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（GO-1）的创新成果近日横空出世，由智元机器人公司正式发布。这一突破性进展标志着通用具身基座模型迈入崭新阶段，为机器人智能化发展开辟了新路径。
GO-1的核心在于其创新的Vision-Language-Latent-Action（ViLLA）框架，该框架巧妙融合了VLM（多模态大模型）与MoE（混合专家）技术，展现出卓越的性能。VLM作为主干网络，基于开源多模态大模型5-2B的权重，通过大规模互联网数据训练，赋予了GO-1强大的场景感知与理解能力。而MoE则进一步强化了模型的动作规划与执行能力，使其能够理解并执行复杂任务。
GO-1的五大亮点尤为引人注目：采训推一体化设计，实现了数据采集、模型训练与推理的无缝衔接；小样本快速泛化能力，使得模型能够在极少数据甚至零样本情况下适应新场景与新任务；一脑多形特性，让GO-1能够轻松迁移至不同形态的机器人本体；持续进化机制，通过数据回流系统不断学习与优化；以及人类视频学习能力，利用互联网视频与真实人类示范提升模型对人类行为的理解。
在构建过程中，GO-1采用了数字金字塔结构，从底层的互联网大规模纯文本与图文数据，到人类操作视频、仿真数据，再到顶层的真机示教数据，层层递进，为机器人提供了全面的“基础教育”与“能力培训”。这种设计使得GO-1能够轻松应对多样化的环境与物体，快速学习并执行新操作。
ViLLA框架的引入，更是让GO-1在接收多相机视觉信号与人类语言指令后，能够直接输出机器人的动作执行。与传统的Vision-Language-Action（VLA）模型相比，ViLLA通过预测隐式动作标记（Latent Action Tokens），有效弥合了图像-文本输入与机器人执行动作之间的鸿沟。例如，当用户以自然语言向机器人发出“挂衣服”的指令时，GO-1能够迅速理解任务要求，规划并执行挂衣服的各个步骤。
GO-1的广泛应用场景同样令人瞩目。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，再到工业等更多领域的操作任务，GO-1都能够迅速适应并高效完成。GO-1的数据回流机制还使其能够持续进化，不断优化自身性能。例如，在制作咖啡时若出现杯子放歪的情况，GO-1能够从错误中学习，直至成功完成任务。
智元启元大模型GO-1的成功发布，不仅展现了智元机器人在具身智能领域的深厚积累与创新实力，更为机器人技术的未来发展指明了方向。随着GO-1的广泛应用与持续优化，我们有理由相信，机器人将在更多场景中替代人类完成工作，为人类生活带来更多便利与惊喜。
