首個通用具身基座大模型發布，智元機器人的“稚暉君”有點興奮

“對機器人公司，你如果不做大模型，那是屬于沒有未來的機器人，沒有智能化，沒有作業能力只是一個硬件。他能做的事情非常有限，所以我們投入非常大的。”智元新創技術有限公司研究院執行院長、具身業務部總裁姚卯青在2025年3月10日的線上媒體溝通會上如是說。

這一天，智元機器人正式發布了全球首個通用具身基座大模型——智元啟元大模型（Genie Operator-1，簡稱GO-1），這標志著具身智能向通用化、開放化、智能化方向快速邁進。

智元機器人聯合創始人&CTO、曾是華為“天才少年”、B站知名UP“稚暉君”（本名：彭志輝）3月7日就在社交媒體表示要有“好東西發布”，3月10日在發布智元啟元大模型（GO-1）后，依然稱：“明天還有驚喜”。看起來，智元機器人正全力開啟加速度，網友在“稚暉君”的微博下還留言，熱度不夠，還要加大熱度。

ViLLA架構：從數字金字塔到具身智能的飛躍

GO-1的核心在于其開創性的Vision-Language-Latent-Action（ViLLA）架構。這一架構由多模態大模型（VLM）與混合專家模型（MoE）組成，試圖彌合視覺、語言與動作之間的鴻溝。

任廣輝詳細闡述了這一設計的初衷：“現有的VLA（Vision-Language-Action）架構沒有充分利用大規模人類和跨本體操作視頻數據，缺少一個重要的來源，導致迭代成本高、進化速度慢。我們提出的ViLLA通過預測Latent Action Tokens（隱式動作標記），有效利用了互聯網異構視頻和高質量的AgiBot World數據集，增強了策略的泛化能力?！?/strong>

ViLLA的底層邏輯源于智元提出的“數字金字塔”概念。任廣輝將其比作人類學習的過程：“以打乒乓球為例，你先通過課本和視頻理解理論，知道球的上旋、下旋是怎么回事；然后看世界冠軍的比賽視頻，學習動作模式；再通過發球機模擬練習，最后找教練手把手教。數據金字塔也是如此——底層是互聯網海量圖文數據，賦予模型通用知識；中間是人類和跨本體操作視頻，提供動作理解；再往上是仿真數據增強泛化性；頂層則是真機示教數據，確保動作精準。”

具體而言，VLM繼承了開源多模態模型InternVL2.5-2B的權重，負責場景感知和語言理解；MoE中的Latent Planner（隱式規劃器）基于人類和跨本體視頻數據抽象出動作序列；Action Expert（動作專家）則利用百萬真機數據將動作映射到機器人本體上。

任廣輝說：“比如‘掛衣服’，VLM理解指令和場景，Latent Planner推演出提衣、掛桿的步驟，Action Expert將其轉化為機器人的精確執行。這是一個全鏈路的閉環。”

在評測中，GO-1的表現令人矚目。智元機器人在五種不同復雜度任務上針對GO-1的測試顯示，相比已有的最優模型，GO-1的任務成功率領先，平均成功率提高了32%（46%->78%），其中在“Pour Water”（倒水）、“Table Bussing”（清理桌面）和“Restock Beverage”（補充飲料）的任務中表現尤為突出。任廣輝透露：“單獨驗證Latent Planner的作用時，成功率也提升了10多個百分點。這證明了ViLLA架構的有效性。”

四大特性，從實驗室通向真實世界

GO-1并非實驗室中的概念驗證，而是旨在解決具身智能落地困境的實用方案。任廣輝總結了當前行業的四大痛點：“泛化性差、擴展新任務成本高、不同本體數據無法共享、缺乏持續進化機制?！盙O-1通過四大特性直面這些挑戰。

一是人類視頻學習：GO-1大模型可以結合互聯網視頻和真實人類示范進行學習，增強模型對人類行為的理解。

二是小樣本快速泛化：該大模型具有泛化能力，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，使得后訓練成本非常低。

任廣輝舉例：“擦拭桌子上的污漬，我們只用了150條數據，一天采集完成；倒水需要1000條。相比傳統方法動輒上萬條，我們降低了1-2個數量級的成本。”

三是一腦多形：該大模型是通用機器人策略模型，能夠在不同機器人形態之間遷移，快速適配到不同本體。

任廣輝解釋：“GO-1抽象出了跨本體的動作概念，能快速適配輪式或人形機器人，實現群體升智?！?/p>

四是持續進化：該大模型搭配一整套數據回流系統，可以從實際執行中遇到的問題數據中持續進化學習。

任廣輝強調：“我們有一套完整的數據回流系統。比如機器人放咖啡時抖落了杯子，這些異常數據會回傳，經過人工審核后優化模型，越用越聰明?！?/p>

這四大特性讓GO-1從單一任務走向多任務，從封閉環境邁向開放世界，從預設程序進化到指令泛化。任廣輝總結：“GO-1就像給機器人提供了‘基礎教育’和‘職業教育’，讓它天然適應新場景和新任務?！?/p>

