基于“慢思考”與“快思考”相結(jié)合，以“動作鏈”來提升長時序任務(wù)的成功率，正在成為當前具身智能通用大模型的主流方向。繼美國初創(chuàng)企業(yè)Physical Intelligence與FigureAI后，中國初創(chuàng)企業(yè)智元機器人提出了自己的通用具身基座大模型。

昨日，智元機器人發(fā)布了首個通用具身基座大模型智元啟元大模型（Genie Operator-1，簡稱GO-1），并公布了其技術(shù)報告，用到了去年底開源的現(xiàn)實世界機器人數(shù)據(jù)集AgiBot World。今天，智元還展示了新款人形機器人靈犀X2，它的同系列上一代機型已經(jīng)全棧開源。

GO-1由VLM（視覺語言模型，20億參數(shù)規(guī)模）+MoE（混合專家）組成，智元稱之為ViLLA（Vision-Language-Latent-Action）架構(gòu)，具有采訓(xùn)推一體，小樣本快速泛化、“一腦多形”的跨本體應(yīng)用、持續(xù)進化、人類視頻學習等優(yōu)勢。

GO-1的預(yù)訓(xùn)練數(shù)據(jù)，包括互聯(lián)網(wǎng)上大規(guī)模收集的多視角的視覺-語言數(shù)據(jù)、人類第一人稱視角的Ego4D數(shù)據(jù)、跨機器人平臺數(shù)據(jù)，以及最為核心的AgiBot World數(shù)據(jù)。后者由100多臺智元機器人收集，包含百萬條軌跡，總時長為2976小時，涵蓋家庭、零售、工業(yè)、餐廳和辦公等數(shù)百個現(xiàn)實世界場景約217個具體任務(wù)。

相比傳統(tǒng)的Open X-Embodiment (OXE) 數(shù)據(jù)集，它專注于長時序任務(wù)，多為30秒至2分鐘之間，可以幫助機器人更好地學習多步驟、連續(xù)性強的復(fù)雜任務(wù)。長時序任務(wù)是人形機器人應(yīng)用落地的關(guān)鍵。與數(shù)字世界的現(xiàn)實任務(wù)需要多步推理類似，物理世界的現(xiàn)實任務(wù)也多由一串動作序列構(gòu)成。

人形機器人在識別當前場景，理解用戶指令后，類似“思維鏈”，要從中構(gòu)建起“動作鏈”。GO-1的視覺-語言-潛在動作框架（ViLLA），相比傳統(tǒng)的視覺-語言-動作（VLA），最大的區(qū)別就在于預(yù)測潛在動作標記（latent action tokens）。

在整個框架中，VLM模型可以接收多視角圖片、力覺信號（通過視觸覺傳感器間接）、語言輸入等多模態(tài)信息，進行通用的場景感知和指令理解，比如理解“掛衣服”對應(yīng)的任務(wù)要求。

然后，Latent Planner（潛層規(guī)劃器）通過建模當前幀與歷史幀的變化，預(yù)測潛在動作序列，比如“靠近衣架、抓取衣物、掛上”等。

最后由Action Expert（動作專家）結(jié)合當前機器人狀態(tài)（如關(guān)節(jié)位置），生成低級控制信號（如關(guān)節(jié)角度、速度），比如將“抓取衣物”轉(zhuǎn)化為具體的手指閉合和手臂移動指令。

這提升了任務(wù)的成功率。智元機器人測試了五種不同復(fù)雜度的任務(wù)后發(fā)現(xiàn)，相比當前開源的最優(yōu)模型RDT-1B，GO-1的成功率大幅提升，尤其是在視覺魯棒性（如光線變化、對象位置變化或背景干擾）的“倒水”與“補貨飲料”任務(wù)上。如果沒有潛在動作預(yù)測，GO-1的平均成功率還要下降12個百分點。

智元機器人還發(fā)現(xiàn)，隨著預(yù)訓(xùn)練AgiBot World數(shù)據(jù)集規(guī)模的增長，GO-1成功率呈對應(yīng)可預(yù)測的冪律關(guān)系，說明擴展定律仍在起效，具備持續(xù)優(yōu)化的潛力。

智元機器人并不是第一個提出兩個系統(tǒng)分層的框架，以及潛在動作預(yù)測的具身智能初創(chuàng)企業(yè)。在上個月，F(xiàn)igureAI發(fā)布通用視覺-語言-動作模型Helix，同樣引入了相似機制。

Helix由系統(tǒng)2（S2）和 系統(tǒng)1（S1）構(gòu)成。前者也是一個VLM模型（70億參數(shù)規(guī)模），經(jīng)互聯(lián)網(wǎng)規(guī)模數(shù)據(jù)預(yù)訓(xùn)練，用于場景和語言理解，可對不同的物體和場景進行泛化；后者是基于潛層條件的視覺運動Transformer，用于實時執(zhí)行和調(diào)整動作。

這種解耦的架構(gòu)，允許兩個系統(tǒng)在各自的最佳時間尺度上運行。S2可以“慢思考”高水平的目標，將任務(wù)拆解為連續(xù)潛在向量（Latent Vector），再由S1“快思考”輸出動作序列。

在這一機制下，與早期的機器人系統(tǒng)相比，Helix能夠?qū)崟r完成持續(xù)性、需要配合的精密操作，而無需任何特定任務(wù)示范或大量手動編程。Helix基于500小時高質(zhì)量監(jiān)督數(shù)據(jù)預(yù)訓(xùn)練。FigureAI很渴望看到，在將Helix擴展1000倍甚至更多后，人形機器人會發(fā)生什么。

在這之前，去年10月，美國具身智能初創(chuàng)企業(yè)Physical Intelligence發(fā)布具身智能大模型π0時，就采用了一個30億參數(shù)的VLM模型（30億參數(shù)規(guī)模）和動作專家的框架，并提出該領(lǐng)域的研究前沿包括長時推理與規(guī)劃等。

今年2月，該公司又進一步提出了分層交互式機器人學習系統(tǒng)（Hi robot），該系統(tǒng)首先對復(fù)雜提示和用戶反饋進行推理，以推斷出完成任務(wù)的最佳下一步，然后通過低級動作執(zhí)行該步驟。

具身智能領(lǐng)域的競爭，已經(jīng)從“具身”或“智能”各自發(fā)展，逐步走向垂直整合。今年，F(xiàn)igureAI結(jié)束了與OpenAI的短暫合作，希望掌握自己的命運。“我們不能外包人工智能，就像我們不能外包硬件一樣，”公司創(chuàng)始人布雷特·阿德科克（Brett Adcock）說，“要在現(xiàn)實世界中大規(guī)模解決具身智能，必須垂直整合機器人AI?！?/p>

以往，中國的人行機器人圍繞國內(nèi)供應(yīng)鏈優(yōu)勢，普遍側(cè)重“具身”與動作控制模型的研發(fā)。現(xiàn)在，智元機器人邁出了加入這場垂直整合的戰(zhàn)局的第一步。

參考：

1，AgiBot World Colosseo: Large-scale Manipulation Platform for Scalable and Intelligent Embodied Systems

2，Hi Robot: Open-Ended Instruction Following with Hierarchical Vision-Language-Action Models