收集50万小时真实世界操作数据需要多少成本？如果按照美国最低时薪15美元计算人工标注与采集成本，仅数据获取一项就需要75亿美元——这还不包括硬件、存储、清洗和训练的开销。这个数字揭示了一个残酷事实：具身智能（Embodied AI）的数据壁垒，从根本上不同于大语言模型（LLM）时代”爬取互联网即可获得训练语料”的范式。

2026年6月4日，总部位于加拿大的机器人AI公司Generalist AI宣布完成4亿美元融资，估值达到20亿美元，由Radical Ventures领投，Nvidia、Bezos Expeditions参投，斯坦福大学教授李飞飞（Fei-Fei Li）以个人身份支持。（来源: SiliconAngle, 2026-06-04）这不仅是2026年具身智能赛道最大的单笔融资之一，更标志着一个关键转折：资本市场正在为”物理AGI”（Physical AGI）这一概念支付真金白银的溢价。

问题是：这4亿美元究竟在买什么？答案不是一个机器人，不是一条产线，而是一个数据飞轮。

一、GEN-1：通用模型的”ChatGPT时刻”赌注

2026年4月，Generalist AI发布了其GEN-1模型——一个旨在让机器人完成”短物理任务”（short physical tasks）的通用基础模型。（来源: TechStreetNow, 2026-06-04）这个时间节点值得注意：GEN-1的发布距离本轮4亿美元融资仅2个月，意味着投资人在看到早期模型表现后迅速加注。

GEN-1的核心设计哲学是”通用性优先”——它不为某一特定机器人形态或特定任务定制，而是试图建立一个跨形态、跨任务的物理世界理解层。这与当前具身智能赛道的主流路径形成鲜明对比：

路径一：专用系统路径。 以Boston Dynamics和Tesla Optimus为代表。Tesla的Optimus机器人从特定的工厂装配任务出发，通过海量重复训练掌握有限任务集。Boston Dynamics的Atlas则从运动控制出发，逐步叠加操作能力。这条路径的优势是可以快速在垂直场景中展现成果，劣势是每进入一个新场景都需要大量重新训练。

路径二：通用基础模型路径。 以Generalist AI和Physical Intelligence为代表。这条路径试图先建立”理解物理世界的通用能力”，再向下适配具体任务和机器人形态。优势是一旦基础模型成熟，可以快速泛化到新场景；劣势是前期需要海量多样化数据，且验证周期长。

Generalist AI选择的是后者——而且是以一种极为激进的方式推进。

Forbes在2026年4月的报道中透露了Generalist AI的核心硬件创新：一套机器人训练手套（robot-training gloves），设计目标是让普通人——而非机器人专家——能够以低成本方式为AI系统提供物理操作示范数据。（来源: Forbes, 2026-04-02）这个设计选择的深层逻辑是：如果你需要数十万小时级别的真实世界操作数据（多位行业研究者估算通用物理AI所需数据规模在此量级，参见Google DeepMind RT-2团队2023年关于数据规模与机器人泛化能力关系的讨论），你不可能依赖昂贵的遥操作系统（teleoperation rigs）和专业操作员。你需要一个”众包物理数据”的基础设施。

这里有一个类比值得深思：OpenAI在2020年发布GPT-3时，其核心竞争力不是模型架构的独特性（Transformer已经开源），而是CommonCrawl等互联网文本数据的规模化处理能力。Generalist AI正在尝试在物理世界中复制这一逻辑——但物理数据的采集成本比文本数据高出数个数量级。

二、数据经济学：具身智能的”石油”与成本锚点

让我们拆解具身智能数据飞轮的经济学。

大语言模型的训练数据来源本质上是”免费”的：互联网上已经存在数万亿token的文本，采集成本几乎为零（主要成本在计算和清洗）。但物理世界的操作数据不存在这样的”天然矿藏”。每一秒的机器人操作数据都需要：

