国泰君安：智元推出通用具身基座大模型GO-1 提升成功率

财中社3月11日电国泰君安发布机器人行业事件点评。智元发布首个通用具身基座模型Genie Operator-1。3月10日，智元发布首个通用具身基座大模型GO-1，开创性地提出了VisionLanguage-Latent-Action (ViLLA)架构，该架构由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视频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，三者环环相扣，实现了可以利用人类视频学习，完成小样本快速泛化，降低了具身智能门槛，并成功部署到智元多款机器人本体，持续进化，将具身智能推上了一个新台阶。

GO-1：VLA进化到ViLLA。为了有效利用高质量的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，智元提出了ViLLA这一架构。在推理时，VLM、Latent Planner和ActionExpert三者协同工作。其中LAM（隐式动作模型）主要用于获取当前帧和历史帧之间Latent Actions的Groundtruth（真值），它由编码器和解码器组成。Latent Planner负责预测这些离散的Latent ActionTokens，它与VLM主干网络共享相同的Transformer结构，同时引入Action Expert。结果显示，相比已有的最优模型，GO-1成功率大幅领先，平均成功率提高了32%（46%->78%）。

GO-1的推出标志着具身智能向通用化、开放化、智能化加速迈进。GO-1大模型可泛化应用到各类的环境和物品中，快速适应新任务、学习新技能。同时，它还支持部署到不同的机器人本体，高效地完成落地，并在实际的使用中持续不断地快速进化，包括：1）从单一任务到多种任务；2）从封闭环境到开放世界；3）从预设程序到指令泛化。GO-1大模型将加速具身智能的普及，在商业、工业、家庭等多领域发挥更大的作用，通向更加通用全能的智能未来。