Co je Generalist AI a proč na něm záleží

Generalist AI je americký startup se základnami v Sanfranciském zálivu a Bostonu. Jeho ambicí je vytvořit takzvanou „fyzickou AGI“ — tedy univerzální umělou inteligenci schopnou rozumět fyzickému světu a ovládat v něm různé typy robotů. Nejde přitom o žádné nováčky. Zakládající tým má za sebou vývoj modelů jako PaLM-E (první velký multimodální model pro robotiku v Google), RT-2 (model překládající obraz a jazyk do robotických akcí) i škálování ChatGPT a GPT-4 na stovky milionů uživatelů. Inženýři z Boston Dynamics zase přinesli zkušenosti z konstrukce robotů Atlas, Spot a Stretch.

Jinými slovy: parta, která stála u zrodu nejdůležitějších robotických a jazykových modelů posledních let, se dala dohromady pod jednou střechou — a investoři jim na to právě dali dalších 400 milionů.

Kdo do Generalist AI investoval

Investiční kolo vedl fond Radical Ventures, který se specializuje na AI startupy. Připojili se 8VC, Union Square Ventures, Hanabi Capital, Norwest a všichni významní dosavadní investoři včetně Nvidia NVentures, Boldstart Ventures, Spark Capital, Bezos Expeditions (investiční entita Jeffa Bezose) a NFDG. Mezi novými andělskými investory nechybí jména jako Fei-Fei Li (ikona počítačového vidění ze Stanfordu), Bin Lin (spoluzakladatel Xiaomi) nebo podnikatel Naval Ravikant. Celkem už startup získal přes 500 milionů dolarů.

Přítomnost Nvidie mezi investory dává smysl — Generalist AI potřebuje masivní výpočetní výkon pro trénování modelů na petabytech fyzických interakčních dat. A Nvidia na oplátku vidí v robotických foundation modelech další obří trh pro své GPU.

Od GEN-0 ke GEN-1: Jak roboti prošli svým „ChatGPT momentem“

Vývojový příběh Generalist AI je překvapivě analogický tomu, co známe z velkých jazykových modelů.

V listopadu 2025 vydal tým model GEN-0, který jako první demonstroval existenci škálovacích zákonů v robotice — tedy matematicky podloženého principu, že větší model trénovaný na větším množství reálných dat produkuje schopnějšího robota. To je stejný princip, jaký stojí za raketovým růstem schopností modelů jako GPT-4 nebo Claude. Průměrná úspěšnost GEN-0 na testovaných úkolech byla 64 % — na produkční nasazení to nestačilo, ale ukázala se cesta.

V dubnu 2026 pak přišel model GEN-1, který posunul hranice zásadně. Na šesti různých manuálních úkolech — od kompletace autodílů přes skládání triček až po balení telefonů — dosáhl průměrné 99% úspěšnosti. A to při rychlosti zhruba 3× vyšší než dosavadní nejlepší systémy (včetně konkurenčního modelu π₀ od Physical Intelligence). Robot například složí krabici za 12 sekund — zatímco GEN-0 nebo π₀ na stejné krabici potřebovaly 34 sekund.

Data nejsou z robotů, ale z lidí

Jedna z klíčových inovací Generalist AI spočívá ve způsobu sběru tréninkových dat. Zatímco tradiční přístup vyžaduje drahá zařízení pro teleoperaci (člověk ovládá robota na dálku a systém se z toho učí), Generalist AI trénuje svůj základní model na datech z levných nositelných zařízení na lidech, kteří provádějí miliony běžných činností. Dataset nyní obsahuje přes půl milionu hodin vysoce kvalitních fyziologických interakčních záznamů — a neobsahuje vůbec žádná robotická data.

Když se pak model adaptuje na konkrétního robota a konkrétní úkol, stačí mu k tomu přibližně jediná hodina robotických dat. To je radikální pokles oproti dřívějším metodám, kde bylo potřeba stovek až tisíců hodin teleoperace. A právě tato datová efektivita je tím, co dělá celý přístup ekonomicky smysluplným.