  1. 物理硬件：传感器、执行器、力反馈设备
  2. 人类示范者：提供操作示范的人员
  3. 环境多样性：不同物体、不同场景、不同光照条件
  4. 标注与验证：确认操作是否成功、力度是否合适

这意味着具身智能公司面临一个”冷启动困境”：没有足够数据就无法训练出好的通用模型，没有好的通用模型就无法吸引客户部署机器人，没有部署就无法获得更多真实世界数据。

Generalist AI的训练手套试图从源头打破这个循环。为了理解其潜在的成本优势，我们可以参照当前市场上的遥操作设备价格：Shadow Robot公司的Dexterous Hand遥操作系统售价超过10万美元一套；即使是较为简化的力反馈手套（如HaptX Gloves DK2），单套价格也在5000-10000美元区间。如果Generalist AI能将其训练手套的成本压缩到消费电子级别——比如数百美元一副——那么数据采集的单位成本将出现数量级的下降。截至本文发布时，Generalist AI尚未公开手套的具体售价，但Forbes报道中强调其设计目标是”让普通人都能使用”，这暗示价格定位远低于专业遥操作设备。

理论上，如果手套成本降至500美元以下且使用门槛足够低，可以动员大量非专业人士贡献操作数据——就像Amazon Mechanical Turk为早期NLP模型提供标注数据一样。

但这里存在一个关键的质量-数量权衡。Spirit AI——另一家具身智能公司，于2026年5月获得2.8亿美元融资——选择了一条截然不同的数据路径：它公开宣称自己的策略是利用”脏数据”（dirty data）来训练具身AI系统。（来源: PR Newswire, 2026-05-21）Spirit AI的核心论点是：物理世界的数据天然就是”脏”的——有噪声、有失败案例、有不完美的操作——而强大的模型应该能够从这些不完美数据中提取有效信号。

这两种路径的对比揭示了具身智能赛道当前最大的技术辩论：

高质量小数据 vs. 低质量大数据。

Generalist AI的手套设计暗示它倾向于收集结构化的、高质量的人类示范数据。Spirit AI则明确押注”脏数据”路线。这不是一个纯学术问题——它直接决定了数据飞轮的转速和成本结构。

还有第三种路径正在浮现。Human Archive——一家刚完成820万美元种子轮融资的初创公司——试图”建模人类具身智能”来训练机器人。（来源: The AI Insider, 2026-05-30）它的方法论是：不直接收集机器人操作数据，而是先建立人类身体运动和操作的计算模型，再将这些模型迁移到机器人系统。这本质上是一种”合成数据”路径——用计算替代物理采集。

三条路径，三个赌注，三种数据飞轮的设计哲学。但它们共享一个底层共识：谁先积累足够规模的物理世界数据，谁就掌握了具身智能的真正护城河。

三、Nvidia的第二战线：为什么在估值20亿时就入场

Nvidia参投Generalist AI的4亿美元融资，这个信号的重要性远超融资本身。（来源: TipRanks, 2026-06-04）

要理解Nvidia的逻辑，需要先理解其当前的商业结构：Nvidia的核心收入来自数据中心GPU，驱动力是云端AI训练和推理。根据Nvidia 2026财年Q1财报（截至2026年4月），其数据中心业务季度收入已超过260亿美元。但这个市场有一个结构性天花板——当LLM的scaling laws开始出现收益递减（这一趋势在2025年下半年已有广泛讨论，Epoch AI等研究机构发布了多篇关于”数据墙”的分析报告），Nvidia需要新的计算需求增长引擎。

具身智能恰好提供了这个引擎，而且是一个比LLM更”吃算力”的引擎。原因如下：

第一，训练维度更高。 语言模型处理的是1维序列（token sequence）。视觉语言模型增加了2维图像。但物理操作需要理解3维空间、力学、接触动力学——这意味着每个训练样本的计算密度远高于文本。

