Generalist AI har udgivet GEN-1.5, en robot-foundation-model, der kan lære en ny fysisk opgave fra blot én demonstration. Ved at lægge 3-12 sekunders sensorimotorisk data i modellens 30-sekunders kontekstvindue kan robotten udføre opgaven – uden gradient-opdateringer, finjustering eller opgavespecifik programmering. På tværs af 10 forskellige manipulation-opgaver opnåede modellen en gennemsnitlig succesrate på 59% med one-shot in-context prompting, ifølge MarkTechPost.
For beslutningstagere i automation og robotik er dette et skridt mod at reducere omkostningerne og kompleksiteten ved at implementere robotter i nye produktionsmiljøer. Traditionelt kræver robotautomatisering omfattende programmering eller træning for hver ny opgave. GEN-1.5's tilgang – hvor en kort demonstration er tilstrækkelig – kan potentielt ændre, hvordan virksomheder vurderer robotinvesteringer, især i fleksible eller små produktionsserier.
Modellen bygger på en voksende tendens inden for robotik: at bruge store, prætrænede modeller til at generalisere på tværs af opgaver uden specialiseret tilpasning. Selvom succesraten på 59% indikerer, at teknologien stadig er under udvikling, er potentialet for at accelerere deployment og sænke barrieren for adoption betydeligt.
