在機器人技術的前沿探索中，智元機器人于3月10日震撼發布其首個通用具身基座模型——智元啟元大模型Genie Operator-1（簡稱GO-1）。這一創新成果不僅標志著機器人在智能化道路上邁出了重要一步，更預示著具身智能向通用化、開放化邁進的新紀元。
GO-1的核心在于其提出的Vision-Language-Latent-Action（ViLLA）框架，該框架巧妙融合了VLM（多模態大模型）與MoE（混合專家）技術，實現了從數據采集、模型訓練到模型推理的無縫銜接。這一獨特設計賦予了GO-1小樣本快速泛化的能力，使其能在極少數據甚至零樣本的情況下迅速適應新場景和新任務。
GO-1的ViLLA框架通過VLM主干網絡，利用互聯網上的大規模純文本和圖文數據，為機器人提供了廣泛的場景感知和理解能力。而MoE中的隱動作專家模型和動作專家模型，則分別通過大規模人類操作和跨本體操作視頻，以及高質量的仿真數據和真機數據，使機器人具備了動作理解和精細執行能力。這種設計使得GO-1能夠輕松應對多樣化的環境和物體，快速學習并執行新的操作。
尤為GO-1的“一腦多形”特性使其成為一個真正的通用機器人策略模型。這意味著GO-1可以在不同機器人形態之間自由遷移，快速適配到各種本體上，從而大大拓展了其應用場景。無論是家庭場景中的餐食準備、桌面收拾，還是辦公和商業場景中的接待訪客、發放物品，GO-1都能游刃有余。
GO-1還具備持續進化的能力。通過智元提供的一整套數據回流系統，GO-1可以從實際執行中遇到的問題數據中不斷學習和進化，從而不斷提升其性能和表現。例如，當機器人在做咖啡時不小心將杯子放歪時，它可以通過數據回流系統學習到這一錯誤，并在后續任務中避免重復發生。
在實際應用中，GO-1的表現同樣令人矚目。用戶只需通過簡單的語言指令，如“掛衣服”，GO-1就能根據所看到的畫面和所學習的知識，理解指令的含義和要求，并快速執行相應的動作。這種結合互聯網視頻和真實人類示范的學習方式，極大地增強了GO-1對人類行為的理解和執行能力。
在商務會議等場景中，GO-1同樣展現出了其強大的應用潛力。面對人類發出的各種語音指令，如“幫我拿一瓶飲料”或“幫我拿一個蘋果”，GO-1都能迅速響應并執行相應的動作，為會議提供便捷的服務。
智元機器人的這一創新成果，無疑為具身智能的發展注入了新的活力。GO-1的出現，不僅解決了具身智能在場景和物體泛化能力不足、語言理解能力欠缺、新技能學習緩慢以及跨本體部署困難等方面的問題，更為機器人走向更多不同場景、適應多變的真實世界提供了強大的技術支持。隨著技術的不斷進步和應用場景的不斷拓展，我們有理由相信，未來的機器人將更加智能化、通用化和開放化。