第二，实时推理要求。 一个聊天机器人可以接受几百毫秒的响应延迟，但一个正在执行精细操作的机器人需要毫秒级的控制循环。这意味着每台部署的机器人都需要本地的高性能推理芯片——而Nvidia的Jetson系列（最新的Jetson Thor平台专为人形机器人设计）正是面向这一市场。

第三，仿真需求。 在真实世界中收集数据太慢太贵，所以具身智能公司大量依赖物理仿真来生成训练数据。Nvidia的Omniverse平台和Isaac Sim正是为此设计的。每一家使用仿真来训练机器人的公司，都在为Nvidia的生态系统付费。

所以Nvidia投资Generalist AI的逻辑非常清晰：它不是在投一家机器人公司，而是在投一个会大量消耗GPU算力的数据飞轮。 如果Generalist AI成功，它的训练集群需要Nvidia的H100/B200系列GPU；它的仿真环境运行在Nvidia的Omniverse上；它部署的每台机器人都可能搭载Nvidia的边缘推理芯片。

这解释了为什么Nvidia愿意在估值仅20亿美元时就参与——截至2026年6月初，Nvidia的市值约为3.2万亿美元（来源: NASDAQ实时数据），20亿美元的投资标的对其而言几乎可以忽略不计，但它锁定了一个可能成为未来GPU消耗大户的生态合作伙伴。

Bezos Expeditions的参与则透露了另一层逻辑。（来源: Silicon Republic, 2026-06-04）Amazon是全球最大的仓储物流机器人用户之一，其仓库中已经部署了超过75万台机器人（Amazon 2024年年报数据）。但这些机器人大多执行简单的搬运任务，缺乏精细操作能力。一个通用的物理AI模型——如果真的能工作——对Amazon的价值是巨大的：它可以将机器人的能力从”搬箱子”升级到”拣货、打包、质检”等更复杂的任务，每年可能节省数十亿美元的人力成本。

四、数据飞轮 vs. Scaling Laws：物理世界的规律不同

在LLM领域，scaling laws（Kaplan et al., 2020, arXiv:2001.08361）建立了一个清晰的关系：更多参数 + 更多数据 + 更多计算 = 更好的性能，且这个关系呈现出可预测的幂律。这给了投资人信心——只要持续投入，模型就会持续变好。

但具身智能的scaling行为可能根本不遵循相同的规律。原因有三：

第一，物理世界的长尾分布更极端。 语言中的罕见词汇可能出现频率为百万分之一，但物理操作中的”极端情况”——比如一个形状不规则的物体在特定角度卡住——可能出现频率为十亿分之一，却在实际部署中造成灾难性失败。这意味着简单地增加数据量不一定能覆盖关键的长尾场景。Google DeepMind在其RT-2论文（2023）中已经观察到，机器人模型在面对训练分布外的物体时，泛化能力急剧下降。

第二，物理交互的不可逆性。 在语言模型中，一个错误的token可以被下一个token修正。但在物理世界中，一个错误的力度可能导致物体破碎、工具损坏或人员受伤。这意味着物理AI模型需要对不确定性有更强的校准能力——而这种能力可能不是简单通过scale up就能获得的。

第三，数据的分布偏移更严重。 一个在实验室中训练的机器人模型，部署到真实工厂时会面临光照变化、物体表面磨损、温度导致的材料属性变化等问题。这些分布偏移在语言模型中的对应物（比如从训练语料到用户实际输入的分布差异）要温和得多。

第四，物理约束的硬边界。 语言模型的错误通常是”软”的——一个不准确的回答不会造成物理损害。但机器人操作存在硬性物理约束：关节力矩极限、碰撞检测、重力、摩擦力。这些约束不能通过增加数据来”学会绕过”，它们是物理定律的刚性边界。这意味着纯数据驱动的方法可能需要与基于物理的先验知识（physics-informed priors）相结合。

