智元推出首個通用具身基座模型：不做大模型，機器人沒有未來

3月10日，智元機器人正式發佈首個通用具身基座大模型：智元啓元大模型（Genie Operator-1）。

“對機器人公司，你如果不做大模型，那是屬於沒有未來的機器人，沒有智能化，沒有作業能力只是一個硬件。他能做的事情非常有限，所以我們投入非常大的。”智元新創技術有限公司研究院執行院長、具身業務部總裁姚卯青在線上媒體溝通會上如是説。

據介紹，智元提出Vision-Language-Latent-Action (ViLLA) 架構，該架構由VLM(多模態大模型) + MoE(混合專家)組成。其中VLM藉助海量互聯網圖文數據獲得通用場景感知和語言理解能力，MoE中的Latent Planner(隱式規劃器)藉助大量跨本體和人類操作數據獲得通用的動作理解能力，MoE中的Action Expert(動作專家)藉助百萬真機數據獲得精細的動作執行能力，三者環環相扣，實現了可以利用人類視頻學習，完成小樣本快速泛化，降低了具身智能門檻，併成功部署到智元多款機器人本體，持續進化，將具身智能推上一個新台階。

GO-1：具身智能的全面創新

GO-1大模型藉助人類和多種機器人數據，讓機器人獲得了革命性的學習能力，可泛化應用到各類的環境和物品中，快速適應新任務、學習新技能。同時，它還支持部署到不同的機器人本體，高效地完成落地，並在實際的使用中持續不斷地快速進化。

這一系列的特點可以歸納為4個方面：

•人類視頻學習：GO-1大模型可以結合互聯網視頻和真實人類示範進行學習，增強模型對人類行為的理解，更好地為人類服務。

•小樣本快速泛化：GO-1大模型具有強大的泛化能力，能夠在極少數據甚至零樣本下泛化到新場景、新任務，降低了具身模型的使用門檻，使得後訓練成本非常低。

•一腦多形：GO-1大模型是通用機器人策略模型，能夠在不同機器人形態之間遷移，快速適配到不同本體，羣體升智。

•持續進化：GO-1大模型搭配智元一整套數據迴流系統，可以從實際執行遇到的問題數據中持續進化學習，越用越聰明。

GO-1：VLA進化到ViLLA

GO-1大模型，基於具身領域的數字金字塔所構建，吸納了人類世界多種維度和類型的數據，讓機器人在一開始就擁有了通用的場景感知和語言能力，通用的動作理解能力，以及精細的動作執行力。

數字金字塔的底層是互聯網的大規模純文本與圖文數據，可以幫助機器人理解通用知識和場景。在這之上是大規模人類操作/跨本體視頻，可以幫助機器人學習人類或者其他本體的動作操作模式。更上一層則是仿真數據，用於增強泛化性，讓機器人適應不同場景、物體等。金字塔的頂層，則是高質量的真機示教數據，用於訓練精準動作執行。

現有的VLA（Vision-Language-Action）架構，未有利用到數字金字塔中大規模人類/跨本體操作視頻數據，缺少了一個重要的數據來源，導致迭代的成本更高，進化的速度更慢。

那麼，怎樣的架構才能充分利用好這些數據？

智元提出了全新的Vision-Language-Latent-Action (ViLLA) 架構。與VLA架構相比，ViLLA通過預測Latent Action Tokens（隱式動作標記），彌合了圖像-文本輸入與機器人執行動作之間的鴻溝，能有效利用高質量的AgiBot World數據集以及互聯網大規模異構視頻數據，增強策略的泛化能力。基於該架構，智元打造了通用具身基座大模型——GO-1。它由VLM(語言視覺模型)和MoE(專家混合模型)組成，輸入為多相機的視覺信號、力覺信號、語言指令等多模態信息，直接輸出機器人的動作執行序列。

這樣，GO-1大模型可以幫機器人完成全面的“基礎教育”和“職業教育”，機器人天然能適應新的場景，可以輕鬆面對多種多樣的環境和物體，快速學習新的操作。

用户給出指令告訴機器人要做的事情，比如“掛衣服”，模型就可以根據看到的畫面，理解這句話對應的任務要求。然後模型根據之前訓練時看過的掛衣服數據，設想這個過程應該包括哪些操作步驟，最後執行這一連串的步驟，完成整個任務的操作。

在更深層的技術面，因為GO-1大模型在構建和訓練階段，學習了互聯網的大規模純文本和圖文數據，所以能理解“掛衣服”在此情此景下的含義和要求；學習過人類操作視頻和其他機器人的各種操作視頻，所以能知道掛衣服這件事通常包括哪些環節；學習過仿真的不同衣服、不同衣櫃、不同房間，模擬過掛衣服的操作，所以能理解環節中對應的物體和環境並打通整個任務過程；最後，因為學習過真機的示教數據，所以機器人能精準完成整個任務的操作。

具體來説，VLM作為通用具身基座大模型的主幹網絡，繼承開源多模態大模型InternVL2.5-2B的權重，利用互聯網大規模純文本和圖文數據，讓GO-1大模型具備了通用的場景感知和理解能力。

隱動作專家模型作為第一個專家模型，是GO-1大模型中隱式的規劃器，它利用到了大規模人類操作和跨本體操作視頻，讓模型具備動作的理解能力。

GO-1大模型的最後是作為動作預測器的動作專家模型，它利用高質量的仿真數據、真機數據，讓模型具備了動作的精細執行能力。

智元通用具身基座大模型GO-1的推出，標誌着具身智能向通用化、開放化、智能化方向快速邁進：

•從單一任務到多種任務：機器人能夠在不同場景中執行多種任務，而不需要針對每個新任務重新訓練。

•從封閉環境到開放世界：機器人不再侷限於實驗室，而是可以適應多變的真實世界環境。

•從預設程序到指令泛化：機器人能夠理解自然語言指令，並根據語義進行組合推理，而不再侷限於預設程序。

智元表示，GO-1大模型將加速具身智能的普及，機器人將從依賴特定任務的工具，向着具備通用智能的自主體發展，在商業、工業、家庭等多領域發揮更大的作用，通向更加通用全能的智能未來。

#稚暉君或再掀機器人行業風暴##智元機器人發佈首個通用具身基座模型#

本文系觀察者網獨家稿件，未經授權，不得轉載。