Generalist AI, ein führendes Unternehmen im Bereich der physischen künstlichen Intelligenz, hat eine neue Finanzierungsrunde in Höhe von 400 Millionen US-Dollar abgeschlossen. Diese beträchtliche Investition erhöht das Gesamtkapital des Unternehmens auf über 500 Millionen US-Dollar. Das frische Kapital soll in den Ausbau der physischen Daten-Engine und der Trainingsinfrastruktur fließen, um die Entwicklung hardwareunabhängiger physischer Intelligenz voranzutreiben.
Die Finanzierungsrunde wurde von Radical Ventures angeführt. Weitere namhafte Investoren sind NVentures von NVIDIA, Bezos Expeditions sowie prominente Technologie-Angels wie Fei-Fei Li und Eric Yuan. Die Investition erfolgt nur zwei Monate nach der Einführung des kommerziell ausgerichteten GEN-1-Modells von Generalist AI, das einen entscheidenden Schritt in Richtung praktischer Anwendbarkeit von Robotik-Grundlagenmodellen darstellt.
Wichtige Erkenntnisse
- Generalist AI erhält 400 Millionen US-Dollar neue Finanzierung, Gesamtkapital über 500 Millionen US-Dollar.
- Investoren sind Radical Ventures, NVentures, Bezos Expeditions und prominente Angels.
- Das Kapital wird für den Ausbau der Daten-Engine und Trainingsinfrastruktur genutzt.
- Fokus liegt auf einer "Intelligenzschicht" für verschiedene Roboterformen.
- Das GEN-1-Modell zeigte eine Erfolgsquote von 99% bei unstrukturierten Aufgaben.
Beschleunigter Wettbewerb in der physischen KI
Der Zustrom von Kapital in den Sektor der physischen künstlichen Intelligenz hält unvermindert an. Generalist AI, ein Pionier bei der Entwicklung von Robotik-Grundlagenmodellen von Grund auf, hat sich mit dieser Finanzierung als eines der am besten finanzierten unabhängigen Softwareunternehmen in der modernen Robotik etabliert.
Neben Radical Ventures beteiligten sich auch 8VC, Union Square Ventures, Hanabi Capital und Norwest als neue institutionelle Investoren. Bestehende Geldgeber wie NVentures von NVIDIA, Boldstart Ventures, Spark Capital, Bezos Expeditions und NFDG stockten ihre Investitionen ebenfalls deutlich auf.
Zahlen und Fakten
- 400 Millionen US-Dollar: Neue Finanzierungsrunde.
- Über 500 Millionen US-Dollar: Gesamtkapital von Generalist AI.
- 99% Erfolgsrate: GEN-1-Modell bei unstrukturierten Aufgaben.
- 500.000 Stunden: Reale Interaktionsdaten für GEN-1.
Die Runde wurde zusätzlich durch hochkarätige Angel-Investoren verstärkt, darunter Eric Yuan, CEO von Zoom, Bin Lin, Mitbegründer von Xiaomi, die Pionierin der räumlichen Intelligenz Fei-Fei Li und Naval Ravikant. Dieses Kapital ist entscheidend für die aggressive Skalierung der Recheninfrastruktur und die Erweiterung der physischen Daten-Engine.
Strategische Investitionen und Branchenpartnerschaften
Die Mittel werden direkt eingesetzt, um die Rechenkapazitäten zu erweitern und die physische Datenerfassung zu verbessern. Gleichzeitig sollen Partnerschaften in verschiedenen Branchen vorangetrieben werden, von Fabrikhallen bis hin zu Forschungslaboren. Generalist AI positioniert seine Software als eine übergreifende "Intelligenzschicht" für eine Vielzahl von Roboterformen.
"Die entscheidende Technologie wird die Intelligenz sein, die über Formfaktoren, Umgebungen und Anwendungen hinweg funktioniert", so das Unternehmen.
Dieser Ansatz, sich nicht auf eine einzige Hardware zu konzentrieren, sondern eine flexible Softwarelösung anzubieten, ist ein Kernbestandteil der Strategie von Generalist AI. Dies ermöglicht es der Software, in Humanoiden, Industrierobotern und mobilen Plattformen gleichermaßen eingesetzt zu werden.
Das GEN-1-Modell: Ein Schritt zur Kommerzialisierung
Die Finanzierung kommt zu einem wichtigen Zeitpunkt für Generalist AI. Erst vor zwei Monaten stellte das Startup GEN-1 vor, ein Grundlagenmodell, das nach Angaben des Unternehmens den Übergang vom Forschungsprototyp zur echten "kommerziellen Rentabilität" markiert. Dieser Schritt ist entscheidend für die Akzeptanz von KI in der realen Welt.
Hintergrund: Grundlagenmodelle in der Robotik
Grundlagenmodelle sind große KI-Modelle, die auf riesigen Datenmengen trainiert werden und eine breite Palette von Aufgaben bewältigen können. In der Robotik ermöglichen sie Robotern, komplexe physische Interaktionen zu lernen und auszuführen. Im Gegensatz zu älteren, auf spezifische Aufgaben zugeschnittenen Robotersystemen bieten Grundlagenmodelle eine höhere Anpassungsfähigkeit und Generalisierungsfähigkeit.
