在機(jī)器人技術(shù)的前沿探索中，智元機(jī)器人于3月10日震撼發(fā)布其首個(gè)通用具身基座模型——智元啟元大模型Genie Operator-1（簡(jiǎn)稱GO-1）。這一創(chuàng)新成果不僅標(biāo)志著機(jī)器人在智能化道路上邁出了重要一步，更預(yù)示著具身智能向通用化、開放化邁進(jìn)的新紀(jì)元。

GO-1的核心在于其提出的Vision-Language-Latent-Action（ViLLA）框架，該框架巧妙融合了VLM（多模態(tài)大模型）與MoE（混合專家）技術(shù)，實(shí)現(xiàn)了從數(shù)據(jù)采集、模型訓(xùn)練到模型推理的無縫銜接。這一獨(dú)特設(shè)計(jì)賦予了GO-1小樣本快速泛化的能力，使其能在極少數(shù)據(jù)甚至零樣本的情況下迅速適應(yīng)新場(chǎng)景和新任務(wù)。

GO-1的ViLLA框架通過VLM主干網(wǎng)絡(luò)，利用互聯(lián)網(wǎng)上的大規(guī)模純文本和圖文數(shù)據(jù)，為機(jī)器人提供了廣泛的場(chǎng)景感知和理解能力。而MoE中的隱動(dòng)作專家模型和動(dòng)作專家模型，則分別通過大規(guī)模人類操作和跨本體操作視頻，以及高質(zhì)量的仿真數(shù)據(jù)和真機(jī)數(shù)據(jù)，使機(jī)器人具備了動(dòng)作理解和精細(xì)執(zhí)行能力。這種設(shè)計(jì)使得GO-1能夠輕松應(yīng)對(duì)多樣化的環(huán)境和物體，快速學(xué)習(xí)并執(zhí)行新的操作。

尤為GO-1的“一腦多形”特性使其成為一個(gè)真正的通用機(jī)器人策略模型。這意味著GO-1可以在不同機(jī)器人形態(tài)之間自由遷移，快速適配到各種本體上，從而大大拓展了其應(yīng)用場(chǎng)景。無論是家庭場(chǎng)景中的餐食準(zhǔn)備、桌面收拾，還是辦公和商業(yè)場(chǎng)景中的接待訪客、發(fā)放物品，GO-1都能游刃有余。

GO-1還具備持續(xù)進(jìn)化的能力。通過智元提供的一整套數(shù)據(jù)回流系統(tǒng)，GO-1可以從實(shí)際執(zhí)行中遇到的問題數(shù)據(jù)中不斷學(xué)習(xí)和進(jìn)化，從而不斷提升其性能和表現(xiàn)。例如，當(dāng)機(jī)器人在做咖啡時(shí)不小心將杯子放歪時(shí)，它可以通過數(shù)據(jù)回流系統(tǒng)學(xué)習(xí)到這一錯(cuò)誤，并在后續(xù)任務(wù)中避免重復(fù)發(fā)生。

在實(shí)際應(yīng)用中，GO-1的表現(xiàn)同樣令人矚目。用戶只需通過簡(jiǎn)單的語言指令，如“掛衣服”，GO-1就能根據(jù)所看到的畫面和所學(xué)習(xí)的知識(shí)，理解指令的含義和要求，并快速執(zhí)行相應(yīng)的動(dòng)作。這種結(jié)合互聯(lián)網(wǎng)視頻和真實(shí)人類示范的學(xué)習(xí)方式，極大地增強(qiáng)了GO-1對(duì)人類行為的理解和執(zhí)行能力。

在商務(wù)會(huì)議等場(chǎng)景中，GO-1同樣展現(xiàn)出了其強(qiáng)大的應(yīng)用潛力。面對(duì)人類發(fā)出的各種語音指令，如“幫我拿一瓶飲料”或“幫我拿一個(gè)蘋果”，GO-1都能迅速響應(yīng)并執(zhí)行相應(yīng)的動(dòng)作，為會(huì)議提供便捷的服務(wù)。

智元機(jī)器人的這一創(chuàng)新成果，無疑為具身智能的發(fā)展注入了新的活力。GO-1的出現(xiàn)，不僅解決了具身智能在場(chǎng)景和物體泛化能力不足、語言理解能力欠缺、新技能學(xué)習(xí)緩慢以及跨本體部署困難等方面的問題，更為機(jī)器人走向更多不同場(chǎng)景、適應(yīng)多變的真實(shí)世界提供了強(qiáng)大的技術(shù)支持。隨著技術(shù)的不斷進(jìn)步和應(yīng)用場(chǎng)景的不斷拓展，我們有理由相信，未來的機(jī)器人將更加智能化、通用化和開放化。