在机器人技术领域，通用具身智能正成为一个备受瞩目的发展方向。近日，智元机器人公司正式发布了其创新产品——智元启元大模型Genie Operator-1（GO-1）。这款通用具身基座模型的核心在于其独特的Vision-Language-Latent-Action（ViLLA）框架，试图在机器人领域实现更高级别的智能化。
GO-1 的核心架构是 ViLLA 框架，它由多模态大模型（VLM）与混合专家模型（MoE）两部分构成。 其中，VLM 基于开源多模态大模型 5-2B 构建，并利用互联网上的海量文本和图文数据进行训练，从而具备了强大的场景感知和理解能力。MoE 则充当隐式规划器的角色，借助隐动作专家模型和动作专家模型，分别从大规模人类操作视频、跨本体操作视频以及高质量的仿真和真机数据中学习，以此赋予 GO-1 动作理解和精细执行能力。这种设计思路旨在弥合感知与行动之间的鸿沟，使机器人能够更好地理解环境并执行复杂任务。
GO-1 的五大特点凸显了其技术优势：
- 采训推一体化设计： 实现数据采集、模型训练和模型推理的无缝衔接，加速模型迭代优化。
- 小样本快速泛化能力： 即使在数据稀缺的情况下，也能迅速适应新场景和新任务，提升了模型的实用性。
- 一脑多形功能： 能够轻松迁移至不同形态的机器人平台，降低了部署成本和难度。
- 持续进化机制： 模型能够从实际执行过程中遇到的问题数据中进行学习和改进，实现自我提升。
- 人类视频学习能力： 结合互联网视频和真实人类示范，加深对人类行为的理解，从而更好地模仿和执行人类任务。
GO-1 的能力构建基于具身智能领域的数字金字塔模型。 金字塔的底层是互联网上庞大的非结构化数据，它为机器人提供了通用的知识储备和场景理解的基础。 在此之上是人类操作视频和跨本体视频，用于训练机器人学习动作操作的模式。 仿真数据则进一步增强了模型的泛化能力，使其能够适应不同的场景和物体。 而最顶端则是真实环境中的真机数据，确保模型能够在真实世界中精确地执行动作。
ViLLA 框架的引入是 GO-1 的一大亮点。 相比于传统的 Vision-Language-Action (VLA) 模型，ViLLA 通过预测隐式动作标记 (Latent Action Tokens) ，成功跨越了图像/文本输入与机器人实际执行动作之间的障碍。 举例来说，当用户向机器人发出“挂衣服”的指令时，GO-1 能够理解指令含义，并依据所学习的知识和数据，将任务拆解为一系列具体的步骤，最终完成挂衣服的任务。
GO-1 具备广泛的应用前景，可以应用于家庭、办公以及工业等多个领域。 在家庭环境中，它可以帮助完成倒水、烤面包等任务。在商业场景中，例如商务会议期间，它可以根据人类的语音指令，快速响应并提供饮品或物品。 此外，GO-1 还可以通过数据回流机制不断进化，例如，如果在制作咖啡时出现杯子放置不稳的情况，模型就可以从这次失败的经验中学习，从而在后续操作中避免类似错误。
GO-1 的推出标志着具身智能正在向通用化、开放化和智能化的方向加速发展。 它在一定程度上解决了场景和物体泛化能力不足、语言理解能力欠缺、新技能学习缓慢以及跨本体部署困难等问题，为机器人代替人类完成各类任务提供了强大的技术支持。 然而，值得注意的是，尽管 GO-1 在技术上取得了一定的突破，但距离真正实现通用具身智能仍然有很长的路要走。 未来的研究需要重点关注如何提升模型的鲁棒性、安全性以及伦理性，从而确保机器人技术能够更好地服务于人类社会。