Generalist AI berichtet, dass GEN-1 eine beeindruckende Erfolgsquote von 99 % bei unstrukturierten Aufgaben zeigte. Zudem führte das Modell Bewegungen bis zu dreimal schneller aus als frühere Systeme. Diese Leistungssteigerung ist ein klares Zeichen für die Fortschritte in der physischen KI.
Der datengesteuerte Ansatz von Generalist AI
Generalist AI setzt auf einen sich selbst verstärkenden Daten-Kreislauf: Die Skalierung des Roboter-Lernens führt zu kompetenteren Modellen. Diese Modelle wiederum erledigen praktische Aufgaben für Unternehmen. Die dabei gewonnenen Randfalldaten aus realen Geschäftsumgebungen fließen dann zurück in das Training der nächsten Systemgenerationen.
Dieser datengetriebene Fokus unterstreicht den Ansatz von Generalist AI zur Maschinenintelligenz. Während ein Großteil des Robotiksektors zu "LLM-gesteuerten" Designs tendiert – die auf bereits existierende Vision-Language-Modelle als Denkgerüst setzen – hat Generalist AI bewusst auf das verzichtet, was sie als "VLA-Krücke" bezeichnen.
CEO Pete Florence argumentiert, dass echte physische Beherrschung native Grundlagenmodelle erfordert, die überwiegend von Grund auf mit physischer Interaktion trainiert werden. Dies ist ein Kontrast zur Anpassung von Modellen, die ursprünglich für Internettexte entwickelt wurden.
Von GEN-0 zu physikalischer Intelligenz im Internet-Maßstab
Der rasche Aufstieg von Generalist AI basiert auf einem ambitionierten Skalierungsplan. Bereits im November letzten Jahres führte das Unternehmen GEN-0 ein. Dieses Modell zeigte, dass vorhersagbare Skalierungsgesetze auch in der Robotik gelten, sobald Modelle eine kritische Schwelle von 7 Milliarden Parametern überschreiten.
Bei dieser Größenordnung beobachtete Generalist AI einen "Phasenübergang", bei dem die Modelle aufhörten, zu versteinern, und stattdessen begannen, grundlegende physikalische Eigenschaften zu verinnerlichen. Dies war ein entscheidender Moment in der Entwicklung.
Die Bedeutung proprietärer Datensätze
Ein Schlüssel zu dieser Trainingsmethodik ist der proprietäre Datensatz von Generalist AI. Dieser Datensatz wuchs von 270.000 Stunden während der GEN-0-Ära auf über 500.000 Stunden realer Interaktionsdaten für GEN-1 an. Das Team erreicht diese hochwertige Datenerfassung durch leichte, tragbare "Datenhände".
Diese "Datenhände" umgehen die traditionelle Verzögerung der Teleoperation. Sie ermöglichen menschlichen Bedienern, die "Mikrokorrekturen" und Reflexe nahtlos zu protokollieren, die für die Forschung von Andy Zeng zur physischen Allgemeinbildung von zentraler Bedeutung sind. Die Verwaltung dieses riesigen Datenbestands bleibt ein technisches Alleinstellungsmerkmal.
Anstatt sich nur auf Brachialgewalt zu konzentrieren, setzte Generalist AI bereits zuvor auf fortschrittliche Vortrainings-Datenmischungen. Sie verfolgten die semantische Breite mithilfe benutzerdefinierter t-SNE-Mapping-Tools. Dies stellte sicher, dass ihre Modelle verallgemeinerte Problemlösungen lernen und nicht nur stumpfes Auswendiglernen.
Wette auf Hardware-agnostische Software
Es ist wichtig zu betonen, dass Generalist AI keine eigene Hardware baut. Der Fokus des Unternehmens liegt auf der Softwareentwicklung. Der Blogbeitrag des Unternehmens unterstreicht, dass die Zukunft der Robotik ein breites Spektrum von Formfaktoren umfasst. Dazu gehören Humanoide in Haushalten, Roboterarme in Montagelinien, mobile Lagerplattformen und autonome Luft- und Raumfahrtsysteme.
Diese hardwareunabhängige Haltung positioniert Generalist AI im direkten Wettbewerb mit finanzstarken Software-Rivalen wie Physical Intelligence (Pi), die ebenfalls massive Finanzierungsrunden erhalten haben, um eine universelle Intelligenzschicht für Drittanbieter-Robotik zu entwickeln.
Mit den 400 Millionen US-Dollar hat Generalist AI die finanzielle Grundlage geschaffen, um um knappe Rechenressourcen und erstklassige KI-Talente zu konkurrieren. Während diese Modelle in realen kommerziellen Pilotprojekten eingesetzt werden, steht das Unternehmen jedoch vor der Herausforderung der "Embodied Alignment". Es muss sichergestellt werden, dass die in Forschungsumgebungen gelobte "improvisatorische Intelligenz" sicher und vorhersehbar in volatilen kommerziellen Umgebungen funktioniert.
