近日，由知名技術(shù)博主“稚暉君”發(fā)起的創(chuàng)業(yè)項(xiàng)目智元機(jī)器人，正式揭曉了其首個(gè)通用具身基座模型——智元啟元大模型（簡(jiǎn)稱GO-1）。這款模型創(chuàng)新性地引入了Vision-Language-Latent-Action（ViLLA）架構(gòu)，標(biāo)志著具身智能領(lǐng)域的一次重要突破。
ViLLA架構(gòu)的核心在于將VLM（多模態(tài)大模型）與MoE（混合專家）相結(jié)合。VLM部分借助廣泛的互聯(lián)網(wǎng)圖文數(shù)據(jù)，實(shí)現(xiàn)了對(duì)通用場(chǎng)景的深刻感知和語(yǔ)言理解。而MoE則包含Latent Planner（隱式規(guī)劃器）和Action Expert（動(dòng)作專家）兩部分，前者通過(guò)大量跨本體和人類操作視頻數(shù)據(jù)，獲得了強(qiáng)大的動(dòng)作規(guī)劃能力；后者則依托百萬(wàn)真機(jī)數(shù)據(jù)，具備了精細(xì)的動(dòng)作執(zhí)行能力。
智元機(jī)器人在五種不同復(fù)雜度的任務(wù)上對(duì)GO-1進(jìn)行了測(cè)試，結(jié)果顯示，相比現(xiàn)有的最優(yōu)模型，GO-1的平均成功率提高了32%，從46%躍升至78%。特別是在“倒水”、“清理桌面”和“補(bǔ)充飲料”等任務(wù)中，GO-1的表現(xiàn)尤為出色。單獨(dú)驗(yàn)證Latent Planner的作用時(shí)發(fā)現(xiàn)，增加Latent Planner可使成功率提升12%，從66%提高至78%。
GO-1大模型不僅具備強(qiáng)大的學(xué)習(xí)和泛化能力，還能從人類和多種機(jī)器人數(shù)據(jù)中汲取知識(shí)，快速適應(yīng)新任務(wù)和學(xué)習(xí)新技能。它支持部署到不同的機(jī)器人本體上，實(shí)現(xiàn)真正的“一腦多形”。這意味著GO-1可以在不同形態(tài)的機(jī)器人之間遷移，快速適配，實(shí)現(xiàn)群體智能的提升。
更令人稱道的是，GO-1大模型還具備持續(xù)進(jìn)化的能力。借助智元提供的數(shù)據(jù)回流系統(tǒng)，GO-1可以從實(shí)際執(zhí)行中遇到的問(wèn)題數(shù)據(jù)中不斷學(xué)習(xí)和進(jìn)化，越用越聰明。這一特性極大地降低了具身模型的使用門檻，使得后訓(xùn)練成本大幅降低。
智元機(jī)器人在發(fā)布會(huì)上還預(yù)告了下一代具身智能機(jī)器人產(chǎn)品，但并未透露具體的推出時(shí)間。這一消息無(wú)疑為行業(yè)內(nèi)外帶來(lái)了更多的期待和想象空間。
GO-1大模型的成功發(fā)布，標(biāo)志著智元機(jī)器人在具身智能領(lǐng)域取得了重要的階段性成果。未來(lái)，隨著技術(shù)的不斷演進(jìn)和應(yīng)用的不斷拓展，GO-1有望在更多領(lǐng)域發(fā)揮重要作用，為人類社會(huì)帶來(lái)更加智能、便捷的服務(wù)。
