一文读懂智元机器人GO-1大模型：如何降低具身智能技术门槛？

据了解，GO-1模型基于智元机器人2024年年底发布的AgiBot World数据集开发，并开创性提出了Vision-Language-Latent-Action（ViLLA）架构，实现了利用人类视频进行学习和小样本快速泛化，显著降低了具身智能的技术门槛。

目前，GO-1模型已成功部署到智元多款机器人本体中，与机器人系统紧密结合。随着后续的持续进化和优化，GO-1模型将为具身智能技术发展带来更多前所未有的可能。

▍创新架构！ViLLA优势何在？

GO-1大模型，基于具身领域的数字金字塔所构建，吸纳了人类世界多种维度和类型的数据，让机器人在一开始就拥有了通用的场景感知和语言能力，通用的动作理解能力，以及精细的动作执行力。

数字金字塔的底层是互联网的大规模纯文本与图文数据，可以帮助机器人理解通用知识和场景。在这之上是大规模人类操作/跨本体视频，可以帮助机器人学习人类或者其他本体的动作操作模式。更上一层则是仿真数据，用于增强泛化性，让机器人适应不同场景、物体等。金字塔的顶层，则是高质量的真机示教数据，用于训练精准动作执行。

现有的VLA（Vision-Language-Action）架构，未有利用到数字金字塔中大规模人类/跨本体操作视频数据，缺少了一个重要的数据来源，导致迭代的成本更高，进化的速度更慢。    

AgiBot World数据集规模庞大，包含超过100万条轨迹、涵盖217个任务和五大场景。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 Vision-Language-Latent-Action (ViLLA) 这一创新性架构。

与 Vision-Language-Action (VLA) 架构相比，ViLLA 通过预测Latent Action Tokens(隐式动作标记)，弥合图像-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。目前，ViLLA在真实世界的灵巧操作与长时间任务执行方面表现卓越，远超越现有开源SOTA模型。

具体来说，ViLLA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。在推理时，VLM、Latent Planner和Action Expert三者协同工作。

具体来说，VLM作为通用具身基座大模型的主干网络，继承开源多模态大模型InternVL2.5-2B的权重，利用互联网大规模纯文本和图文数据，让GO-1大模型具备了通用的场景感知和理解能力。隐动作专家模型作为第一个专家模型，是GO-1大模型中隐式的规划器，它利用到了大规模人类操作和跨本体操作视频，让模型具备动作的理解能力。GO-1大模型的最后是作为动作预测器的动作专家模型，它利用高质量的仿真数据、真机数据，让模型具备了动作的精细执行能力。

▍成功率提高32%！GO-1模型大幅领先

在ViLLA架构的助力下，GO-1大模型通过结合人类和多种机器人数据，赋予了机器人革命性的学习能力和泛化能力，使其能够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，GO-1大模型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。

总的来说，GO-1大模型的一系列优越性可以归纳为4个方面：一是人类视频学习能力，它能够结合互联网视频和真实人类示范进行学习，增强对人类行为的理解，从而更好地为人类服务；二是小样本快速泛化能力，即使在极少数据甚至零样本的情况下，也能泛化到新场景、新任务，大大降低了具身模型的使用门槛；三是一脑多形的迁移能力，作为通用机器人策略模型，它能够在不同机器人形态之间迁移，快速适配到不同本体，实现群体升智；四是持续进化的能力，搭配智元一整套数据回流系统，可以从实际执行中遇到的问题数据中持续进化学习，越用越聪明。    

为了验证GO-1大模型的优越性，智元机器人在五种不同复杂度的任务上进行了实验测试。这些任务涵盖了从简单的物品操作到复杂的场景理解，全面考验了机器人的智能化水平。实验结果显示，相比已有的最优模型，GO-1大模型的成功率大幅领先，平均成功率提高了32%（从46%提升到78%）。其中，“Pour Water”（倒水）、“Table Bussing”（清理桌面）和“Restock Beverage”（补充饮料）等任务的表现尤为突出，充分展示了GO-1大模型在实际应用中的强大能力。

此外，智元机器人还单独验证了ViLLA架构中Latent Planner的作用。通过增加Latent Planner，机器人的成功率进一步提升了12%（从66%提升到78%），这充分说明了GO-1大模型在架构设计和算法优化方面的先进性。

▍结语

GO-1大模型的推出，不仅标志着具身智能向通用化、开放化、智能化方向快速迈进，更预示着机器人行业将迎来一场深刻的变革。从单一任务到多种任务、从封闭环境到开放世界、从预设程序到指令泛化，GO-1大模型让机器人具备了更加全面和智能的能力，使其能够在商业、工业、家庭等多领域发挥更大的作用。

展望未来，GO-1大模型必将加速具身智能的普及进程，推动机器人从依赖特定任务的工具向着具备通用智能的自主体发展。我们有理由相信，在GO-1大模型的引领下，具身智能行业将迎来更加辉煌的未来，通向更加通用全能的智能时代。