Improvizace: Když robot začne „přemýšlet“

Snad nejzajímavější schopností GEN-1 je to, co výzkumníci nazývají „improvizační inteligence“. Při montáži autodílů se třeba stane, že podložka vypadne z chapadla. Místo aby se robot zastavil a čekal na zásah člověka, GEN-1 dokáže spontánně zvolit jednu z několika strategií: položí podložku zpět a uchopí ji znovu, použije hranu štěrbiny k opětovnému zachycení, nebo dokonce zapojí druhou ruku pro bimanuální manipulaci.

Toto chování nebylo nikdy trénováno — vynořilo se jako emergentní vlastnost modelu, podobně jako jazykové modely začaly „chápat“ kontext, přestože jim ho nikdo explicitně nevysvětlil. Právě tato schopnost reagovat na neočekávané situace odlišuje laboratorní demo od systému, který může reálně pracovat vedle lidí.

Konkurence nečeká: Fyzická AI jako další bitevní pole

Generalist AI není na poli robotických foundation modelů sám. Physical Intelligence (π), startup vedený Karolem Hausmanem, vybral přes 400 milionů dolarů a vyvíjí vlastní modely π₀ a π*₀.₆. Skild AI získal 300 milionů dolarů při valuaci 1,5 miliardy. A nezapomínejme na Figure AI (humanoidní roboti, 2,6 miliardy valuace), Tesla Optimus nebo čínské firmy jako AgiBot a Unitree, jejichž humanoidi už míří do Evropy.

Zajímavé je, že Generalist AI se odlišuje filozoficky: neváže se na konkrétní typ robota. Jejich modely mají fungovat napříč humanoidy, průmyslovými rameny, skladovými roboty i autonomními systémy ve vesmíru. Jak sami říkají: „Budoucnost robotiky je větší než jakýkoliv jeden robot.“

Co to znamená pro Česko a Evropu

Česká republika má jednu z nejvyšších hustot průmyslových robotů na světě — podle IFR (International Federation of Robotics) patříme v robotizaci výroby dlouhodobě do první dvacítky. Zároveň čelíme stejnému problému jako zbytek Evropy: nedostatek pracovní síly v logistice a výrobě.

Robotické foundation modely, jako je GEN-1, by mohly tento problém řešit. Pokud robot dokáže s 99% spolehlivostí a bez nákladného přeprogramování zvládnout například kompletaci dílů, balení zboží nebo obsluhu strojů, otevírá to dveře automatizaci i v menších českých firmách, pro které jsou tradiční průmyslové roboty příliš drahé a nepružné.

Z hlediska regulace spadají tyto systémy pod EU AI Act, který roboty v průmyslovém prostředí řadí mezi vysoce rizikové aplikace. Generalist AI zatím nepůsobí v Evropě — ale pokud by chtěl, bude muset projít certifikací a splnit přísné požadavky na bezpečnost a transparentnost. To může nahrávat i evropským alternativám, které na regulovaném trhu vzniknou.

Flywheel efekt: Proč další stovky milionů míří právě sem

Generalist AI popisuje svou strategii jako „flywheel“ (setrvačník): škálování robotického učení vytváří lepší modely, lepší modely mohou dělat užitečnější fyzickou práci, a data z reálného nasazení pohánějí další generaci ještě schopnějších modelů. Je to stejná smyčka, která stojí za exponenciálním růstem schopností velkých jazykových modelů.

Čtyři sta milionů dolarů má jít na vývoj další generace modelů, rozšíření infrastruktury pro sběr fyzických dat, navýšení výpočetních kapacit a první komerční nasazení u průmyslových partnerů. Pokud se smyčka roztočí tak, jak startup předpokládá, můžeme se dočkat momentu, kdy robotický foundation model překoná hranici užitečnosti podobně, jako to udělal GPT-3 pro text.