中國首個通用具身基座模型發佈

3月10日，上海機器人初創公司智元機器人正式發佈智元啓元大模型GenieOperator-1（GO-1），這是中國首個通用具身基座模型。智元機器人表示，這款模型具有泛化能力，能夠在極少數據甚至零樣本下泛化到新場景、新任務，降低了具身模型的使用門檻，降低了後訓練成本。

據介紹，該模型開創性地提出了Vision-Language-Latent-Action（ViLLA）架構，實現了可以利用人類視頻學習，完成小樣本快速泛化。ViLLA架構是由VLM（多模態大模型） + MoE（混合專家）組成，其中VLM藉助海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數據獲得通用的動作理解能力，MoE中的Action Expert（動作專家）藉助百萬真機數據獲得精細的動作執行能力。在推理時，VLM（多模態大模型）、Latent Planner（隱式規劃器）和Action Expert（動作專家）三者協同工作。目前智元啓元大模型已成功部署到智元多款機器人本體。

2024年年底，智元機器人曾發佈AgiBot World 百萬真機數據集，儘管AgiBot World 數據集已經是目前最大的機器人真機示教數據集，但這樣高質量帶動作標籤的真機數據量仍然有限，遠少於互聯網規模的數據集。爲了解決具身智能數據困境，智元機器人採用Latent Actions（隱式動作）來建模當前幀和歷史幀之間的隱式變化，然後通過Latent Planner（隱式規劃器）預測這些Latent Actions（隱式動作），從而將異構數據源中真實世界的動作知識轉移到通用操作任務中。

智元機器人表示，通過ViLLA 創新性架構，智元機器人在五種不同複雜度任務上測試 GO-1大模型，相比已有的最優模型，GO-1平均成功率提高了32%。其中在“Pour Water”（倒水）、“Table Bussing”（清理桌面） 和 “Restock Beverage”（補充飲料） 任務中表現突出。此外，GO-1大模型還可以搭配智元一整套數據迴流系統，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”。