只有在场景里摸爬滚打过,才能逐步满足交付标准。
技术和产品必须一起推进,光坐实验室里训模型是不行的,Get Hands Dirty是必须要做的事,在一线才能实现模型-部署-数据的闭环。
从这个角度看,量产部署本身,或许也是具身智能研发过程中不可或缺的一环。
过去几年,关于通用机器人的路线之争,常常围绕「人形」与「非人形」展开。
如今,Genesis AI提供了一个新的参照系:真正的分野,或许不在于外形,而在于研发范式。
物理世界里的AGI是一场远比大语言模型更煎熬、更漫长的攻坚战。
当一个系统复杂到一定程度,局部的优化终将遭遇瓶颈。只有将所有变量掌握在自己手中,作为一个整体去思考、设计和迭代,才可能实现突破。
计算机先驱Alan Kay曾在几十年前留下一句箴言:
真正认真对待软件的人,应该自己造硬件。
特斯拉造车如此,苹果做消费电子亦是如此。现在,越来越多像Genesis这样的具身智能公司正在证明:
造机器人,也必须是这样。
「全栈原生。」
在今天OpenAI,Anthropic也都开始押注机器人大脑的背景下,这或许是通往物理AGI的唯一路径。
AI Trends