前华为天才少年稚晖君的公司智元刚刚发布了 首个通用具身基座模型，名叫 启元大模型Genie Operator-1，简称 GO-1
GO-1 背后，是智元提出的全新 Vision-Language-Latent-Action (ViLLA) 架构。 简单来说，就是把之前的 VLA 架构给进化了，多了一个 “L” – Latent（隐式），可以利用人类视频学习，完成小样本快速泛化
而且稚晖君还透露明天还有惊喜
下面给大家划个重点
ViLLA架构
我们都知道，具身智能的关键在于让机器人像人一样感知环境、理解指令、并做出行动。 之前的 VLA 架构虽然能让机器人 “看到” 和 “听懂”，但在真正执行复杂动作时，中间总感觉隔着一层。 而 ViLLA 的创新之处，就在于它引入了 “隐式动作标记 (Latent Action Tokens)” 这个概念，巧妙地弥合了 “感知-理解” 到 “执行” 之间的鸿沟
ViLLA 架构的核心构成是 VLM (多模态大模型) + MoE (混合专家模型)。 这俩组合拳打出来，效果杠杠的：
-
• VLM (多模态大模型): 就像机器人的 “通用大脑”，用海量互联网图文数据训练，负责场景感知和语言理解。 智元这次直接用了 InternVL-2B，实力可见一斑。 -
• MoE (混合专家模型): MoE 内部又分为两组专家： -
• Latent Planner (隐式规划器): 它利用大量的 跨本体和人类操作视频数据，学习 通用的动作理解和规划能力。 可以理解为机器人的 “策略中枢”，知道在不同情况下应该怎么做。 -
• Action Expert (动作专家): 专注于 精细的动作执行，背后是 百万真机数据的喂养。 相当于机器人的 “精细操作手”，确保动作的精准和流畅。
三者协同工作，环环相扣： VLM 负责 “看懂”，Latent Planner 负责 “想明白怎么做”，Action Expert 负责 “精准执行”。 这套组合拳打下来，机器人就能像模像样地完成各种复杂任务了。
隐式规划器 (Latent Planner) 是 ViLLA 的精髓
为什么说 ViLLA 架构中的 Latent Planner 是点睛之笔？ 因为高质量的机器人真机数据虽然重要，但数量始终有限，远不如互联网数据那样海量。 智元很聪明地采用了 “隐式动作 (Latent Actions)” 的方法，让模型能够从海量的异构数据源 (包括人类操作视频) 中学习 真实世界的动作知识，并迁移到机器人操作任务中。
为了实现这一点，智元还专门设计了 Latent Action Model (LAM，隐式动作模型)。 LAM 通过编码器-解码器结构，学习当前帧和历史帧之间的 隐式变化，并用 Latent Planner 预测这些隐式动作。 这种方法巧妙地解决了数据量不足的问题，让模型能够 “站在巨人的肩膀上” 学习。
Action Expert 保证动作的灵巧性
除了 Latent Planner，ViLLA 架构的另一个亮点是 Action Expert (动作专家)。 为了让机器人能够 高频率、高灵巧度地操控，智元引入了 Action Expert，并采用 Diffusion Model (扩散模型) 作为目标函数，来建模低层级动作的连续分布。 Action Expert 与 Latent Planner 结构类似，也与 VLM 主干网络共享 Transformer 结构，但使用独立的 FFN 和 Q/K/V/O 投影矩阵。 它通过 Denoising Process (去噪过程) 逐步回归动作序列，保证动作的精细和流畅。
实验效果惊艳：成功率大幅提升
ViLLA 架构的效果如何？ 实验数据说话！ 智元在五种不同复杂度的任务上测试 GO-1，结果显示，相比已有的最优模型，GO-1 的平均成功率提高了 32% (46% -> 78%)！ 尤其在 “倒水”、“清理桌面” 和 “补充饮料” 等任务上，表现尤为突出。 更值得一提的是，单独验证 Latent Planner 的作用时，发现 增加 Latent Planner 可以提升 12% 的成功率 (66% -> 78%)。 这充分证明了 ViLLA 架构和 Latent Planner 的有效性
写在最后
GO-1 的发布，不仅仅是一个模型，更是具身智能发展的一个新里程碑。 它展现了四大关键特点：
-
1. 人类视频学习: GO-1 可以学习互联网视频和人类示范，更好地理解人类行为，从而更好地为人类服务 -
2. 小样本快速泛化: 强大的泛化能力让 GO-1 能够在极少数据甚至零样本下泛化到新场景、新任务，大大降低了具身智能的使用门槛 -
3. 一脑多形: GO-1 是通用机器人策略模型，可以在不同机器人形态之间迁移，快速适配不同本体，实现群体升智 -
4. 持续进化: 搭配智元的数据回流系统，GO-1 可以在实际使用中不断学习进化，越用越聪明
参考：
paper:
https://agibot-world.com/blog/agibot_go1.pdf
https://www.bilibili.com/opus/1042547317663596551?spm_id_from=333.1387.0.0
⭐
（文：AI寒武纪）