这些差异意味着，具身智能的数据飞轮不能简单复制LLM的”暴力scale”策略。它需要的是：

  • 多样性优先于数量：100个不同场景各10小时的数据，可能比1个场景1000小时的数据更有价值
  • 主动学习：模型需要能够识别自己的知识盲区，并主动请求在这些盲区中收集新数据
  • 仿真-现实迁移：在仿真中生成海量数据，但通过少量真实数据校准仿真与现实的差距（sim-to-real transfer）
  • 失败数据的价值挖掘：与Spirit AI的”脏数据”理念一致，失败的操作尝试可能包含比成功操作更丰富的学习信号

Generalist AI的训练手套设计似乎瞄准了”多样性”这个维度——通过让大量不同的人在不同场景中提供示范，来最大化数据的多样性而非单纯的数量。

五、竞争格局：一场多维度的赛跑

2026年的具身智能赛道已经形成了清晰的竞争层次：

第一梯队：资金充裕的通用模型公司

  • Generalist AI：4亿美元融资，估值20亿美元，GEN-1通用模型 + 训练手套数据采集基础设施
  • Physical Intelligence（Pi）：2024年11月完成4亿美元融资（由Jeff Bezos、Thiel Capital等参投），2025年3月再获6亿美元融资，累计融资超过10亿美元，估值约40亿美元，是赛道中资金最充裕的玩家（来源: TechCrunch, 2025-03-13）
  • Figure AI：同样瞄准通用人形机器人，2024年完成6.75亿美元B轮融资，估值约26亿美元，更偏向硬件-软件一体化路径

第二梯队：差异化路径的挑战者

  • Spirit AI：2.8亿美元融资，”脏数据”路线，试图用更低成本的数据来训练可用的模型（来源: PR Newswire, 2026-05-21）
  • Human Archive：820万美元种子轮，”人类运动建模”路线，从人体运动学出发构建机器人训练数据（来源: The AI Insider, 2026-05-30）
  • Covariant（现已被Amazon收购）：专注仓储场景的机器人AI，代表了”垂直深耕”路线

第三梯队：科技巨头的内部项目

  • Tesla Optimus：依托Tesla的工厂场景和自有数据，走”垂直整合”路线。Elon Musk在2025年Q4财报电话会上宣称Optimus将在2026年开始有限量产
  • Google DeepMind Robotics：拥有RT-2、RT-X等研究成果，但商业化节奏不明确。其优势在于学术积累深厚，劣势在于缺乏大规模物理部署场景
  • Amazon Robotics：全球最大的机器人部署规模，但侧重内部使用而非通用模型。2024年收购Covariant表明其正在加速AI能力整合

这个格局中最值得关注的竞争维度不是”谁的模型更好”——因为在当前阶段，所有通用物理AI模型都还处于早期——而是谁的数据飞轮转得更快。

Generalist AI的独特定位在于：它同时投资了数据采集基础设施（训练手套）和模型能力（GEN-1）。这意味着它可以形成一个闭环：手套采集数据 → 数据训练模型 → 模型表现吸引更多用户 → 更多用户贡献更多数据。这与Tesla Optimus的”工厂部署收集数据 → 模型改进 → 更好的工厂表现”飞轮形成直接竞争。

但两者的飞轮速度取决于不同的瓶颈：Generalist AI的瓶颈是手套的分发规模和用户参与度；Tesla的瓶颈是Optimus的部署数量和任务多样性。Physical Intelligence的策略则介于两者之间——它通过与多家机器人硬件厂商合作来获取多样化数据，但不自建硬件。

六、李飞飞的角色：学术信誉的商业化

李飞飞（Fei-Fei Li）对Generalist AI的支持值得单独分析。（来源: Silicon Republic, 2026-06-04）作为ImageNet的创建者，李飞飞深刻理解”大规模数据集如何催生AI突破”这一范式。ImageNet在2012年引爆了深度学习革命——不是因为卷积神经网络是新发明（LeNet-5早在1998年就存在），而是因为ImageNet提供了足够规模和多样性的标注数据（超过1400万张标注图像，覆盖2万多个类别），让这些模型第一次能够展现出超越传统方法的性能。

