智元機器人姚卯青：不做大模型，機器人是沒有未來的

3月10日，智元機器人發佈首個通用具身基座模型——智元啓元大模型（Genie Operator-1），提出了Vision-Language-Latent-Action (ViLLA) 架構。該架構由VLM(多模態大模型) + MoE(混合專家)組成，其中VLM藉助大量互聯網圖文數據獲得通用場景感知和語言理解能力，MoE中的Latent Planner(隱式規劃器)藉助大量跨本體和人類操作視頻數據獲得通用的動作理解能力，MoE中的Action Expert(動作專家)藉助真機數據獲得精細的動作執行能力，三者相結合，實現了可以利用人類視頻學習，完成小樣本快速泛化。

智元稱，該模型可以降低具身智能門檻，並已經成功部署到智元多款機器人本體。

智元具身研究中心常務主任任廣輝對界面新聞介紹，現有具身模型面臨多個落地困境，包括泛化性差，到新場景時成功率大幅下降；擴展新任務時需要大量數據，落地成本高；不同本體的數據無法共用，數據成本高；模型無法持續進化等。

而現有的DP/ACT等具身小模型技能單一且無法快速學習新技能，GR-1/2等模型無法構建通用的場景感知、指令理解等能力，語義指令泛化受限，以及存在小樣本泛化到新場景/新任務能力較弱等問題。

智元新推出的ViLLA架構大模型可以比較好地解決這些問題。基於該架構的GO-1大模型可以結合互聯網視頻和真實人類示範進行學習，增強模型對人類行爲的理解，更好地爲人類服務。

由於具有強大的泛化能力，GO-1能夠在極少數據甚至零樣本下泛化到新場景、新任務，使得後訓練成本非常低。此外，GO-1大模型是通用機器人策略模型，能夠在不同機器人形態之間遷移，快速適配到不同本體。配智元一整套數據迴流系統，GO-1可以從實際執行遇到的問題數據中持續進化學習，“越用越聰明”。

在評測中，智元機器人在五種不同複雜度任務上針對GO-1的測試顯示，相比已有的最優模型，GO-1的任務成功率領先，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”（補充飲料）的任務中表現尤爲突出。

在成本方面，智元對界面新聞表示，目前機器人的研發成本中算力和數據是投入最大的兩個方面，因此節約訓練數據量對降低訓練成本的效果顯著。

“對機器人公司來說，如果不做大模型，是沒有未來的。沒有智能化、沒有作業能力的機器人只是一個硬件，能做的事情非常有限。所以我們對於機器人大模型的投入是非常大的。”智元新創技術有限公司研究院執行院長、具身業務部總裁姚卯青對界面新聞強調，“就像新能源車和手機行業一樣，硬件會收斂，供應鏈會整合，最後拼的是智能化。”

他透露，DeepSeek等大模型的工作給智元帶來了很大的啓發。智元參考了通用能力預訓練加垂類數據後訓練的思路，但在機器人領域增加了Latent Planner和Action Expert的創新。他還提到，最近火熱的Agent智能體在任務規劃上同樣有借鑑意義，長期來看智元可能會在機器人上融合Agent理念。

在多模態大模型方面，智元表示，已經與階躍星辰合作，後續將圍繞階躍的多模態、推理和訓練、工程化等底層模型能力進行深度的合作，將階躍星辰多模態等能力賦能到機器人上面。

姚卯青表示，大模型在機器人行業的應用也會經歷一個漸進式的過程。從一些較爲容易入手、結構化場景較爲明確的場景先進性落地探索，然後逐漸演化到一些半結構化和半開放的任務和場景，最終通過在各個行業、各個場景落地過程中收集到的數據，真正實現通用人工智能在物理世界的應用。

從時間上來說，他預判，未來1-2年，人形機器人能夠在局部工業場景應用落地，機器人走進家庭還需要5年左右的時間。此外，機器人實現像人一樣有通用能力的物理世界AGI（通用人工智能）還需要5-10年時間。

在機器人技術方向上，他認爲其還處於比較早期的階段，沒有到收斂的程度。受制於數據的問題，機器人行業還無法完成完整的驗證，這也是智元希望去主動開源的原因。

去年12月30日，智元機器人宣佈開源彙集百萬真實機器人數據的開源數據集AgiBot World（智元世界）。在GO-1發佈的同時，智元也將技術博客、論文完全公開。一季度內，智元機器人還會面向核心用戶開源GO-1模型。

姚卯青還向界面新聞等媒體稱，在本體、硬件、算法都還沒有收斂的情況下，大家急着“卷”價格戰沒有什麼意義。對於最近受關注的9.9萬元機器人話題，他認爲人形機器人產業還是要看產品競爭力，如果在達不到給用戶創造價值的時候打9.9萬元，只會把整個行業變成一個很不健康的狀態。

他透露，智元今年機器人出貨量計劃保持在數千臺，營收數將保持數倍規模增長。今年1月，智元機器人剛剛宣佈完成下線1000套通用具身機器人。