在机器人技术的前沿探索中，一款名为智元启元大模型Genie Operator-1（简称GO-1）的创新成果近日由智元机器人公司正式发布。这款通用具身基座模型，以其独特的Vision-Language-Latent-Action（ViLLA）框架，为机器人领域带来了革命性的突破。
ViLLA框架由两大核心组件构成：VLM（多模态大模型）与MoE（混合专家）。VLM作为GO-1的主干网络，基于开源多模态大模型5-2B的权重进行训练，通过互联网上的大规模纯文本和图文数据，赋予了GO-1强大的场景感知和理解能力。而MoE则包含了隐动作专家模型和动作专家模型，前者利用互联网上的大规模人类操作和跨本体操作视频，使模型能够理解并执行各种动作；后者则通过高质量的仿真数据和真机数据，确保了动作的精细执行能力。
GO-1的发布，标志着机器人在小样本快速泛化、跨本体应用等方面取得了显著进展。该模型能够在极少数据甚至零样本的情况下，快速适应新场景和新任务，实现“一脑多形”的跨本体部署。同时，智元机器人还预告，未来几个月将推出基于强化学习的仿真模型，并即将亮相新的人形机器人。
GO-1的成功，得益于其独特的数字金字塔构建方式。底层是互联网的大规模纯文本与图文数据，为机器人提供了广泛的知识基础。在此基础上，通过引入互联网的大规模人类操作/跨本体视频和仿真数据，GO-1得以学习各种动作操作模式，并增强泛化性。金字塔的顶层则是高质量的真机示教数据，用于训练精准动作执行。
在实际应用中，GO-1展现出了卓越的性能。用户只需通过简单的语言指令，机器人就能根据场景和物体理解指令的含义，并快速执行相应动作。例如，用户告诉机器人“挂衣服”，机器人就能根据所学知识和仿真数据，理解挂衣服的步骤，并精准完成任务。GO-1还能通过数据回流系统持续进化，从实际执行中遇到的问题数据中不断学习，提高任务完成的成功率。
GO-1的应用场景广泛，从家庭场景中的准备餐食、收拾桌面，到办公和商业场景中的接待访客、发放物品，再到工业等其他场景的操作任务，都能轻松应对。这意味着机器人将能够走向更多不同场景，适应多变的真实世界，为人类的工作和生活带来更多便利。
智元启元大模型GO-1的发布，不仅为机器人领域带来了技术上的突破，更为具身智能的通用化、开放化与智能化发展开辟了新道路。未来，随着技术的不断进步和应用场景的不断拓展，机器人将在更多领域发挥重要作用，为人类创造更加美好的生活和工作环境。