值得注意的是，李飞飞本人在2024年联合创立了World Labs——一家专注于”空间智能”（spatial intelligence）的AI公司，首轮融资即达2.3亿美元。（来源: TechCrunch, 2024-09-13）World Labs的方向与Generalist AI有交集但不完全重叠：前者侧重于3D世界的理解和生成，后者侧重于物理操作的执行。李飞飞同时支持两家公司，表明她认为”物理世界AI”是一个足够大的赛道，可以容纳多个互补的玩家。

李飞飞支持Generalist AI，本质上是在押注”物理世界的ImageNet时刻”——一个足够大、足够多样化的物理操作数据集，可能催生出类似的能力跃迁。

但这里有一个关键差异：ImageNet是一个开放的学术数据集，任何人都可以使用；而Generalist AI的数据是私有的、商业化的。这意味着如果Generalist AI成功建立了数据壁垒，它将比ImageNet时代的任何公司拥有更强的护城河——因为竞争对手无法简单地”下载”同等质量的数据。

这也是为什么李飞飞的参与具有双重意义：她的学术声誉为Generalist AI的技术方向提供了背书，而她对”数据驱动AI突破”的深刻理解，可能在战略层面指导公司的数据采集优先级。

七、反面论证：为什么4亿美元可能不够

让我提出一个大多数媒体报道中缺失的视角：4亿美元对于建立真正的物理AGI来说，可能远远不够。

考虑以下计算（注：以下为基于公开行业数据的作者估算，非Generalist AI官方披露）：

  • 如果Generalist AI需要达到行业研究者估算的数十万小时级别真实世界数据规模
  • 即使训练手套大幅降低了单位数据采集成本——参照当前众包平台Scale AI的标注定价（复杂任务每小时50-200美元）和硬件折旧，假设每小时综合成本降至100美元
  • 50万小时 × 100美元 = 5000万美元仅用于数据采集
  • 训练计算成本：根据Epoch AI 2025年的估算，训练一个前沿大型多模态模型的计算成本在5000万-2亿美元之间（以H100集群每GPU小时约2-3美元计算）
  • 研发团队：参照同等规模AI公司（如Anthropic约1000人、Physical Intelligence约200人），假设200人的核心团队，硅谷AI人才平均年薪约50万美元（含股权），年人力成本约1亿美元
  • 硬件研发（手套迭代、传感器开发）：数千万美元

这意味着4亿美元大约可以支撑18-24个月的全速运营。如果GEN-1在这个时间窗口内无法展现出足够的商业价值来吸引下一轮融资，公司将面临资金压力。

对比之下，Tesla可以用其汽车业务的现金流（2025年全年自由现金流超过80亿美元）无限期地资助Optimus项目，而Google DeepMind背靠Alphabet的广告收入（2025年全年超过3000亿美元）同样没有融资压力。Physical Intelligence虽然也是独立公司，但其累计融资已超过10亿美元，跑道更长。这是Generalist AI作为独立创业公司在具身智能赛道面临的结构性劣势。

但这也正是Nvidia和Bezos Expeditions参投的战略意义：它们不仅提供资金，还提供了”如果需要更多钱，我们可以继续支持”的隐性承诺。在AI领域，投资人的身份往往比投资金额更重要——Nvidia和Bezos的背书大幅降低了Generalist AI未来融资的难度。

八、物理AGI的时间线：乐观与现实

Generalist AI在其融资公告中使用了”Physical AGI”这一术语。（来源: The AI Insider, 2026-06-04）这是一个需要谨慎对待的概念——它暗示的是一个能够在任何物理环境中完成任何物理任务的AI系统，这显然不是近期可以实现的目标。

