3 月 10 日消息，“稚暉君”創業項目智元機器人今日發布了首個通用具身基座模型 —— 智元啟元大模型（Genie Operator-1），它開創性地提出了 Vision-Language-Latent-Action（ViLLA）架構，該架構由 VLM（多模態大模型）+ MoE（混合專家）組成，實現了可以利用人類視頻學習，完成小樣本快速泛化，降低了具身智能門檻，并成功部署到智元多款機器人本體。
2024 年底，智元推出了 AgiBot World，包含超過 100 萬條軌跡、涵蓋 217 個任務、涉及五大場景的大規模高質量真機數據集。基于 AgiBot World，智元今天正式發布智元通用具身基座大模型 Genie Operator-1（GO-1）。
它開創性地提出了 Vision-Language-Latent-Action（ViLLA）架構，該架構由 VLM（多模態大模型）+ MoE（混合專家）組成：
VLM 借助海量互聯網圖文數據獲得通用場景感知和語言理解能力
MoE 中的 Latent Planner（隱式規劃器）借助大量跨本體和人類操作視頻數據獲得通用的動作理解能力
MoE 中的 Action Expert（動作專家）借助百萬真機數據獲得精細的動作執行能力
通過 ViLLA 架構，智元機器人在五種不同復雜度任務上測試 GO-1，相比已有的最優模型，GO-1 成功率大幅領先，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”（補充飲料）任務表現尤為突出。
此外智元機器人還單獨驗證了 ViLLA 架構中 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 大模型借助人類和多種機器人數據，可泛化應用到各類的環境和物品中，快速適應新任務、學習新技能。同時，它還支持部署到不同的機器人本體完成落地，并在實際的使用中持續不斷地快速進化。
這一系列的特點可以歸納為 4 個方面：
人類視頻學習：GO-1 大模型可以結合互聯網視頻和真實人類示范進行學習，增強模型對人類行為的理解，更好地為人類服務。
小樣本快速泛化：GO-1 大模型具有強大的泛化能力，能夠在極少數據甚至零樣本下泛化到新場景、新任務，降低了具身模型的使用門檻，使得后訓練成本非常低。
一腦多形：GO-1 大模型是通用機器人策略模型，能夠在不同機器人形態之間遷移，快速適配到不同本體，群體升智。
持續進化：GO-1 大模型搭配智元一整套數據回流系統，可以從實際執行遇到的問題數據中持續進化學習，越用越聰明。
智元機器人還預告了下一代具身智能機器人產品，不過沒有透露推出時間。
