近日，中国机器人公司智元正式发布了其首个通用具身基座模型——智元启元大模型（Genie Operator-1，简称GO-1），标志着具身智能领域迈出了关键一步。在人工智能日新月异的背景下，GO-1的推出无疑为机器人从“特定任务执行者”向“通用型智能助手”转型提供了强劲动力。
GO-1的核心架构是独创的Vision-Language-Latent-Action (ViLLA) 架构，它巧妙地融合了VLM（多模态大模型）与MoE（混合专家）两大组件。VLM通过海量互联网图文数据的学习，赋予模型卓越的场景感知和语言理解能力。而MoE则由Latent Planner（隐式规划器）和Action Expert（动作专家）两部分构成。
为了训练出这一高性能模型，智元在2024年底推出了AgiBot World，这是一个包含超过100万条轨迹、涵盖217个任务、涉及五大场景的大规模高质量真机数据集。可以说，GO-1的成功，离不开AgiBot World提供的坚实数据支撑。高质量数据集的投入，往往是AI模型性能提升的关键因素。
ViLLA架构最重要的创新在于引入了Latent Action Tokens（隐式动作标记）。与之前的Vision-Language-Action (VLA)架构直接将图像-文本输入映射到机器人动作不同，ViLLA架构通过预测Latent Action Tokens，有效弥补了输入与动作之间的语义鸿沟，提升了模型的泛化能力。
具体来说，在推理过程中，VLM、Latent Planner和Action Expert三者协同工作。VLM基于InternVL-2B模型，接收多视角视觉图片、力觉信号和语言指令等多种模态信息，进行场景感知和意图理解。Latent Planner则根据VLM的中间层输出，预测Latent Action Tokens，形成规划链（Chain of Planning），进行动作理解和规划。最后，Action Expert结合VLM的中间层输出和Latent Action Tokens，生成精细的动作序列，驱动机器人执行。
Latent Planner和Action Expert在MoE中扮演着至关重要的角色。Latent Planner通过预测离散的Latent Action Tokens，将异构数据源（例如互联网视频和人类操作视频）中的真实世界动作知识迁移到通用操作任务中。Action Expert则采用Diffusion Model作为目标函数，建模低层级动作的连续分布，从而实现高频且灵活的操控。
实验结果表明，ViLLA架构展现出强大的性能。在五种不同复杂度的任务测试中，GO-1相比已有的最优模型，平均成功率提升了32%，尤其在“倒水”、“清理桌面”和“补充饮料”等需要复杂操作的任务中表现突出。单独验证Latent Planner的作用也显示，其能够提升12%的成功率。这些数据充分证明了ViLLA架构和Latent Planner的有效性。
除了卓越的性能，GO-1大模型还具备强大的学习能力，能够结合互联网视频和真实人类示范进行学习，增强对人类行为的理解。更重要的是，它具备小样本快速泛化的能力，能够在极少数据甚至零样本的情况下，泛化到新场景和新任务，这大大降低了具身模型的使用门槛，加速了其在实际应用中的落地。此外，GO-1还支持部署到不同的机器人本体，实现快速适配和群体智能。
为了进一步推动具身智能的发展，智元还推出了自主研发的大型仿真框架AgiBot Digital World。该框架提供了灵活的仿真数据生成方案、预训练的大规模仿真数据和统一的模型评测标准，为机器人操作提供了强大的研发工具和环境。
智元公司表示，GO-1大模型的推出将加速具身智能的普及，推动机器人从“工具”向“自主体”发展。展望未来，我们有理由相信，具备通用智能的机器人将在商业、工业、家庭等多个领域发挥越来越重要的作用，为人类创造更加便捷、智能的生活。然而，如何在伦理和安全层面保障具身智能健康发展，仍是行业需要共同思考的问题。
