Generalist AI warte 3 mld USD. „Mózgi dla robotów” przyciągają setki milionów

Rynek zaczyna wyceniać „mózgi dla robotów” jak osobną kategorię. Generalist AI nie buduje własnego humanoida. Rozwija foundation model, który ma działać na różnych platformach i szybko uczyć się nowych zadań z demonstracji. To właśnie ta warstwa przyciąga kolejne setki milionów dolarów.

Nowe 200 mln USD to rozszerzenie wcześniejszej rundy

TechCrunch, powołując się na dwie osoby znające transakcję i regulacyjny filing, podaje wycenę Generalist AI na 3 mld USD. Świeży kapitał to prawie 200 mln USD prowadzone przez 8VC. Ma to być rozszerzenie czerwcowej Series B o wartości 400 mln USD, co podnosi łączny rozmiar rundy do około 600 mln USD.

Generalist i 8VC nie odpowiedziały TechCrunchowi na prośbę o komentarz. Dlatego wycena 3 mld USD nie jest oficjalnym komunikatem spółki. Finansowanie jest jednak wsparte filingiem, a wcześniejsza runda 400 mln USD była publicznie ogłoszona.

Generalist nie buduje własnego humanoida

To najważniejsze rozróżnienie. Firma chce budować foundation model działający na różnych robotach, dłoniach i platformach mobilnych. Jeżeli taki software okaże się rzeczywiście przenośny, producenci hardware’u nie będą musieli rozwijać całej warstwy inteligencji samodzielnie. Wartość może więc powstać w warstwie „robot brain”, podobnie jak systemy operacyjne i modele foundation tworzyły osobne kategorie w komputerach i AI.

Generalist ma korzenie w Google DeepMind i Boston Dynamics. Sam rodowód zespołu nie jest dowodem przewagi produktu, ale tłumaczy, dlaczego inwestorzy traktują firmę jako zakład na generalizację, a nie kolejnego producenta ramienia lub humanoida.

GEN-1.5: mocna obietnica, ale własny benchmark firmy

W sierpniu Generalist pokazał GEN-1.5. Model ma przyjmować 3–12 sekund pojedynczej demonstracji w kontekście i wykonywać nowe zadanie bez gradient updates. W wewnętrznym zestawie 10 zadań firma raportuje średnio 59% skuteczności one-shot. Po kilku przykładach i krótkiej adaptacji wynik ma rosnąć do 83%.

Generalist sam zaznacza, że zadania są proste i krótkiego horyzontu, a one-shot performance pozostaje kruche. To ważne: 59% sukcesu w krótkich manipulacjach nie oznacza jeszcze robota, któremu można pokazać cały proces magazynowy i zostawić go na zmianę bez nadzoru. Nie ma również niezależnego benchmarku porównującego GEN-1.5 z Physical Intelligence, Skild AI czy innymi foundation models na identycznym hardware i danych.

Dlaczego inwestorzy płacą za warstwę inteligencji

Kapitał płynący do Generalist, Physical Intelligence i Skild AI pokazuje zmianę sposobu myślenia o rynku. Przez kilka lat największą uwagę przyciągały humanoidy jako produkty. Teraz coraz więcej pieniędzy trafia do firm, które chcą dostarczać inteligencję dla cudzych robotów.

Jeżeli generalizacja pomiędzy embodimentami naprawdę zadziała, ekonomika będzie atrakcyjna: jeden model może być sprzedawany do wielu flot i zastosowań bez budowania własnej fabryki mechanicznej. Jeżeli transfer pozostanie słaby i każde wdrożenie będzie wymagało dużej ilości danych klienta oraz fine-tuningu, model biznesowy zacznie przypominać bardziej usługę integracyjną niż skalowalną platformę software.

Co to znaczy dla Europy

Europejscy producenci robotów są mocni w hardware, safety i automatyce przemysłowej, ale często nie mają budżetów porównywalnych z amerykańskimi laboratoriami foundation-model. Dostęp do hardware-agnostic „mózgu” mógłby obniżyć barierę wejścia w bardziej elastyczną autonomię.

Jednocześnie przedsiębiorstwa w UE będą wymagały odpowiedzi o lokalnym przetwarzaniu danych, odpowiedzialności za błędne działania modelu i możliwości walidacji po aktualizacji software’u. W naszym przewodniku humanoidów 2026 dlatego coraz mocniej rozdzielamy hardware od warstwy AI.

Sources and methodology

Finansowanie i wycena: TechCrunch, 25.08.2026. Możliwości modelu: Generalist — GEN-1.5. Wycena 3 mld USD pochodzi ze źródeł TechCrunch i nie została oficjalnie potwierdzona przez Generalist. Wyniki 59% i 83% są benchmarkami producenta.

One-shot learning jest atrakcyjne, bo robotów nie da się programować zadanie po zadaniu

Jeżeli robot ma trafić do tysięcy różnych magazynów i fabryk, klasyczne programowanie każdej nowej czynności staje się wąskim gardłem kosztowym. Model, któremu operator pokazuje zadanie przez kilka sekund, a następnie robot próbuje je wykonać, może radykalnie skrócić integrację. To właśnie dlatego wyniki GEN-1.5 są interesujące mimo że zadania benchmarkowe są krótkie: firma próbuje przesunąć programowanie robota z kodu w stronę demonstracji fizycznej.

Jednocześnie 59% średniej skuteczności po jednej demonstracji nie jest poziomem gotowym do większości procesów przemysłowych. W produkcji lub logistyce 41% nieudanych prób byłoby nieakceptowalne bez dodatkowych zabezpieczeń, człowieka w pętli i procedur recovery. Nawet 83% po niewielkim dostrojeniu nadal pokazuje skalę różnicy między ciekawym modelem badawczym a systemem o niezawodności wymaganej na linii produkcyjnej. Generalist sam podkreśla krótki horyzont i kruchość obecnych zadań.

Wycena 3 mld USD jest informacją rynkową, nie komunikatem spółki

Najbardziej nośna liczba z tej historii — 3 mld USD — pochodzi ze źródeł TechCrunch i nie została formalnie ogłoszona przez Generalist ani 8VC. Dlatego RoboMorrow nie traktuje jej jak audytowanej valuation. Istotniejsze jest to, że duży kapitał płynie do warstwy software niezależnej od konkretnego humanoida. Jeśli foundation models staną się przenośne między wieloma platformami, część wartości rynku może powstać w firmach będących „mózgiem” robotów, a nie ich producentem mechanicznym.

Co powinno przekonać rynek bardziej niż kolejna runda

Najmocniejszym dowodem dla Generalist nie będzie następna wycena, lecz pokazanie tego samego modelu na wielu typach robotów i w długich, nieprzygotowanych zadaniach. Jeżeli GEN-1.5 lub jego następcy potrafią przenieść umiejętność między różnymi ramionami, chwytakami i środowiskami bez dużego retrainingu, firma może zbudować realną warstwę software niezależną od hardware. Jeżeli za każdym razem potrzebne będą duże ilości danych specyficznych dla jednego robota, przewaga będzie znacznie mniejsza.

Warto też obserwować ekonomię adaptacji. „Kilka minut demonstracji” brzmi świetnie, ale w przedsiębiorstwie liczy się cały proces: przygotowanie sceny, bezpieczeństwo, walidacja, monitoring i utrzymanie po zmianie produktu lub opakowania. Foundation model wygrywa dopiero wtedy, gdy redukuje łączny koszt integracji, a nie tylko liczbę minut potrzebnych do pierwszej udanej próby.