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）的通用具身基座模型于近日正式发布，标志着机器人智能化进程中的又一重要里程碑。这款由智元机器人公司倾力打造的模型，以其创新的Vision-Language-Latent-Action（ViLLA）框架，展现了前所未有的多模态学习与执行能力。
GO-1的核心竞争力在于其ViLLA框架，该框架融合了VLM（多模态大模型）与MoE（混合专家）技术。VLM作为模型的主干网络，通过吸收互联网上的海量文本与图文数据，赋予了GO-1强大的场景感知与理解能力。而MoE则扮演着隐式规划器与动作预测器的双重角色，前者利用人类操作视频提升动作理解能力，后者则借助高质量仿真与真机数据，确保动作的精确执行。
GO-1的五大特性尤为引人注目：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对接；小样本快速泛化能力，使得模型能够迅速适应新场景与新任务，大大降低了后训练成本；一脑多形特性，确保了GO-1能在不同形态的机器人之间灵活迁移，快速适配各类本体；持续进化机制，依托智元的数据回流系统，模型能从实际执行中遇到的问题数据中不断学习与进化；人类视频学习能力，让模型能够结合互联网视频与真实人类示范，进一步加深对人类行为的理解。
在构建过程中，GO-1遵循了具身领域的数字金字塔模型。底层是互联网的大规模纯文本与图文数据，为机器人提供基础的知识与场景理解。之上是人类操作与跨本体视频，帮助机器人学习动作模式。再上一层是仿真数据，增强模型的泛化能力。而金字塔的顶端，则是高质量的真机示教数据，确保动作的精准执行。这一设计，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。
在实际应用中，GO-1展现了其卓越的性能。用户只需通过简单的语言指令，如“挂衣服”，模型便能根据视觉信号与所学知识，拆解任务步骤并精准执行。无论是家庭场景中的倒水、烤吐司，还是商务会议中的拿饮料、递苹果，GO-1都能迅速响应，完成任务。模型还能通过数据回流机制，持续优化自身性能，如从做咖啡时杯子放歪的问题中学习，直至成功完成任务。
GO-1的问世，不仅解决了具身智能面临的诸多挑战，如场景与物体泛化能力不足、语言理解能力欠缺、新技能学习缓慢以及跨本体部署困难等，更为机器人走向更多场景、适应多变真实世界提供了可能。从家庭到办公，从商业到工业，GO-1以其强大的通用性与智能化水平，正引领着具身智能向通用化、开放化与智能化的全新阶段迈进。
