“對(duì)機(jī)器人公司，你如果不做大模型，那是屬于沒有未來的機(jī)器人，沒有智能化，沒有作業(yè)能力只是一個(gè)硬件。他能做的事情非常有限，所以我們投入非常大的。”智元新創(chuàng)技術(shù)有限公司研究院執(zhí)行院長(zhǎng)、具身業(yè)務(wù)部總裁姚卯青在2025年3月10日的線上媒體溝通會(huì)上如是說。

這一天，智元機(jī)器人正式發(fā)布了全球首個(gè)通用具身基座大模型——智元啟元大模型（Genie Operator-1，簡(jiǎn)稱GO-1），這標(biāo)志著具身智能向通用化、開放化、智能化方向快速邁進(jìn)。

智元機(jī)器人聯(lián)合創(chuàng)始人&CTO、曾是華為“天才少年”、B站知名UP“稚暉君”（本名：彭志輝）3月7日就在社交媒體表示要有“好東西發(fā)布”，3月10日在發(fā)布智元啟元大模型（GO-1）后，依然稱：“明天還有驚喜”。看起來，智元機(jī)器人正全力開啟加速度，網(wǎng)友在“稚暉君”的微博下還留言，熱度不夠，還要加大熱度。

ViLLA架構(gòu)：從數(shù)字金字塔到具身智能的飛躍

GO-1的核心在于其開創(chuàng)性的Vision-Language-Latent-Action（ViLLA）架構(gòu)。這一架構(gòu)由多模態(tài)大模型（VLM）與混合專家模型（MoE）組成，試圖彌合視覺、語(yǔ)言與動(dòng)作之間的鴻溝。

任廣輝詳細(xì)闡述了這一設(shè)計(jì)的初衷：“現(xiàn)有的VLA（Vision-Language-Action）架構(gòu)沒有充分利用大規(guī)模人類和跨本體操作視頻數(shù)據(jù)，缺少一個(gè)重要的來源，導(dǎo)致迭代成本高、進(jìn)化速度慢。我們提出的ViLLA通過預(yù)測(cè)Latent Action Tokens（隱式動(dòng)作標(biāo)記），有效利用了互聯(lián)網(wǎng)異構(gòu)視頻和高質(zhì)量的AgiBot World數(shù)據(jù)集，增強(qiáng)了策略的泛化能力。”

ViLLA的底層邏輯源于智元提出的“數(shù)字金字塔”概念。任廣輝將其比作人類學(xué)習(xí)的過程：“以打乒乓球?yàn)槔阆韧ㄟ^課本和視頻理解理論，知道球的上旋、下旋是怎么回事；然后看世界冠軍的比賽視頻，學(xué)習(xí)動(dòng)作模式；再通過發(fā)球機(jī)模擬練習(xí)，最后找教練手把手教。數(shù)據(jù)金字塔也是如此——底層是互聯(lián)網(wǎng)海量圖文數(shù)據(jù)，賦予模型通用知識(shí)；中間是人類和跨本體操作視頻，提供動(dòng)作理解；再往上是仿真數(shù)據(jù)增強(qiáng)泛化性；頂層則是真機(jī)示教數(shù)據(jù)，確保動(dòng)作精準(zhǔn)。”

具體而言，VLM繼承了開源多模態(tài)模型InternVL2.5-2B的權(quán)重，負(fù)責(zé)場(chǎng)景感知和語(yǔ)言理解；MoE中的Latent Planner（隱式規(guī)劃器）基于人類和跨本體視頻數(shù)據(jù)抽象出動(dòng)作序列；Action Expert（動(dòng)作專家）則利用百萬真機(jī)數(shù)據(jù)將動(dòng)作映射到機(jī)器人本體上。

任廣輝說：“比如‘掛衣服’，VLM理解指令和場(chǎng)景，Latent Planner推演出提衣、掛桿的步驟，Action Expert將其轉(zhuǎn)化為機(jī)器人的精確執(zhí)行。這是一個(gè)全鏈路的閉環(huán)。”

