在机器人技术领域，智元机器人公司近日发布了其首款通用具身基座模型——智元启元大模型Genie Operator-1 (GO-1)，在业界引发广泛关注。这一创新成果不仅是机器人智能化发展的重要里程碑，更预示着具身智能正在加速向通用化、开放化和智能化方向演进。
GO-1 的核心在于其创新的 Vision-Language-Latent-Action (ViLLA) 框架。该框架巧妙融合了 VLM (多模态大模型) 和 MoE (混合专家) 技术，实现了从数据采集、模型训练到模型推理的无缝衔接。这种设计架构赋予了 GO-1 诸多优势，包括小样本快速泛化能力、跨本体应用的“一脑多形”特性、持续进化的学习机制以及基于人类视频的学习能力。可以预见， ViLLA框架可能成为未来具身智能模型设计的重要参考方向。
具体来说，VLM 作为 GO-1 的主干网络，通过继承开源多模态大模型的权重，并利用互联网上大规模的纯文本和图文数据进行训练，使得 GO-1 具备了强大的场景感知和理解能力。这种方法显著降低了训练成本，同时也保证了模型的通用性。而 MoE 中的隐动作专家模型和动作专家模型，则分别通过学习互联网上的大规模人类操作和跨本体操作视频，以及高质量的仿真数据和真机数据，赋予了 GO-1 对复杂动作的理解和精细执行能力。这种双专家模型的设计，能够更好地平衡模型的精度和效率。
GO-1 的五大特点尤其值得关注：
- 采训推一体的软硬件一体化框架： 确保了从数据采集到模型推理的高效衔接，减少了中间环节的损耗。
- 小样本快速泛化能力： 能够在极少数据甚至零样本的情况下快速适应新场景和新任务，大大降低了部署成本。
- 一脑多形的特性： 能够在不同机器人形态之间灵活迁移，快速适配各种本体，提高了模型的通用性。
- 持续进化的学习机制： 借助智元的数据回流系统，能够从实际执行中遇到的问题数据中不断学习和进化，实现自我完善。
- 人类视频学习能力： 进一步增强了 GO-1 对人类行为的理解，使其能够更好地模仿和执行人类指令。
GO-1 的构建基于具身领域的数字金字塔模型，从底层的互联网大规模纯文本与图文数据，到上层的互联网大规模人类操作/跨本体视频，再到仿真数据和高质量的真机示教数据，每一层都为 GO-1 提供了全面而丰富的知识和能力培训。这种分层式的学习方式，使得 GO-1 能够轻松应对多种多样的环境和物体，快速学习新的操作，并具有天然的场景适应性。目前，大部分具身智能模型仍然依赖于大量的仿真数据，而 GO-1 对真实世界数据的重视，无疑使其更具实用性。
在实际应用中，GO-1 的表现令人印象深刻。用户只需用自然语言指示机器人执行任务，例如“挂衣服”，GO-1 便能够根据视觉输入和学习到的知识，理解任务要求并拆解成一系列可执行的步骤。从家庭场景中的准备餐食、收拾桌面，到办公和商业场景中的接待访客、发放物品，再到工业领域的更多操作任务，GO-1 都能展现出快速而准确的执行能力。
GO-1 的持续进化能力也令人瞩目。例如，在机器人制作咖啡的过程中，如果意外将杯子放置歪斜，GO-1 能够从这次失败的数据中持续学习和进化，直到最终成功完成任务。这种不断学习和进步的能力，使 GO-1 在面对复杂多变的真实世界时更加游刃有余。这种基于错误数据进行迭代学习的能力，是实现真正智能的关键一步。
智元机器人的 GO-1 无疑为机器人技术的发展注入了新的活力。它不仅有效解决了具身智能在场景和物体泛化能力不足、语言理解能力有限、新技能学习缓慢以及跨本体部署困难等方面的问题，更为机器人代替人类完成工作和生活中的各种任务提供了强大的智能支撑。展望未来，随着 GO-1 的持续优化和升级，我们有理由相信，机器人将能够深入更多不同场景，更好地适应真实世界，为人类的生活和工作带来更多的便利和惊喜。此外，GO-1 的开源策略也将加速整个行业的发展，并为更多研究者提供参考和借鉴。
