PFN CEO 冈野原大辅：GEN-1.5 是机器人界的 GPT-3 时刻，商用部署需 99.99%

东京时间 8 月 21 日上午 8 点 14 分（UTC 8 月 20 日 23:14），Preferred Networks 联合创始人兼 CEO 冈野原大辅（Daisuke Okanohara，X 账号 @hillbig），深度解读机器人基座模型。他确认，GEN-1.5 能仅凭 3–12 秒的单次演示、在不更新任何模型参数的情况下执行此前未见过的操作任务，10 个未知任务的平均成功率 59%。

他把这一刻比作语言模型界的 GPT-3 登场，同时用一组算术给出量化质疑：10 秒一个作业周期、24 小时连续运行，99.99% 的成功率仍意味着日均约 0.86 次失败；要平均每天失败少于一次，成功率需要约 99.99%，若要求几乎每天零失误，则要 99.9999% 以上。验证与质疑，出现在同一条推文里。

一段 3–12 秒演示，不更新参数，成功率 59%

冈野原在推文中复述了 GEN-1.5 的核心机制：与以往机器人基座模型"每个新任务都要追加训练"的做法不同，GEN-1.5 只需把数秒演示当作上下文（Generalist 称之为 Physical Prompting，物理提示），就能当场执行新动作。他列举的示例任务包括拉开拉链、拧开瓶盖、从容器倒出物体、从钱包取出纸币，每个任务只给模型看 3–12 秒演示，模型参数不做任何更新。

"现在报告的精度是 10 种未知任务平均 59% 的成功率，"他写道，"对实用来说还是低水平，但意义在于：对未知任务，无需追加学习就能以闭环控制执行。"

Generalist 的发布博客给出了同样的数字和更细的口径：10 个多样化任务上，one-shot in-context prompting 平均成功率 59%（标准差 ±10%）；在 few-shot 设置下，每任务 5 分钟数据（约 50 次演示）、10 步梯度更新后，成功率升至 83%（±9%）。博客同时承认，任务本身简单、时程短，成功率并不高。GEN-1.5 是一个大尺度多模态模型，处理 30 秒视频记忆（连同传感器、语言和本体感觉输入），输出 100 Hz 的动作轨迹。

"GPT-3 时刻"的根据：50 万小时真实动作数据

"这是与 LLM 中 GPT-3 登场时相同的瞬间，"冈野原写道，"在数十万小时规模的动作数据上预训练之后，当场适应新任务的能力开始显现。"

这个类比不是他一个人的。Generalist 博客开篇就拿 GPT-3 做参照：语言模型的 one-shot 上下文学习是 GPT-3 的标志性能力（广泛语言任务上 one-shot 平均约 45% 准确率、few-shot 约 65%）；GEN-1.5 是"我们所知的第一个"在广泛灵巧闭环物理任务上涌现 one-shot/few-shot 学习能力的模型，而且这些能力没有任何显式训练痕迹：没有为上下文学习改架构，没有内层或外层 meta-learning 循环，没有辅助目标。

规模数字来自冈野原推文援引的过往公开信息：GEN-1 时代就使用了超过 50 万小时、由人类穿戴设备采集的真实世界动作数据，预训练约 9 个月；预训练规模扩大使 Next Action Prediction Error（下一动作预测误差）下降，并与实机任务成功率改善相关。GEN-1.5 的预训练则已连续运行超过 8 个月。

冈野原特别强调了一个反直觉的结果：预训练不含任何仿真数据，但把仿真中录制的演示作为上下文提示，模型能在真机上执行。结合"人演示、机器人执行"的案例，他认为模型不像是在复制演示轨迹，更像在推断要达成的目的和技能、针对当前状况生成动作，可以用"从上下文推断潜在任务的 Bayesian Meta-Learning"来理解。博客还把演示选择做成了拖拽界面，并展示两个不同任务的演示可以组合成一段连续行为，冈野原由此推断，未来机器人的程序可能写成 Physical Prompt 的组合。

日均 0.86 次失败：商用部署的算术题

推文后半部分，冈野原把话题从能力里程碑转到现场实用，算了一笔账：

10 秒完成一次作业、24 小时连续运行，每天 8,640 次，全年约 315 万次；
成功率 99%，平均每天失败约 86 次；
成功率 99.99%，平均每天仍失败约 0.86 次。

"因此，仅要求平均每天失败少于一次，就需要约 99.99% 的成功率；如果要求几乎每天一次都不失败，则需要 99.9999% 以上。"

他也列出了可以放宽要求的条件：失败不致命、能自主恢复到原状态、后道工序能检查成功与否。但他随即补了一句："很多真实世界作业连简单重置状态都很难，多工序任务里，每道工序的精度都要足够高，整体成功率才上得去。"对照 GEN-1.5 当前 one-shot 59%、few-shot 83% 的水平，失败率从 41% 降到 0.01%，是几千倍的差距。

把例外留给人类：他开出的实用化路线

在冈野原看来，GEN 系列本身已经大幅压缩了部署成本。GEN-1 时代，基座模型学会一个新任务还需要约 1 小时追加数据；GEN-1.5 把这一步压缩成上下文学习。博客的 few-shot 实验更极端：1–10 个梯度步、1–5 分钟数据即可适应新任务，10 步后权重变化不到 0.15%，单步（1 分钟数据）在某个留出任务上就能达到 66.5%。

后续把成功率推上去，他给出的路径是"LLM 式"的：继续扩大预训练，在 In-Context Learning 之外叠加 Fine-tuning，再像 LLM 一样加入 SFT、RL 等事后训练。

在模型精度追上来之前，他建议用环境设计补位：人与机器人一起作业、人类只负责例外处理，或者把机器人限定在失败容易检测和恢复的工序上。"一段时间内，在推进模型精度提升的同时，如何设计'即使不完美的机器人也能产生价值'的作业环境，也是实用化的重要课题。"这是他推文的最后一段判断。

"谨慎乐观，但这是机器人界的好日子"

在冈野原发文前约 7 个半小时（UTC 8 月 20 日 15:48），NVIDIA Director of Robotics & Distinguished Scientist、GEAR 实验室联合负责人 Jim Fan（@DrJimFan），两份解读各自独立成文。Jim Fan 说围绕 GEN-1.5 的 hype 浪潮"理所当然"（rightfully so），对 Pete 与 Andy 的执行力表示敬意；他把能力来源归因于人类采集数据中天然重复的动作模式（对称结构与失误后的恢复），并认为 UMI 式"人直接穿戴夹爪采集数据"会取代遥操作。

与冈野原"GPT-3 时刻"的定性相比，Jim Fan 的措辞更谨慎："我持谨慎乐观。不过，这仍是机器人领域的好日子。"

冈野原在推文里留下一处留白：GEN-1.5 的训练细节，本次发布文章并没有充分披露，他能转述的仍只是 Generalist 报告的数字。Generalist 自己则写道，预训练曲线"还没有看到在哪里见顶"。

参考链接

冈野原大辅的推文：
Generalist 博客《GEN-1.5: Embodied Foundation Models are One-Shot Learners》：
Jim Fan 的推文：