在評(píng)測(cè)中，GO-1的表現(xiàn)令人矚目。智元機(jī)器人在五種不同復(fù)雜度任務(wù)上針對(duì)GO-1的測(cè)試顯示，相比已有的最優(yōu)模型，GO-1的任務(wù)成功率領(lǐng)先，平均成功率提高了32%（46%->78%），其中在“Pour Water”（倒水）、“Table Bussing”（清理桌面）和“Restock Beverage”（補(bǔ)充飲料）的任務(wù)中表現(xiàn)尤為突出。任廣輝透露：“單獨(dú)驗(yàn)證Latent Planner的作用時(shí)，成功率也提升了10多個(gè)百分點(diǎn)。這證明了ViLLA架構(gòu)的有效性。”

四大特性，從實(shí)驗(yàn)室通向真實(shí)世界

GO-1并非實(shí)驗(yàn)室中的概念驗(yàn)證，而是旨在解決具身智能落地困境的實(shí)用方案。任廣輝總結(jié)了當(dāng)前行業(yè)的四大痛點(diǎn)：“泛化性差、擴(kuò)展新任務(wù)成本高、不同本體數(shù)據(jù)無法共享、缺乏持續(xù)進(jìn)化機(jī)制。”GO-1通過四大特性直面這些挑戰(zhàn)。

一是人類視頻學(xué)習(xí)：GO-1大模型可以結(jié)合互聯(lián)網(wǎng)視頻和真實(shí)人類示范進(jìn)行學(xué)習(xí)，增強(qiáng)模型對(duì)人類行為的理解。

二是小樣本快速泛化：該大模型具有泛化能力，能夠在極少數(shù)據(jù)甚至零樣本下泛化到新場(chǎng)景、新任務(wù)，降低了具身模型的使用門檻，使得后訓(xùn)練成本非常低。

任廣輝舉例：“擦拭桌子上的污漬，我們只用了150條數(shù)據(jù)，一天采集完成；倒水需要1000條。相比傳統(tǒng)方法動(dòng)輒上萬條，我們降低了1-2個(gè)數(shù)量級(jí)的成本。”

三是一腦多形：該大模型是通用機(jī)器人策略模型，能夠在不同機(jī)器人形態(tài)之間遷移，快速適配到不同本體。

任廣輝解釋：“GO-1抽象出了跨本體的動(dòng)作概念，能快速適配輪式或人形機(jī)器人，實(shí)現(xiàn)群體升智。”

四是持續(xù)進(jìn)化：該大模型搭配一整套數(shù)據(jù)回流系統(tǒng)，可以從實(shí)際執(zhí)行中遇到的問題數(shù)據(jù)中持續(xù)進(jìn)化學(xué)習(xí)。

任廣輝強(qiáng)調(diào)：“我們有一套完整的數(shù)據(jù)回流系統(tǒng)。比如機(jī)器人放咖啡時(shí)抖落了杯子，這些異常數(shù)據(jù)會(huì)回傳，經(jīng)過人工審核后優(yōu)化模型，越用越聰明。”

這四大特性讓GO-1從單一任務(wù)走向多任務(wù)，從封閉環(huán)境邁向開放世界，從預(yù)設(shè)程序進(jìn)化到指令泛化。任廣輝總結(jié)：“GO-1就像給機(jī)器人提供了‘基礎(chǔ)教育’和‘職業(yè)教育’，讓它天然適應(yīng)新場(chǎng)景和新任務(wù)。”

數(shù)據(jù)飛輪，開源的力量

GO-1的成功離不開智元在數(shù)據(jù)端的深耕。2023年9月，智元建成全球首個(gè)數(shù)采超級(jí)工廠；同年12月，開源了AgiBot World數(shù)據(jù)集，包含百萬條真機(jī)數(shù)據(jù)。

這一數(shù)據(jù)集在HuggingFace上連續(xù)多周位居下載榜首，GitHub上發(fā)布一周獲1200星，遠(yuǎn)超谷歌Open X-Embodiment一年的900星。截至2025年3月，下載量已超2萬次。

