稚晖君预告揭晓！智元机器人发布首个通用具身基座模型GO-1

刚填完坑就又埋下“惊喜预告”？？

预告多日之后，稚晖君正式官宣首个通用具身基座模型——智元启元大模型（Genie Operator-1，以下简称GO-1），将具身智能迈向通用全能的门槛进一步降低了。

而且剧透明天还有惊喜。

概括而言，此次发布的GO-1大模型主要有以下几个特点：

• 人类视频学习：可以结合互联网视频和真实人类示范进行学习，增强模型对人类行为的理解；
• 小样本快速泛化：能够在极少数据甚至零样本下泛化到新场景、新任务，使得后训练成本非常低；
• 一脑多形：能够在不同机器人形态之间迁移，快速适配到不同本体；
• 持续进化：搭配智元一整套数据回流系统，可以从实际执行遇到的问题数据中持续进化学习。

网友们也纷纷表示，通用机器人指日可待了！

首个通用具身基座模型GO-1

具体来看，GO-1大模型由智元机器人联合上海AI Lab共同发布。

通过大规模、多样化的数据训练，GO-1展现出强大的通用性和智能化能力，突破了大量以往具身智能面临的瓶颈。

按照官方说法，GO-1除了拓展机器人的运动能力，更重要的是加强了其AI能力，从而大大增加了机器人的实用价值。

首先，通过学习人类操作视频，机器人能快速学习新技能了。

比如下面这个倒水的动作：

而且机器人还具备了一定的物体跟踪能力，即使随意移动水杯位置，它也能精准倒水。

与此同时，机器人不止掌握已经学过的操作，还能识别并操作未见过的物品（仅通过百条级数据就能实现快速泛化）。

比如倒完水之后，再烤烤面包并抹上果酱：

另外，当前的具身模型通常针对单一机器人本体（Hardware Embodiment）进行设计，这导致两个问题：

• 数据利用率低：不同机器人收集的数据难以共享，无法充分利用跨本体数据进行训练；
• 部署受限：训练好的模型难以迁移到不同类型的机器人，每个本体往往需要独立训练一个模型，增加适配成本。

而用上GO-1大模型之后，这些问题都被解决了。

可以看到，多个相同/不同本体的机器人能够共同协作完成复杂任务。

此外，GO-1大模型还支持数据飞轮持续提升。即在实际操作过程中不断回流数据尤其是执行出现问题的数据，持续驱动优化模型性能。

比如下面这个例子中，机器人放咖啡杯时出现失误，就可以通过数据回流（加上人工审核）针对性优化。

对了，GO-1大模型也为机器人增加了新的语音交互方式，这极大便利了用户在现实场景中自由表达需求。

基于全新ViLLA架构

事实上，GO-1大模型的构建核心围绕对数据的充分利用展开。

基于具身领域的数字金字塔，GO-1大模型吸纳了人类世界多种维度和类型的数据：

• 底层：互联网的大规模纯文本与图文数据，可以帮助机器人理解通用知识和场景；
• 第2层：大规模人类操作/跨本体视频，可以帮助机器人学习人类或者其他本体的动作操作模式；
• 第3层：仿真数据，用于增强泛化性，让机器人适应不同场景、物体等；
• 顶层：高质量的真机示教数据，用于训练精准动作执行。

有了这些数据，可以让机器人在一开始就拥有通用的场景感知和语言能力，通用的动作理解能力，以及精细的动作执行力。

当然，过程中也少不了一个合适的数据处理架构。

由于现有的VLA（Vision-Language-Action）架构没有利用到数字金字塔中大规模人类/跨本体操作视频数据，缺少了一个重要的数据来源，导致迭代的成本更高，进化的速度更慢。

因此，智元团队创新性地提出了ViLLA（Vision-Language-Latent-Action）架构。

与VLA架构相比，ViLLA通过预测Latent Action Tokens（隐式动作标记），弥合图像-文本输入与机器人执行动作之间的鸿沟。它能有效利用高质量的AgiBot World数据集以及互联网大规模异构视频数据，增强策略的泛化能力。

展开来说，ViLLA架构是由VLM（多模态大模型）+MoE（混合专家）组成。

其中VLM借助海量互联网图文数据获得通用场景感知和语言理解能力，MoE中的Latent Planner（隐式规划器）借助大量跨本体和人类操作数据获得通用的动作理解能力，MoE中的Action Expert（动作专家）借助百万真机数据获得精细的动作执行能力。

推理时，VLM、Latent Planner和Action Expert三者协同工作：

• VLM采用InternVL-2B，接收多视角视觉图片、力觉信号、语言输入等多模态信息，进行通用的场景感知和指令理解；
• Latent Planner是MoE中的一组专家，基于VLM的中间层输出预测Latent Action Tokens作为CoP（Chain of Planning，规划链），进行通用的动作理解和规划；
• Action Expert是MoE中的另外一组专家，基于VLM的中间层输出以及Latent Action Tokens，生成最终的精细动作序列。

举个例子，假如用户给出机器人指令“挂衣服”，模型就可以根据看到的画面，理解这句话对应的任务要求。然后模型根据之前训练时看过的挂衣服数据，设想这个过程应该包括哪些操作步骤，最后执行这一连串的步骤，完成整个任务的操作。

与此同时，通过ViLLA架构，智元团队在五种不同复杂度任务上测试GO-1。

结果显示，相比已有的最优模型，GO-1成功率大幅领先，平均成功率提高了32%(46%->78%)。其中 “Pour Water”（倒水）、“Table Bussing”（清理桌面） 和 “Restock Beverage”（补充饮料） 任务表现尤为突出。

此外团队还单独验证了ViLLA 架构中Latent Planner的作用，可以看到增加Latent Planner可以提升12%的成功率(66%->78%)。

还有一个彩蛋

GO-1发布视频的最后，相信大家也看到了一个彩蛋：

不知道内容是否和稚晖君的最新预告有关，明天我们继续蹲蹲~

论文： https://agibot-world.com/blog...\_go1.pdf