3月10日，上海機器人初創(chuàng)公司智元機器人正式發(fā)布智元啟元大模型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，這款模型具有泛化能力，能夠在極少數(shù)據(jù)甚至零樣本下泛化到新場景、新任務(wù)，降低了具身模型的使用門檻，降低了后訓練成本。

據(jù)介紹，該模型開創(chuàng)性地提出了Vision-Language-Latent-Action（ViLLA）架構(gòu)，實現(xiàn)了可以利用人類視頻學習，完成小樣本快速泛化。ViLLA架構(gòu)是由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(wǎng)圖文數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)獲得精細的動作執(zhí)行能力。在推理時，VLM（多模態(tài)大模型）、Latent Planner（隱式規(guī)劃器）和Action Expert（動作專家）三者協(xié)同工作。目前智元啟元大模型已成功部署到智元多款機器人本體。

具身智能（Embodied Intelligence），是指一種基于物理身體進行感知和行動的智能系統(tǒng)，其通過智能體與環(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(chǎn)生智能行為和適應(yīng)性。機器人便是具身智能的代表產(chǎn)品之一。實現(xiàn)具身智能，更強調(diào)機器人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(jié)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AgiBot World 數(shù)據(jù)集已經(jīng)是目前最大的機器人真機示教數(shù)據(jù)集，但這樣高質(zhì)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(wǎng)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（隱式規(guī)劃器）預(yù)測這些Latent Actions（隱式動作），從而將異構(gòu)數(shù)據(jù)源中真實世界的動作知識轉(zhuǎn)移到通用操作任務(wù)中。

智元機器人表示，通過ViLLA 創(chuàng)新性架構(gòu)，智元機器人在五種不同復(fù)雜度任務(wù)上測試 GO-1大模型，相比已有的最優(yōu)模型，GO-1平均成功率提高了32%。其中在“Pour Water”（倒水）、“Table Bussing”（清理桌面） 和 “Restock Beverage”（補充飲料） 任務(wù)中表現(xiàn)突出。此外，GO-1大模型還可以搭配智元一整套數(shù)據(jù)回流系統(tǒng)，可以從實際執(zhí)行遇到的問題數(shù)據(jù)中持續(xù)進化學習，“越用越聰明”。

北航機器人研究所名譽所長、中關(guān)村智友研究院院長王田苗此前在接受澎湃科技采訪時提到，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(yīng)能力。然而，目前仍存在理論和技術(shù)挑戰(zhàn)。比如，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，這些都在探索中。

智元機器人方表示，大語言模型是數(shù)字世界、單模態(tài)的，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。智元啟元大模型采用的Vision-Language-Latent-Action（ViLLA）架構(gòu)，能夠更好地滿足具身智能對多模態(tài)數(shù)據(jù)融合和物理世界交互的需求。

不過，一位向具身智能機器人提供基礎(chǔ)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”都有待驗證，很難評價。在他看來，智元此次發(fā)布的大模型大概率是在其自產(chǎn)的機器人上搭載，其他機器人能用到什么程度還需要更多從業(yè)者去驗證。