更现实的时间线可能是：

2026-2027年：GEN-1及其竞品能够在受控环境中完成有限的短物理任务（如抓取、放置、简单装配）。商业价值主要体现在仓储物流的特定环节。参照Google DeepMind RT-2在2023年展示的能力水平（能够理解自然语言指令并执行简单抓取），GEN-1需要在泛化能力和操作精度上实现显著提升才能具备商业价值。

2028-2029年：如果数据飞轮成功运转，第二代/第三代模型可能能够处理更复杂的操作（如柔性物体操作、工具使用、多步骤任务规划）。商业场景扩展到制造业的更多环节。这一阶段的关键里程碑是”零样本泛化”——模型能否在从未见过的环境中完成从未训练过的任务。

2030年以后：真正的”通用物理智能”——如果能实现的话——可能开始处理家庭环境中的非结构化任务。但这一时间线存在极大不确定性。家庭环境的复杂度（物体种类无限、空间布局千变万化、安全要求极高）远超工业场景。

这个时间线的关键假设是数据飞轮能够持续加速。如果Generalist AI的训练手套未能实现预期的规模化分发，或者收集到的数据质量不足以支撑模型能力的持续提升，时间线可能大幅延后。

九、深层洞察：具身智能赛道的真正赢家可能不是机器人公司

这是大多数人没有看到的一层：

在LLM赛道中，谁是最大的赢家？不是OpenAI或Anthropic——它们仍在亏损（OpenAI 2024年亏损约50亿美元，据The Information报道）。最大的赢家是Nvidia（2025财年净利润超过600亿美元）和云计算厂商（卖算力）。模型公司承担了技术风险和资本消耗，而基础设施公司赚取了稳定的利润。

具身智能赛道可能重演这一模式。Generalist AI、Physical Intelligence、Figure AI等公司承担着巨大的技术风险——它们的模型可能成功，也可能不成功。但无论哪家公司最终胜出，它们都需要：

  • Nvidia的GPU用于训练和推理
  • Nvidia的仿真平台用于数据生成
  • 传感器和执行器供应商（如Intel RealSense、Robotiq等）的硬件
  • 云计算平台的存储和计算资源

这意味着Nvidia的投资策略是一种”无论谁赢，我都赢”的对冲：如果Generalist AI成功，Nvidia作为投资人和供应商双重获益；如果Generalist AI失败但其他公司成功，Nvidia仍然通过卖铲子获益。

这也解释了为什么Nvidia在具身智能赛道中广泛撒网——它不仅投资了Generalist AI，还通过其Inception计划和GTC大会生态系统与数百家机器人公司建立了合作关系。黄仁勋在2025年GTC大会上明确表示：”物理AI是AI的下一个前沿”，并发布了专为机器人设计的Jetson Thor计算平台。

但这里存在一个反面观点值得考虑：如果具身智能的发展速度远慢于预期呢？ 如果物理世界的复杂性使得通用物理AI在10年内都无法达到商业可用水平，那么Nvidia在这个方向上的生态投资可能面临回报周期过长的风险。不过，对于一家市值超过3万亿美元的公司来说，这种”期权式投资”的下行风险是可控的。

十、对投资者和从业者的启示

对VC投资者： 具身智能赛道的投资逻辑与LLM赛道有本质区别。LLM赛道的核心竞争力是”计算规模”（谁能烧更多钱训练更大模型），而具身智能赛道的核心竞争力是”数据采集基础设施”（谁能以更低成本获得更多样化的物理世界数据）。评估一家具身智能公司时，应重点关注其数据采集机制的可扩展性，而非模型架构的创新性。具体而言，需要回答三个问题：（1）数据采集的单位成本是多少？（2）数据的多样性如何保证？（3）数据飞轮的正反馈循环是否已经建立？