姚卯青回顧道：“我們?cè)谟布慨a(chǎn)的基礎(chǔ)上，用千臺(tái)機(jī)器人編隊(duì)采集數(shù)據(jù)，再用這些數(shù)據(jù)自研大模型，最后部署回本體，形成了閉環(huán)迭代。這是全球首創(chuàng)。”任廣輝補(bǔ)充：“AgiBot World的質(zhì)量和規(guī)模遠(yuǎn)超同行，每條數(shù)據(jù)都有人工審核，確保工業(yè)級(jí)標(biāo)準(zhǔn)。用戶反饋這是他們能接觸到的唯一高質(zhì)量大規(guī)模數(shù)據(jù)集。”

數(shù)據(jù)回流系統(tǒng)則是GO-1持續(xù)進(jìn)化的關(guān)鍵。任廣輝舉例：“機(jī)器人執(zhí)行任務(wù)時(shí)發(fā)現(xiàn)問題，比如放咖啡失敗，這些數(shù)據(jù)會(huì)回傳，經(jīng)過審核后加入訓(xùn)練集，推動(dòng)模型迭代。”

機(jī)器人領(lǐng)域，數(shù)據(jù)采集的成本是很高的，未來數(shù)據(jù)采集里有沒有可能單獨(dú)剝離出來，形成一個(gè)產(chǎn)業(yè)？姚卯青認(rèn)為，這是有可能的，“上一代AI 的發(fā)展是有明確的產(chǎn)業(yè)分工的，像數(shù)據(jù)的采集標(biāo)注、審核甚至是數(shù)據(jù)的交易都是有一些平臺(tái)性的機(jī)構(gòu)出現(xiàn)的，那么在機(jī)器人領(lǐng)域，我認(rèn)為這也是有機(jī)會(huì)的。”

姚卯青說，因?yàn)槊恳患叶紒碜约航ㄔO(shè)場(chǎng)地，投入設(shè)備，是一個(gè)重復(fù)造輪子、重復(fù)投資的行為。長(zhǎng)期來看的話，可以由個(gè)別的幾家企業(yè)來集中承擔(dān)公共平臺(tái)的職責(zé)。”

姚卯青透露：“我們?cè)谏虾！Ф忌烧Z(yǔ)料普惠計(jì)劃’中，與多家企業(yè)統(tǒng)一數(shù)據(jù)接口，推動(dòng)數(shù)據(jù)匯聚。Q1末可能會(huì)有數(shù)據(jù)交易模式的政策發(fā)布。”這將為具身智能行業(yè)注入新的活力。

同時(shí)，關(guān)于數(shù)據(jù)的標(biāo)準(zhǔn)方面，“理想狀態(tài)是統(tǒng)一標(biāo)準(zhǔn)，共享互聯(lián)網(wǎng)圖文、動(dòng)作視頻和真機(jī)數(shù)據(jù)，推動(dòng)具身智能量級(jí)躍升。”任廣輝說。

工業(yè)、服務(wù)業(yè)、商業(yè)，5年內(nèi)走入家庭

“機(jī)器人如果沒有自主作業(yè)能力，價(jià)值非常有限。AI能力將是未來競(jìng)爭(zhēng)的核心，就像新能源車和手機(jī)行業(yè)一樣，硬件會(huì)收斂，供應(yīng)鏈會(huì)整合，最后拼的是智能化。”姚卯青接受采訪時(shí)說。

在應(yīng)用場(chǎng)景上，智元采取漸進(jìn)式策略。姚卯青表示：“短期內(nèi)，我們聚焦工業(yè)、服務(wù)業(yè)和商業(yè)場(chǎng)景，比如POC項(xiàng)目已在工廠落地。長(zhǎng)期目標(biāo)是走進(jìn)家庭，五年左右可能實(shí)現(xiàn)。工業(yè)場(chǎng)景對(duì)成功率要求高，我們會(huì)實(shí)地采集幾萬條數(shù)據(jù)，但比傳統(tǒng)方法仍更高效。家用場(chǎng)景如倒茶、做早餐，萬元內(nèi)能夠?qū)崿F(xiàn)。”

