智元機(jī)器人在科技創(chuàng)新領(lǐng)域邁出了重要一步，正式揭曉了其首個(gè)通用具身基座大模型——智元啟元大模型（簡(jiǎn)稱GO-1）。這一發(fā)布標(biāo)志著具身智能技術(shù)取得了突破性進(jìn)展。

GO-1大模型的核心在于其創(chuàng)新的Vision-Language-Latent-Action（ViLLA）架構(gòu)，該架構(gòu)由多模態(tài)大模型（VLM）與混合專家模型（MoE）兩大組件構(gòu)成。VLM通過(guò)海量互聯(lián)網(wǎng)圖文數(shù)據(jù)的訓(xùn)練，獲得了卓越的場(chǎng)景感知和語(yǔ)言理解能力。而MoE則進(jìn)一步細(xì)分為隱式規(guī)劃器（Latent Planner）和動(dòng)作專家（Action Expert），前者通過(guò)大規(guī)模跨本體和人類操作數(shù)據(jù)，實(shí)現(xiàn)了對(duì)動(dòng)作的深刻理解；后者則憑借百萬(wàn)真機(jī)數(shù)據(jù)的訓(xùn)練，具備了精細(xì)的動(dòng)作執(zhí)行能力。這三者之間的緊密協(xié)作，不僅使GO-1大模型能夠?qū)W習(xí)人類視頻，還實(shí)現(xiàn)了小樣本快速泛化，極大地降低了具身智能的應(yīng)用門檻。

GO-1大模型的問(wèn)世，意味著具身智能的全面革新。它能夠結(jié)合人類和多種機(jī)器人數(shù)據(jù)，使機(jī)器人具備革命性的學(xué)習(xí)能力，可廣泛應(yīng)用于各類環(huán)境和物品中，迅速適應(yīng)新任務(wù)，學(xué)習(xí)新技能。同時(shí)，GO-1大模型支持部署到不同形態(tài)的機(jī)器人本體，實(shí)現(xiàn)高效落地，并在實(shí)際應(yīng)用中持續(xù)進(jìn)化。

GO-1大模型的四大特點(diǎn)尤為突出：首先，它能夠結(jié)合互聯(lián)網(wǎng)視頻和真實(shí)人類示范進(jìn)行學(xué)習(xí)，從而更好地理解人類行為，提升服務(wù)質(zhì)量。其次，GO-1大模型具備強(qiáng)大的小樣本快速泛化能力，能夠在極少數(shù)據(jù)甚至零樣本的情況下，迅速適應(yīng)新場(chǎng)景和新任務(wù)，顯著降低了使用門檻和后訓(xùn)練成本。再者，GO-1大模型作為通用機(jī)器人策略模型，能夠在不同機(jī)器人形態(tài)之間遷移，實(shí)現(xiàn)快速適配和群體升智。最后，得益于智元的數(shù)據(jù)回流系統(tǒng)，GO-1大模型能夠在實(shí)際執(zhí)行中遇到問(wèn)題時(shí)持續(xù)學(xué)習(xí)進(jìn)化，變得越來(lái)越智能。

GO-1大模型的構(gòu)建基于具身領(lǐng)域的數(shù)字金字塔模型，該模型吸納了人類世界多種維度和類型的數(shù)據(jù)。數(shù)字金字塔的底層是互聯(lián)網(wǎng)的大規(guī)模純文本與圖文數(shù)據(jù)，為機(jī)器人提供通用知識(shí)和場(chǎng)景理解的基礎(chǔ)。往上是大規(guī)模人類操作/跨本體視頻數(shù)據(jù)，幫助機(jī)器人學(xué)習(xí)動(dòng)作操作模式。再往上則是用于增強(qiáng)泛化性的仿真數(shù)據(jù)，使機(jī)器人能夠適應(yīng)不同場(chǎng)景和物體。而金字塔的頂層，則是高質(zhì)量的真機(jī)示教數(shù)據(jù)，用于訓(xùn)練精準(zhǔn)動(dòng)作執(zhí)行。

相較于現(xiàn)有的Vision-Language-Action（VLA）架構(gòu)，ViLLA架構(gòu)通過(guò)預(yù)測(cè)隱式動(dòng)作標(biāo)記，有效彌合了圖像-文本輸入與機(jī)器人執(zhí)行動(dòng)作之間的鴻溝。它能夠充分利用高質(zhì)量的AgiBot World數(shù)據(jù)集以及互聯(lián)網(wǎng)大規(guī)模異構(gòu)視頻數(shù)據(jù)，顯著增強(qiáng)策略的泛化能力。基于ViLLA架構(gòu)，GO-1大模型能夠接收多相機(jī)的視覺(jué)信號(hào)、力覺(jué)信號(hào)、語(yǔ)言指令等多模態(tài)信息，直接輸出機(jī)器人的動(dòng)作執(zhí)行序列。

GO-1大模型為機(jī)器人提供了全面的“基礎(chǔ)教育”和“職業(yè)教育”，使機(jī)器人天生就能適應(yīng)新場(chǎng)景，輕松面對(duì)多樣化的環(huán)境和物體，快速學(xué)習(xí)新的操作。例如，當(dāng)用戶給出“掛衣服”的指令時(shí)，GO-1大模型能夠根據(jù)看到的畫(huà)面理解任務(wù)要求，設(shè)想操作步驟，并最終執(zhí)行完成整個(gè)任務(wù)。

在更深層次的技術(shù)層面，GO-1大模型在構(gòu)建和訓(xùn)練階段學(xué)習(xí)了互聯(lián)網(wǎng)的大規(guī)模純文本和圖文數(shù)據(jù)，使其能夠理解“掛衣服”在此情此景下的具體含義和要求。同時(shí)，通過(guò)學(xué)習(xí)人類操作視頻和其他機(jī)器人的操作視頻，GO-1大模型能夠知道掛衣服通常包括哪些環(huán)節(jié)。通過(guò)仿真不同衣服、衣柜和房間，以及模擬掛衣服的操作，GO-1大模型能夠理解環(huán)節(jié)中對(duì)應(yīng)的物體和環(huán)境，并打通整個(gè)任務(wù)過(guò)程。最后，由于學(xué)習(xí)了真機(jī)的示教數(shù)據(jù)，機(jī)器人能夠精準(zhǔn)完成整個(gè)任務(wù)的操作。

GO-1大模型的推出，標(biāo)志著具身智能正朝著通用化、開(kāi)放化、智能化的方向快速邁進(jìn)。機(jī)器人將能夠在不同場(chǎng)景中執(zhí)行多種任務(wù)，而無(wú)需針對(duì)每個(gè)新任務(wù)重新訓(xùn)練。同時(shí)，機(jī)器人將不再局限于實(shí)驗(yàn)室環(huán)境，而是能夠適應(yīng)多變的真實(shí)世界。機(jī)器人將能夠理解自然語(yǔ)言指令，并根據(jù)語(yǔ)義進(jìn)行組合推理，而不再局限于預(yù)設(shè)程序。