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。这一通用具身基座模型的问世，标志着机器人在理解指令、适应环境及执行任务方面迈出了重要一步。
GO-1的核心在于其提出的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。这一组合不仅使GO-1拥有了从数据采集到模型推理的一体化能力，更赋予了它小样本快速泛化、“一脑多形”跨本体应用等独特优势。
GO-1的ViLLA框架通过VLM模型继承了开源多模态大模型的权重，并利用互联网上的大规模文本和图文数据，实现了对通用场景的理解。而MoE中的隐动作专家模型和动作专家模型，则分别通过人类操作视频和高质量仿真、真机数据，增强了模型的动作理解和执行能力。这种设计使得GO-1能够轻松应对多样化的环境和物体，快速学习并执行新操作。
智元机器人在构建GO-1时，采用了具身领域的数字金字塔结构。底层是互联网的大规模纯文本与图文数据，为机器人提供基础知识；中层是人类操作视频，帮助机器人学习动作模式；上层是仿真数据，用于增强泛化性；顶层则是高质量的真机示教数据，确保精准动作执行。这一结构让GO-1能够全面适应新场景，轻松面对各种挑战。
在实际应用中，GO-1展现出了惊人的能力。用户只需用日常语言向机器人发出指令，如“挂衣服”，GO-1便能迅速理解并执行。它首先根据画面和所学知识理解指令含义，然后参考人类操作视频规划动作步骤，接着通过仿真数据模拟操作过程，最后利用真机示教数据精准完成任务。这一过程流畅且高效，展现了GO-1在理解和执行指令方面的卓越能力。
GO-1的应用场景广泛，从家庭生活的倒水、烤吐司，到商务会议的拿饮料、拿苹果，再到活动现场的检票、发放物料，它都能轻松应对。GO-1还具备持续进化的能力。当机器人在执行任务中遇到问题时，如做咖啡时杯子放歪，它能够通过数据回流系统学习并改进，直到成功完成任务。
GO-1的成功发布，不仅为机器人技术的发展注入了新的活力，更为具身智能的通用化、开放化与智能化进程加速。它打破了机器人只能执行单一任务的局限，让机器人能够走向更多不同场景，适应多变的真实世界。随着技术的不断进步，我们有理由相信，未来的机器人将更加智能、更加灵活，为我们的生活带来更多便利和惊喜。