價(jià)格方面，姚卯青認(rèn)為，定價(jià)9.9萬元的機(jī)器人確實(shí)在市場(chǎng)上受到了很大的關(guān)注，但硬件的基礎(chǔ)也決定了機(jī)器人能力的上限。

“在這個(gè)階段的話，我們還是堅(jiān)定的認(rèn)為需要以價(jià)值為導(dǎo)向，真正能夠讓機(jī)器人的硬件軟件協(xié)同做協(xié)同配合，產(chǎn)生一個(gè)好的效果，才是給用戶的價(jià)值，而不只是說買一個(gè)大號(hào)的電動(dòng)玩具，這個(gè)長(zhǎng)期來講是不具備很大的商業(yè)價(jià)值的。”姚卯青說。“當(dāng)前量產(chǎn)規(guī)模在千臺(tái)以上，但供應(yīng)鏈尚未完全成熟，機(jī)器人定價(jià)可能在30萬元以上。隨著今年規(guī)模化的生產(chǎn)和交付，AI研發(fā)成本會(huì)被分?jǐn)偅粫?huì)顯著推高售價(jià)。”

商業(yè)計(jì)劃上，他透露：“今年出貨量將達(dá)數(shù)千臺(tái)，營(yíng)收比去年增長(zhǎng)數(shù)倍，覆蓋科研、教育、工業(yè)和服務(wù)業(yè)。”

GO-1還將在Q1末對(duì)核心用戶開源模型。任廣輝說：“我們已公開技術(shù)博客和論文，未來用戶可將GO-1部署到自家機(jī)器人上。”這不僅加速了技術(shù)普及，也為智元構(gòu)筑了數(shù)據(jù)與模型的雙重護(hù)城河。

關(guān)于DeepSeek是否帶來啟發(fā)或技術(shù)路線方面的影響時(shí)，姚卯青回應(yīng)：“DeepSeek等優(yōu)秀工作給我們很大啟發(fā)。我們參考了通用能力預(yù)訓(xùn)練加垂類數(shù)據(jù)后訓(xùn)練的思路，但在機(jī)器人領(lǐng)域增加了Latent Planner和Action Expert的創(chuàng)新。而且機(jī)器人是物理應(yīng)用，與數(shù)字模型不同，我們的定制化創(chuàng)新讓GO-1通用具身基座大模型更貼合具身需求。”

近期火熱的Manus智能體也引發(fā)討論。姚卯青也表示：“Agent智能體在任務(wù)規(guī)劃上有借鑒意義，但機(jī)器人更復(fù)雜，涉及小腦控制和物理交互。短期內(nèi)，我們靠數(shù)據(jù)到模型的閉環(huán)，長(zhǎng)期可能融合Agent理念。”

在技術(shù)路線上，姚卯青判斷：“機(jī)器人模型尚未收斂，未來會(huì)結(jié)合模仿學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。我們已有布局，幾個(gè)月后將發(fā)布基于強(qiáng)化學(xué)習(xí)的Foundation Model。”

面對(duì)當(dāng)前市場(chǎng)上大量的具身智能公司，包括有八九年歷史的“老公司”，也有僅2年歷史的智元科技，新公司的優(yōu)勢(shì)在哪里？姚卯青認(rèn)為：“‘老牌公司’可能有歷史包袱，戰(zhàn)略調(diào)整難且保守。智元平均研發(fā)年齡30歲以下，勢(shì)頭正猛，兩年走完別人八年的路，今年有望成為國(guó)內(nèi)龍頭。”

“中國(guó)的人才儲(chǔ)備強(qiáng)于國(guó)外，當(dāng)然競(jìng)爭(zhēng)也比較激烈。”姚卯青在采訪現(xiàn)場(chǎng)還打起了廣告，他還說公司正在持續(xù)招聘，打造全球第一梯隊(duì)。

本文首發(fā)：新聞晨報(bào)官方網(wǎng)站