數據飛輪，開源的力量

GO-1的成功離不開智元在數據端的深耕。2023年9月，智元建成全球首個數采超級工廠；同年12月，開源了AgiBot World數據集，包含百萬條真機數據。

這一數據集在HuggingFace上連續多周位居下載榜首，GitHub上發布一周獲1200星，遠超谷歌Open X-Embodiment一年的900星。截至2025年3月，下載量已超2萬次。

姚卯青回顧道：“我們在硬件量產的基礎上，用千臺機器人編隊采集數據，再用這些數據自研大模型，最后部署回本體，形成了閉環迭代。這是全球首創。”任廣輝補充：“AgiBot World的質量和規模遠超同行，每條數據都有人工審核，確保工業級標準。用戶反饋這是他們能接觸到的唯一高質量大規模數據集?！?/p>

數據回流系統則是GO-1持續進化的關鍵。任廣輝舉例：“機器人執行任務時發現問題，比如放咖啡失敗，這些數據會回傳，經過審核后加入訓練集，推動模型迭代。”

機器人領域，數據采集的成本是很高的，未來數據采集里有沒有可能單獨剝離出來，形成一個產業？姚卯青認為，這是有可能的，“上一代AI 的發展是有明確的產業分工的，像數據的采集標注、審核甚至是數據的交易都是有一些平臺性的機構出現的，那么在機器人領域，我認為這也是有機會的?！?/p>

姚卯青說，因為每一家都來自己建設場地，投入設備，是一個重復造輪子、重復投資的行為。長期來看的話，可以由個別的幾家企業來集中承擔公共平臺的職責?！?/p>

姚卯青透露：“我們在上?！Ф忌烧Z料普惠計劃’中，與多家企業統一數據接口，推動數據匯聚。Q1末可能會有數據交易模式的政策發布。”這將為具身智能行業注入新的活力。

同時，關于數據的標準方面，“理想狀態是統一標準，共享互聯網圖文、動作視頻和真機數據，推動具身智能量級躍升。”任廣輝說。

工業、服務業、商業，5年內走入家庭

“機器人如果沒有自主作業能力，價值非常有限。AI能力將是未來競爭的核心，就像新能源車和手機行業一樣，硬件會收斂，供應鏈會整合，最后拼的是智能化?！?/strong>姚卯青接受采訪時說。

在應用場景上，智元采取漸進式策略。姚卯青表示：“短期內，我們聚焦工業、服務業和商業場景，比如POC項目已在工廠落地。長期目標是走進家庭，五年左右可能實現。工業場景對成功率要求高，我們會實地采集幾萬條數據，但比傳統方法仍更高效。家用場景如倒茶、做早餐，萬元內能夠實現。”

價格方面，姚卯青認為，定價9.9萬元的機器人確實在市場上受到了很大的關注，但硬件的基礎也決定了機器人能力的上限。

“在這個階段的話，我們還是堅定的認為需要以價值為導向，真正能夠讓機器人的硬件軟件協同做協同配合，產生一個好的效果，才是給用戶的價值，而不只是說買一個大號的電動玩具，這個長期來講是不具備很大的商業價值的?！?/strong>姚卯青說?！爱斍傲慨a規模在千臺以上，但供應鏈尚未完全成熟，機器人定價可能在30萬元以上。隨著今年規?；纳a和交付，AI研發成本會被分攤，不會顯著推高售價?！?/p>

商業計劃上，他透露：“今年出貨量將達數千臺，營收比去年增長數倍，覆蓋科研、教育、工業和服務業?！?/strong>

GO-1還將在Q1末對核心用戶開源模型。任廣輝說：“我們已公開技術博客和論文，未來用戶可將GO-1部署到自家機器人上。”這不僅加速了技術普及，也為智元構筑了數據與模型的雙重護城河。

關于DeepSeek是否帶來啟發或技術路線方面的影響時，姚卯青回應：“DeepSeek等優秀工作給我們很大啟發。我們參考了通用能力預訓練加垂類數據后訓練的思路，但在機器人領域增加了Latent Planner和Action Expert的創新。而且機器人是物理應用，與數字模型不同，我們的定制化創新讓GO-1通用具身基座大模型更貼合具身需求?！?/p>

近期火熱的Manus智能體也引發討論。姚卯青也表示：“Agent智能體在任務規劃上有借鑒意義，但機器人更復雜，涉及小腦控制和物理交互。短期內，我們靠數據到模型的閉環，長期可能融合Agent理念。”

在技術路線上，姚卯青判斷：“機器人模型尚未收斂，未來會結合模仿學習和強化學習。我們已有布局，幾個月后將發布基于強化學習的Foundation Model?！?/p>

面對當前市場上大量的具身智能公司，包括有八九年歷史的“老公司”，也有僅2年歷史的智元科技，新公司的優勢在哪里？姚卯青認為：“‘老牌公司’可能有歷史包袱，戰略調整難且保守。智元平均研發年齡30歲以下，勢頭正猛，兩年走完別人八年的路，今年有望成為國內龍頭。”

“中國的人才儲備強于國外，當然競爭也比較激烈?！币γ嘣诓稍L現場還打起了廣告，他還說公司正在持續招聘，打造全球第一梯隊。

本文首發：新聞晨報官方網站