天才少年“稚晖君”推首个通用具身基座模型 智元已量产下线1000台机器人

文丨雅萱

编辑丨叶锦言

出品丨深网·腾讯新闻小满工作室

继“稚晖君”（彭志辉）在微博预热“下周有好东西发布”后，智元机器人于今天发布首个通用具身基座模型——智元启元大模型（GO-1），首次实现从人类视频学习技能、跨场景自主规划、多形态机器人适配等突破，相当于给人形机器人装了个“大脑”。

据智元机器人官方信息显示，GO-1大模型有四大特点：

人类视频学习：GO-1大模型可以结合互联网视频和真实人类示范进行学习，增强模型对人类行为的理解，更好地为人类服务。

小样本快速泛化：GO-1大模型具有强大的泛化能力，能够在极少数据甚至零样本下泛化到新场景、新任务，降低了具身模型的使用门槛，使得后训练成本非常低。

一脑多形：GO-1大模型是通用机器人策略模型，能够在不同机器人形态之间迁移，快速适配到不同本体，群体升智。

持续进化：GO-1大模型搭配智元一整套数据回流系统，可以从实际执行遇到的问题数据中持续进化学习，越用越聪明。

简单来说，搭载GO-1大模型的智能机器人，不仅能通过观看网上的视频（比如倒水或拿东西的动作）自学成才，还可以在少数据甚至零样本下适应新任务和环境，节省训练成本。此外，当机器人执行任务时遇到问题（比如抓取失败），会自动记录数据并优化模型，越用越聪明。

智元启元大模型（GO-1）核心是基于智元提出的全新ViLLA（Vision-Language-Latent-Action）架构，由VLM（多模态大模型）+ MoE（混合专家）组成。其中VLM借助海量互联网图文数据获得通用场景感知和语言理解能力，MoE中的Latent Planner(隐式规划器)借助大量跨本体和人类操作数据获得通用的动作理解能力，MoE中的Action Expert(动作专家)借助百万真机数据获得精细的动作执行能力。

与现有的VLA（Vision-Language-Action）架构相比，ViLLA通过预测Latent Action Tokens（隐式动作标记），弥合了图像-文本输入与机器人执行动作之间的鸿沟，能有效利用高质量的AgiBot World数据集以及互联网大规模异构视频数据，增强策略的泛化能力。

简单来说，即GO-1的ViLLA架构（视觉-语言-隐式动作）新增“隐式规划器”，通过预测中间动作标记（Latent Action Tokens）作为过渡，将人类视频中的动作模式转化为机器人可理解的规划链，再通过“动作专家”生成精细动作。

公开资料显示，智元机器人成立于2023年2月，由90后“天才少年”彭志辉与上海交大教授闫维新共同创办，前者负责人形机器人的“大脑”，后者负责人形机器人的“身体”。

2023年8月18日，智元机器人发布了第一代原型机远征A1；2024年8月，智元机器人推出包括交互服务机器人远征A2、柔性智造机器人远征A2-W、重载特种机器人远征A2-Max、全栈开源机器人灵犀X1、专业数采机器人灵犀X1-W等第二代商用人形机器人产品。

彭志辉曾透露，智元机器人2024年预估发货量将达到300台左右，其中双足 200台 左右，轮式 100台左右 。而据智元具身研究中心常务主任任广辉介绍，截至目前，智元机器人已经量产下线1000台机器人。