新火種
2025-04-26 
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，智元機器人正式發布首個通用具身基座大模型：智元啟元大模型（Genie Operator-1）。
“對機器人公司，你如果不做大模型，那是屬于沒有未來的機器人，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說。
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借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)借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)借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，并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臺階。
GO-1：具身智能的全面創新
GO-1大模型借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，并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范進行學習，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，使得后訓練成本非常低。
?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，群體升智。
?持續進化：GO-1大模型搭配智元一整套數據回流系統，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，基于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，用于增強泛化性，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，用于訓練精準動作執行。
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。
那么，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?；谠摷軜嫞窃蛟炝送ㄓ镁呱砘竽Ｐ汀狦O-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，可以輕松面對多種多樣的環境和物體，快速學習新的操作。
用戶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。然后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，最后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、不同衣柜、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并打通整個任務過程；最后，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。
具體來說，VLM作為通用具身基座大模型的主干網絡，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大模型的最后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，標志著具身智能向通用化、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：機器人不再局限于實驗室，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，并根據語義進行組合推理，而不再局限于預設程序。
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，向著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布首個通用具身基座模型
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
