3 月 10 日消息,，“稚暉君”創(chuàng)業(yè)項(xiàng)目智元機(jī)器人今日發(fā)布了首個(gè)通用具身基座模型 —— 智元啟元大模型（Genie Operator-1）,，它開(kāi)創(chuàng)性地提出了 Vision-Language-Latent-Action（ViLLA）架構(gòu),，該架構(gòu)由 VLM（多模態(tài)大模型）+ MoE（混合專(zhuān)家）組成,，實(shí)現(xiàn)了可以利用人類(lèi)視頻學(xué)習(xí)，完成小樣本快速泛化,，降低了具身智能門(mén)檻,，并成功部署到智元多款機(jī)器人本體。

2024 年底,，智元推出了 AgiBot World,，包含超過(guò) 100 萬(wàn)條軌跡、涵蓋 217 個(gè)任務(wù),、涉及五大場(chǎng)景的大規(guī)模高質(zhì)量真機(jī)數(shù)據(jù)集,。基于 AgiBot World,，智元今天正式發(fā)布智元通用具身基座大模型 Genie Operator-1（GO-1）。

它開(kāi)創(chuàng)性地提出了 Vision-Language-Latent-Action（ViLLA）架構(gòu),，該架構(gòu)由 VLM（多模態(tài)大模型）+ MoE（混合專(zhuān)家）組成：

VLM 借助海量互聯(lián)網(wǎng)圖文數(shù)據(jù)獲得通用場(chǎng)景感知和語(yǔ)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(lèi)操作視頻數(shù)據(jù)獲得通用的動(dòng)作理解能力

MoE 中的 Action Expert（動(dòng)作專(zhuān)家）借助百萬(wàn)真機(jī)數(shù)據(jù)獲得精細(xì)的動(dòng)作執(zhí)行能力

通過(guò) ViLLA 架構(gòu),，智元機(jī)器人在五種不同復(fù)雜度任務(wù)上測(cè)試 GO-1，相比已有的最優(yōu)模型,，GO-1 成功率大幅領(lǐng)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”（補(bǔ)充飲料）任務(wù)表現(xiàn)尤為突出,。

此外智元機(jī)器人還單獨(dú)驗(yàn)證了 ViLLA 架構(gòu)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%）,。

GO-1 大模型借助人類(lèi)和多種機(jī)器人數(shù)據(jù),，可泛化應(yīng)用到各類(lèi)的環(huán)境和物品中,，快速適應(yīng)新任務(wù)、學(xué)習(xí)新技能,。同時(shí),，它還支持部署到不同的機(jī)器人本體完成落地，并在實(shí)際的使用中持續(xù)不斷地快速進(jìn)化,。

這一系列的特點(diǎn)可以歸納為 4 個(gè)方面：

人類(lèi)視頻學(xué)習(xí)：GO-1 大模型可以結(jié)合互聯(lián)網(wǎng)視頻和真實(shí)人類(lèi)示范進(jìn)行學(xué)習(xí),，增強(qiáng)模型對(duì)人類(lèi)行為的理解，更好地為人類(lèi)服務(wù),。

小樣本快速泛化：GO-1 大模型具有強(qiáng)大的泛化能力,，能夠在極少數(shù)據(jù)甚至零樣本下泛化到新場(chǎng)景、新任務(wù),，降低了具身模型的使用門(mén)檻,，使得后訓(xùn)練成本非常低。

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

持續(xù)進(jìn)化：GO-1 大模型搭配智元一整套數(shù)據(jù)回流系統(tǒng),，可以從實(shí)際執(zhí)行遇到的問(wèn)題數(shù)據(jù)中持續(xù)進(jìn)化學(xué)習(xí)，越用越聰明,。

智元機(jī)器人還預(yù)告了下一代具身智能機(jī)器人產(chǎn)品,，不過(guò)沒(méi)有透露推出時(shí)間。