Robotics-стартап Generalist получил оценку в $3 млрд после того, как привлёк около $200 млн дополнительного финансирования, возглавляемого фондом 8VC. Это расширение уже объявленного в июне Series B раунда на $400 млн, проведённого Radical Ventures при оценке $2 млрд. В итоге раунд B собрал $600 млн — солидная цифра для стартапа, основанного всего два года назад.

Generalist основана в 2024 году тремя ветеранами AI и робототехники: Пит Флоренс и Энди Зэнг из Google DeepMind, а также Эндрю Барри из Boston Dynamics. Инвесторский синдикат включает Nvidia, Union Square Ventures, Bezos Expeditions и выдающегося исследователя Фэй-Фэй Ли. Стартап до недавнего времени работал достаточно тихо, без особого медийного шума.

Компания разрабатывает foundation model для роботов — универсальную AI-модель, которая может работать с разными платформами и форм-факторами. Недавно представленная Gen 1.5 способна научить робота новым задачам по видеодемонстрации длиной 3–12 секунд. Это именно то, что принято называть обобщением: робот учится из минимальных примеров, а не заучивает программу для каждого отдельного случая. Пока стартап работает с ограниченным числом клиентов, собирая обратную связь для уточнения модели под конкретные сценарии.

Generalist далеко не одна в этой гонке. Прямые конкуренты — Physical Intelligence (оценка $11 млрд), Skild AI с поддержкой SoftBank ($14 млрд) и Genesis AI (поднимала капитал на оценке в $3 млрд). Волна финансирования в секторе отражает ставку инвесторов на то, что робототехника может переживать собственный «ChatGPT-момент» — когда роботы станут выполнять общие задачи без специальной подготовки для каждой из них. Однако сами венчурные капиталисты осторожнее: в отличие от LLM, обучаемых на всём интернете, роботы тренируются на ограниченных датасетах. По оценкам, по-настоящему универсальная модель для робототехники может потребовать ещё несколько лет разработки.

Контекст здесь важен: волна финансирования AI-моделей для роботов началась после успеха больших языковых моделей, но механика принципиально отличается. Робот не может «учиться» на всём интернете — ему нужны реальные данные от реальных манипуляций с объектами. Это означает, что масштабирование знаний идёт медленнее. Тем не менее, инвесторы видят подтверждение концепции: роботы, обученные на видеодемонстрациях, уже справляются с некоторыми практическими задачами. Вопрос в том, когда это станет достаточно универсально и надёжно для массового внедрения.

Для российского бизнеса такие разработки становятся релевантны в том числе через призму логистики, производства и сортировки. Компании, которые сейчас полагаются на ручную подготовку роботов для каждого нового процесса, смогут потенциально переходить на обучаемые модели — или хотя бы их комбинации с существующей автоматизацией. Кроме того, российские разработчики в сфере автоматизации производства могут интегрировать такие модели как часть собственных решений. На практике это означает возможность проектировать более гибкие производственные линии, где робот переучивается за часы, а не перестраивается за недели.