聲明:本文來自于（ID:ykqsd.com）授權轉載發(fā)布。

轉載自：元機器人

3月10日，元推出首個通用具身基座模型——元啟元大模型（Genie Operator-1），它提出了Vision-Language-Latent-Action (ViLLA) 架構。該架構由VLM(多模態(tài)大模型) + MoE(混合專家)組成。其中，VLM借助海量互聯(lián)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(guī)劃器)借助大量跨本體和人類操作視頻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(zhí)行能力。在運行時，VLM、Latent Planner和Action Expert三者協(xié)同工作，實現(xiàn)了利用人類視頻學習，完成小樣本快速泛化，降低了具身智能的門檻，并成功集成到元多款機器人本體，持續(xù)進化，推動了具身智能的新臺階。

2024年底，元推出了AgiBot World，包含超過100萬條軌跡、涵蓋217個任務、涉及五大場景的大規(guī)模高質量真機數據集?；贏giBot World，元正式推出元通用具身基座大模型 Genie Operator-1（GO-1）。

01 GO-1：VLA進化到ViLLA

為了充分利用高質量的AgiBot World數據集以及互聯(lián)網大規(guī)模異構視頻數據，增強策略的泛化能力，元提出了 Vision-Language-Latent-Action (ViLLA) 這一創(chuàng)新性架構。GO-1作為首個通用具身基座大模型，基于ViLLA構建。與Vision-Language-Action (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(zhí)行動作之間的鴻溝。在真實世界的靈巧操作和長時任務方面表現(xiàn)卓越，遠超開源SOTA模型。

ViLLA架構由VLM(多模態(tài)大模型) + MoE(混合專家)組成，其中VLM借助海量互聯(lián)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(guī)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(zhí)行能力。在推理過程中，VLM、Latent Planner和Action Expert三者協(xié)同工作：

下面詳細闡述MoE中的兩個關鍵組件：Latent Planner和Action Expert。

混合專家一：

Latent Planner（隱式規(guī)劃器）

由于AgiBot World數據集是全球最大的機器人真機示教數據集之一，但高質量帶動作標簽的真機數據量仍然有限，遠少于互聯(lián)網規(guī)模的數據集。為此，我們采用Latent Actions（隱式動作）來建模當前幀和歷史幀之間的隱式變化，然后通過Latent Planner預測這些Latent Actions，從而將異構數據源中真實世界的動作知識轉移到通用操作任務中。

混合型專家二：

Action Expert（動作專家）

為了實現(xiàn)高頻率且靈活的操控，我們引入了行動專家，該專家采用擴散模型作為目標函數，用于建模低層動作的連續(xù)分布。

實驗效果

通過創(chuàng)新性的ViLLA架構，我們在五個不同復雜度的任務中測試了GO-1。與現(xiàn)有最優(yōu)模型相比，GO-1的成功率顯著提升，平均成功率提高了32%（從46%提升至78%）。其中，“倒水”、“清理桌面”和“補充飲料”任務表現(xiàn)出色。此外，我們單獨驗證了架構中潛在計劃器的作用，結果表明增加潛在計劃器可提升12%的成功率（從66%提升至78%）。

02 GO-1：具身智能的全面創(chuàng)新

GO-1大模型憑借人類和多種機器人數據，賦予機器人革命性的學習能力，使其能夠泛化應用到各類環(huán)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機器人本體，高效完成落地，并在實際應用中持續(xù)快速進化。

這一系列特點可以歸納為四個方面：

智元通用具身基座大模型GO-1的發(fā)布，標志著具身智能正在向通用化、開放化和智能化方向加速發(fā)展。

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，發(fā)展為具備通用智能的自主體，在商業(yè)、工業(yè)和家庭等多個領域發(fā)揮更大作用，邁向更加通用全能的智能未來。

請牢記，轉發(fā)請注明出處：上海經信委

特別注明，本文經上觀新聞客戶端“上觀號”入駐媒體授權發(fā)布，僅代表入駐媒體觀點，上觀新聞僅為信息發(fā)布平臺。如您認為內容侵害您的權益，請聯(lián)系刪除！