对技术从业者： 具身智能的”ChatGPT时刻”——如果存在的话——不会以相同的方式到来。ChatGPT之所以能快速获得用户，是因为文本交互的部署成本几乎为零（只需要一个网页）。但机器人AI的部署需要物理硬件，这意味着即使模型能力到位，规模化部署仍需要数年时间。这也意味着具身智能领域的人才需求结构不同于LLM——它不仅需要ML研究者，还需要机械工程师、控制系统专家、传感器工程师和人因工程师。

对科技巨头： Amazon、Google、Tesla等拥有大规模物理运营场景的公司，天然拥有具身智能赛道的数据优势。它们面临的选择是：自建通用模型（如Tesla Optimus），还是采购外部模型（如使用Generalist AI的GEN-1）。这个选择将在未来2-3年内变得更加紧迫。历史经验表明，科技巨头在”平台级技术”上倾向于自建（如云计算），但在”应用级技术”上更愿意采购或收购。具身智能的通用基础模型属于哪一类，目前尚无定论。

结论：物理AGI是一场10年战争，4亿美元只是开场

Generalist AI的4亿美元融资标志着具身智能赛道从”实验室研究”正式进入”工业化竞争”阶段。（来源: SiliconAngle, 2026-06-04）但与LLM赛道不同，这场竞争不会在2-3年内决出胜负。物理世界的复杂性、数据采集的高成本、部署的硬件依赖——这些因素决定了具身智能是一场10年级别的战争。

在这场战争中，Generalist AI的训练手套代表了一种可能改变游戏规则的创新：如果它真的能够以低成本、大规模地采集多样化的物理操作数据，它将建立起一个几乎不可复制的数据壁垒。但”如果”是一个很大的词——训练手套从概念到大规模部署之间，还有无数的工程挑战和市场推广难题。

对于整个行业而言，2026年的关键信号不是某一家公司的融资金额，而是资本市场已经开始为”物理世界数据”支付与”数字世界数据”同等级别的溢价。当投资人愿意为一个成立不久的机器人AI公司支付20亿美元估值时，他们不是在为今天的收入买单——他们是在为”物理世界的训练数据可能是下一个10年最稀缺的资源”这一信念下注。

最终，这场竞争的胜负可能不取决于谁的模型架构最优雅，而取决于谁能最快地将物理世界的无限复杂性转化为结构化的训练信号。在这个意义上，Generalist AI的4亿美元不是在买一个模型——它是在买一条通往物理世界数据垄断的道路。这条路是否走得通，将定义下一个十年的机器人产业格局。

参考资料

  1. Generalist AI raises $400M at $2B valuation to build general intelligence for robotics — SiliconAngle, 2026-06-04
  2. Nvidia, Fei-Fei Li back Generalist’s $400m round to scale AI robotics — Silicon Republic, 2026-06-04
  3. Generalist Is Betting Its Robot-Training Gloves Will Usher In Robotics’ ChatGPT Moment — Forbes, Anna Tong, 2026-04-02
  4. Spirit AI Lands $280M to Scale Embodied AI Through “Dirty Data” — PR Newswire, 2026-05-21
  5. Human Archive Raises $8.2M in Seed Round Funding to Model Human Embodied Intelligence to Train Robots — The AI Insider, 2026-05-30
  6. Nvidia-Backed Generalist AI Hits $2 Billion Valuation as Robotics Startup Secures $400 Million Funding — TipRanks, 2026-06-04
  7. Robotics startup Generalist raised $400M led by Radical Ventures at a $2B valuation — TechStreetNow, 2026-06-04
  8. Physical Intelligence raises $400 million in funding round led by Jeff Bezos and Thiel Capital — TechCrunch, 2024-11-04
  9. Scaling Laws for Neural Language Models — Kaplan et al., arXiv, 2020-01-23
  10. Fei-Fei Li’s World Labs raises $230 million — TechCrunch, 2024-09-13