揭晓稚晖君预告的“好东西”，智元发布中国首个通用具身基座模型GO-1

3月10日，上海智元机器人联合创始人、原华为“天才少年”稚晖君（彭志辉）的微博预告如期兑现，中国首个通用具身基座模型“智元启元大模型（Genie Operator-1，简称GO-1）”正式发布。

彭志辉自2022年12月离开华为，于2023年2月创立了智元机器人关联公司上海智元新创技术有限公司（简称，智元新创）。 

企查查显示，智元新创的实际控制人舒远春总持股比例为29.1674%，大股东桑蓬（上海）科技合伙企业（有限合伙）持股30.3775%。

比亚迪于2023年8月投资智元新创，认缴出资额为191.497万元，持股比例为2.5074%。除了比亚迪，其投资方包括高瓴创投、BV百度风投、奇绩创坛、经纬中国、蓝驰创投、沃赋创投、奇煜投资等。

彭志辉现任上海智元新创技术有限公司董事，桑蓬（上海）科技合伙企业（有限合伙）股东，并持有桑蓬科技13.79%的股份。

彭志辉，人称“稚晖君”、“野生钢铁侠”，原华为天才少年，2015年本科毕业于电子科技大学生命科学与技术学院，2018年研究生毕业于电子科技大学信息与通信工程学院。毕业后，他加入OPPO研究院AI实验室担任算法工程师。2020年，彭志辉加入“华为天才少年计划”，从事昇腾AI芯片和AI算法相关研究工作。2022年1月，他获得哔哩哔哩“2021年度百大UP主”称号。

据介绍，智元新创公司一直致力于AI与机器人的融合创新，打造世界级领先的具身智能机器人产品及应用生态。2023年8月，智元机器人发布第一代通用型具身智能机器人原型机——远征A1。时隔一年，智元机器人家族系列商用产品发布，在交互服务、柔性制造、特种作业、科研教育及数据采集等场景开启商用量产。

作为联合创始人，彭志辉于3月7日在微博上预告了即将发布的“好东西”，引发了广泛关注。

GO-1：VLA进化到ViLLA

智元发布的研究论文报告提到，2024年底，智元机器人公司推出了 AgiBot World，包含超过100万条轨迹、涵盖217个任务、涉及五大场景（家庭、零售、工业、餐厅和办公环境）的大规模高质量真机数据集。基于这一数据集，智元公司发布其首个通用具身基座大模型——Genie Operator-1 (GO-1)。

GO-1 基于 ​Vision-Language-Latent-Action (ViLLA) 架构构建，相比传统的 ​Vision-Language-Action (VLA) 架构，ViLLA 通过预测 ​Latent Action Tokens（隐式动作标记）​，弥合了图像-文本输入与机器人执行动作之间的鸿沟。

智元机器人表示，ViLLA 架构是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而提出的。

ViLLA架构由VLM (多模态大模型) 和 MoE (混合专家) 组成，其中 VLM 负责场景感知和指令理解，MoE 中的 Latent Planner 负责动作理解和规划，MoE 中的Action Expert 负责精细动作执行。

报告指出，​Latent Planner通过 ​Latent Action Model (LAM) 获取当前帧和历史帧之间的隐式动作，预测离散的 Latent Action Tokens。

混合专家一：Latent Planner（隐式规划器）

Action Expert采用Diffusion Model作为目标函数来建模低层级动作的连续分布。

混合专家二：Action Expert（动作专家）

在推理过程中，VLM、Latent Planner和Action Expert三者协同工作：

VLM 采用InternVL-2B，接收多视角视觉图片、力觉信号、语言输入等多模态信息，进行通用的场景感知和指令理解；

Latent Planner是MoE中的一组专家，基于VLM的中间层输出预测Latent Action Tokens作为CoP(Chain of Planning，规划链)，进行通用的动作理解和规划；

Action Expert是MoE中的另外一组专家，基于VLM的中间层输出以及Latent Action Tokens，生成最终的精细动作序列。

智元表示，“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。”

报告表示，“通过Vision-Language-Latent-Action (ViLLA) 创新性架构，我们在五种不同复杂度任务上测试 GO-1，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%)。其中 “Pour Water”（倒水）、“Table Bussing”（清理桌面） 和 “Restock Beverage”（补充饮料） 任务表现尤为突出。此外我们还单独验证了ViLLA 架构中Latent Planner的作用，可以看到增加Latent Planner可以提升12%的成功率(66%->78%)。”

实验结果

GO-1大模型的创新

报告提到，GO-1大模型具备以下四个关键特性：人类视频学习、小样本快速泛化、一脑多形、持续进化，具体来说：

• 人类视频学习：结合互联网视频和人类示范数据，增强对人类行为的理解。
• ​小样本快速泛化：在极少数据甚至零样本下，快速适应新场景和新任务。
• ​一脑多形：支持在不同机器人形态之间迁移，快速适配到不同本体。
• ​持续进化：通过数据回流系统，从实际执行中持续学习，越用越聪明。

智能机器人在发展过程中面临多方面的难题，这些难题涉及技术、数据、环境、成本等多个维度。

尤其在数据方面，机器人需要大量高质量的动作数据来学习复杂任务，但真实世界中的机器人操作数据（如真机示教数据）获取成本高、规模有限。现有数据集往往局限于特定场景或任务，缺乏多样性，难以支持机器人在开放环境中的泛化能力。互联网上的海量视频数据（如人类操作视频）无法直接用于机器人训练，需要复杂的“翻译”过程。

AgiBot World 数据集提供大规模、高质量的真机示教数据，支持复杂任务的训练。

ViLLA 架构通过 ​Latent Actions 和 ​MoE（混合专家）​ 架构，充分利用互联网视频数据和真机数据，提升模型的泛化能力和执行能力。

GO-1 大模型整合视觉、语言、动作等多模态输入，实现从感知到执行的高效闭环，支持长时程任务和复杂场景。

随着 ViLLA 架构 和 GO-1 大模型 的发布，机器人不仅拥有了大量真实和仿真的数据资源，还获得了快速学习和迁移的能力。这不仅扩展了它们的运动能力，还赋予了它们更强的AI能力，如理解自然语言指令和进行语义推理。这些进步使得机器人在各种应用场景中的作业能力大幅提升，从而真正具备了实用价值。

换句话说，机器人不再仅仅是按照固定程序运行的工具，而是能够自主学习、理解和执行复杂任务的智能助手，能够在更多领域发挥重要作用。

研究论文:

https://agibot-world.com/blog/agibot_go1.pdf