近日，智元公司在科技领域迈出了重要一步，正式推出了其首个通用具身基座模型——智元启元大模型（Genie Operator-1），这一创新成果标志着机器人在智能化道路上取得了显著进展。
智元启元大模型的核心在于其独特的Vision-Language-Latent-Action (ViLLA)架构，该架构融合了VLM（多模态大模型）与MoE（混合专家）两大组件。VLM通过广泛收集互联网图文数据，获得了卓越的场景感知和语言理解能力。而MoE则分为Latent Planner（隐式规划器）和Action Expert（动作专家）两部分，前者通过大量跨本体和人类操作视频数据，掌握了通用的动作理解技巧；后者则基于百万真机数据，实现了精细的动作执行能力。
为了构建这一先进模型，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。正是基于这一数据集，智元成功研发出了Genie Operator-1（GO-1）。
与之前的Vision-Language-Action (VLA)架构相比，ViLLA架构通过预测Latent Action Tokens（隐式动作标记），有效弥补了图像-文本输入与机器人执行动作之间的鸿沟。在推理过程中，VLM、Latent Planner和Action Expert三者紧密协作，共同完成任务。
具体来说，VLM采用InternVL-2B模型，能够接收多视角视觉图片、力觉信号、语言输入等多模态信息，进行场景感知和指令理解。Latent Planner则基于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。而Action Expert则根据VLM的中间层输出以及Latent Action Tokens，生成最终的精细动作序列。
Latent Planner和Action Expert作为MoE中的关键组件，各自扮演着重要角色。Latent Planner通过预测离散的Latent Action Tokens，将异构数据源中的真实世界动作知识转移到通用操作任务中。而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，实现高频且灵活的操控。
在实验效果方面，ViLLA架构展现出了强大的性能。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，平均成功率提高了32%，特别是在“倒水”、“清理桌面”和“补充饮料”等任务中表现尤为突出。单独验证Latent Planner的作用也显示，其能够提升12%的成功率。
GO-1大模型不仅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，还具备小样本快速泛化的能力。这意味着它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，大大降低了具身模型的使用门槛。同时，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升智。
智元还推出了自主研发的大型仿真框架AgiBot Digital World，为机器人操作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。这一框架的推出，将进一步推动机器人在智能化道路上的发展。
智元公司表示，GO-1大模型的推出将加速具身智能的普及，推动机器人从依赖特定任务的工具向具备通用智能的自主体发展。未来，机器人将在商业、工业、家庭等多领域发挥更大作用，为人类创造更加便捷、智能的生活。
