Generalist GEN-0

Generalist AI의 대규모 실제 데이터 기반 Embodied Foundation Model

Generalist GEN-0

Home > Models > Generalist GEN-0

핵심 의의

  • 로보틱스 스케일링 법칙 발견 주장: LLM처럼 데이터/컴퓨트 증가에 따른 예측 가능하고 일관된 성능 향상 관찰
  • 역대 최대 실제 데이터: 270,000시간의 실제 물리적 상호작용 데이터 - 시뮬레이션이나 인간 비디오가 아닌 순수 로봇 데이터
  • 7B 파라미터 임계점: 1B에서는 “경직화”, 7B+에서 데이터 내재화와 지속적 개선 관찰 - 로보틱스의 GPT-3 모멘트 가능성
  • Harmonic Reasoning: System 1-2 구조 대신 감지와 행동의 연속 스트림 간 “조화로운 상호작용” - 대규모 스케일링에 적합
  • 다양한 실제 환경 데이터: 가정, 베이커리, 세탁소, 창고, 공장 등 실제 다양한 환경에서 수집
  • 실제 데이터 우위 주장: 시뮬레이션 vs 실제 데이터 논쟁에서 실제 데이터의 중요성 강조
  • 팀 배경: OpenAI(GPT-4), DeepMind(RT-2), Boston Dynamics(Atlas) 출신으로 구성

GEN-0 Scaling Law

GEN-0 스케일링 법칙: 데이터/컴퓨트 증가에 따른 예측 가능한 성능 향상

Overview

GEN-0는 Generalist AI가 2025년 11월 발표한 embodied foundation model로, 시뮬레이션이나 인간 비디오가 아닌 실제 물리적 상호작용 데이터로 학습되었습니다. 270,000시간의 실제 데이터로 로보틱스 분야 최초의 스케일링 법칙을 발견했다고 주장합니다.

항목내용
발표2025년 11월 4일
회사Generalist AI
블로그generalistai.com/blog/nov-04-2025-GEN-0
핵심 주장로보틱스 스케일링 법칙 발견

Training Data

역대 최대 규모의 실제 조작 데이터셋:

항목내용
데이터 양270,000+ 시간
소스실제 물리적 상호작용
환경가정, 베이커리, 세탁소, 창고, 공장 등
태스크감자 깎기부터 볼트 조이기까지

GEN-0 Data Size Comparison

GEN-0 데이터 규모: 기존 VLA 대비 압도적인 실제 데이터 양

Key Findings

로보틱스 스케일링 법칙

LLM처럼 로보틱스에서도 예측 가능한 스케일링 법칙 발견:

  • 사전학습 데이터 ↑ → 성능 ↑
  • 컴퓨트 ↑ → 성능 ↑
  • 일관되고 예측 가능한 향상

지능 임계점 (Phase Transition)

파라미터현상
1B복잡한 데이터 흡수 실패, “경직화”
7B+데이터 내재화, 지속적 개선, 적은 후속 학습으로 새 태스크 적응

Architecture: Harmonic Reasoning

System 1-System 2 구조에 의존하지 않는 새로운 접근:

특징설명
핵심감지(seeing)와 행동(moving)의 연속 스트림 간 “조화로운 상호작용”
장점매우 큰 모델 크기로 스케일 가능
지원 로봇6, 7, 16+ 자유도 로봇에서 테스트

Cross-Embodiment

설계 단계부터 다양한 로봇 형태 지원.

Team Background

Generalist AI 팀의 이전 경력:

출신기여
OpenAIChatGPT, GPT-4 스케일링
Google DeepMindPaLM-E, RT-2 개발
Boston DynamicsAtlas, Spot, Stretch
기타자율주행 기반 기술

Significance

GEN-0의 주장이 사실이라면:

  • 로보틱스도 LLM처럼 스케일링 가능 증명
  • 스케일업에 대한 경제적 정당성 제공
  • 시뮬레이션 vs 실제 데이터 논쟁에서 실제 데이터 우위 주장
  • 7B 파라미터가 로보틱스의 GPT-3 모멘트 될 수 있음

References

See Also