聲明:本文來自于（ID:ykqsd.com）授權轉載發(fā)布。

3月10日，上海機器人初創(chuàng)公司智元機器人官方發(fā)布其智元啟元大模型GenieOperator-1（GO-1），這是中國首個通用具身基座模型。智元機器人表示，這款模型具備泛化能力，能夠在極少數(shù)據(jù)甚至零樣本下快速適應新場景和新任務，從而降低了具身模型的使用門檻和后訓練成本。

該模型首次提出Vision-Language-Latent-Action（ViLLA）架構，實現(xiàn)了基于人類視頻的學習能力，支持小樣本快速泛化。ViLLA架構由多模態(tài)大模型（VLM）和混合專家（MoE）組成。其中，VLM利用海量互聯(lián)網圖文數(shù)據(jù)提升通用場景感知和語言理解能力；MoE中的隱式規(guī)劃器（Latent Planner）通過大量跨本體和人類操作數(shù)據(jù)，獲得通用動作理解能力；動作專家（Action Expert）則通過 million 真機數(shù)據(jù)提升精細動作執(zhí)行能力。在推理過程中，VLM、隱式規(guī)劃器和動作專家協(xié)同工作。目前，智元啟元大模型已成功部署于智元多款機器人本體。

具身智能（Embodied Intelligence）是一種基于物理身體進行感知和行動的智能系統(tǒng)，通過智能體與環(huán)境的交互獲取信息、理解問題、做出決策并實現(xiàn)行動，從而產生智能行為和適應性。機器人是具身智能的主要代表產品之一。實現(xiàn)具身智能更強調與物理世界的直接交互，需要處理視覺、聽覺、觸覺、運動等多種模態(tài)的數(shù)據(jù)，并將感知、決策和行動緊密結合。

2024年年底，智元機器人曾發(fā)布AgiBot World 百萬真機數(shù)據(jù)集，盡管該數(shù)據(jù)集已是目前最大的機器人真機示教數(shù)據(jù)集，但高質量帶動作標簽的真機數(shù)據(jù)量仍然有限，遠少于互聯(lián)網規(guī)模的數(shù)據(jù)集。為了解決具身智能數(shù)據(jù)困境，智元機器人此次采用隱式動作（Latent Actions）來建模當前幀和歷史幀之間的隱式變化，通過隱式規(guī)劃器（Latent Planner）預測這些隱式動作，從而將異構數(shù)據(jù)源中真實世界的動作知識轉移到通用操作任務中。

智元機器人表示，通過ViLLA 創(chuàng)新性架構，其在五種不同復雜度任務上的測試結果顯示，GO-1大模型的平均成功率較現(xiàn)有最優(yōu)模型提高了32%。其中在“倒水”、“清理桌面”和“補充飲料”等任務中表現(xiàn)尤為突出。此外，GO-1大模型還可以搭配一套整套的數(shù)據(jù)回流系統(tǒng)，從實際執(zhí)行中遇到的問題數(shù)據(jù)持續(xù)進化學習，實現(xiàn)“越用越聰明”。

北航機器人研究所名譽所長、中關村智友研究院院長王田苗在接受澎湃科技采訪時認為，大模型對人形機器人的核心貢獻在于實現(xiàn)類似人類的交互、推理和環(huán)境適應能力。然而，目前仍存在理論和技術挑戰(zhàn)。例如，通用大模型在算法選擇上（是監(jiān)督學習、強化學習，還是端到端學習或者模擬學習），這些都是需要探索的。

智元機器人方表示，大語言模型是數(shù)字世界、單模態(tài)的，而具身智能需要處理多模態(tài)物理世界的數(shù)據(jù)，包括圖像、視頻、傳感器數(shù)據(jù)等。大模型對這些非文本數(shù)據(jù)的理解和處理能力有限，無法滿足具身智能對多模態(tài)數(shù)據(jù)融合的需求。采用ViLLA架構的大模型則更好地滿足了具身智能對多模態(tài)數(shù)據(jù)融合和物理世界交互的需求。

不過，一位關注具身智能機器人基礎場景數(shù)據(jù)和解決方案的從業(yè)人員認為，目前具身基座模型的“通用性”仍有待驗證，很難給出準確評價。在他看來，智元此次發(fā)布的模型可能主要針對其自產的機器人，對其它機器人適用程度還需更多從業(yè)者進一步驗證。