近日，智元公司在科技領域邁出了重要一步，正式推出了其首個通用具身基座模型——智元啟元大模型（Genie Operator-1），這一創新成果標志著機器人在智能化道路上取得了顯著進展。
智元啟元大模型的核心在于其獨特的Vision-Language-Latent-Action (ViLLA)架構，該架構融合了VLM（多模態大模型）與MoE（混合專家）兩大組件。VLM通過廣泛收集互聯網圖文數據，獲得了卓越的場景感知和語言理解能力。而MoE則分為Latent Planner（隱式規劃器）和Action Expert（動作專家）兩部分，前者通過大量跨本體和人類操作視頻數據，掌握了通用的動作理解技巧；后者則基于百萬真機數據，實現了精細的動作執行能力。
為了構建這一先進模型，智元在2024年底推出了AgiBot World，這是一個包含超過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。正是基于這一數據集，智元成功研發出了Genie Operator-1（GO-1）。
與之前的Vision-Language-Action (VLA)架構相比，ViLLA架構通過預測Latent Action Tokens（隱式動作標記），有效彌補了圖像-文本輸入與機器人執行動作之間的鴻溝。在推理過程中，VLM、Latent Planner和Action Expert三者緊密協作，共同完成任務。
具體來說，VLM采用InternVL-2B模型，能夠接收多視角視覺圖片、力覺信號、語言輸入等多模態信息，進行場景感知和指令理解。Latent Planner則基于VLM的中間層輸出，預測Latent Action Tokens，形成規劃鏈（Chain of Planning），進行動作理解和規劃。而Action Expert則根據VLM的中間層輸出以及Latent Action Tokens，生成最終的精細動作序列。
Latent Planner和Action Expert作為MoE中的關鍵組件，各自扮演著重要角色。Latent Planner通過預測離散的Latent Action Tokens，將異構數據源中的真實世界動作知識轉移到通用操作任務中。而Action Expert則采用Diffusion Model作為目標函數，建模低層級動作的連續分布，實現高頻且靈活的操控。
在實驗效果方面，ViLLA架構展現出了強大的性能。在五種不同復雜度的任務測試中，GO-1相比已有的最優模型，平均成功率提高了32%，特別是在“倒水”、“清理桌面”和“補充飲料”等任務中表現尤為突出。單獨驗證Latent Planner的作用也顯示，其能夠提升12%的成功率。
GO-1大模型不僅具備強大的學習能力，能夠結合互聯網視頻和真實人類示范進行學習，增強對人類行為的理解，還具備小樣本快速泛化的能力。這意味著它能夠在極少數據甚至零樣本的情況下，泛化到新場景和新任務，大大降低了具身模型的使用門檻。同時，GO-1還支持部署到不同的機器人本體，實現快速適配和群體升智。
智元還推出了自主研發的大型仿真框架AgiBot Digital World，為機器人操作提供了靈活的仿真數據生成方案、預訓練的大規模仿真數據和統一的模型評測標準。這一框架的推出，將進一步推動機器人在智能化道路上的發展。
智元公司表示，GO-1大模型的推出將加速具身智能的普及，推動機器人從依賴特定任務的工具向具備通用智能的自主體發展。未來，機器人將在商業、工業、家庭等多領域發揮更大作用，為人類創造更加便捷、智能的生活。
