機器人行業，也在期待自己的「ChatGPT 時刻」。
作者｜周永亮
3 月 7 日晚，智元機器人聯合創始人「稚暉君」（彭志輝）在微博上扔下了一顆「預告炸彈」——「下週有好東西釋出」。短短一句話，迅速引爆全網，閱讀量飆升至 10 萬+。
結果，3 月 10 日上午，智元機器人就揭曉了謎底——Genie Operator-1（GO-1），智元首個通用具身基座大模型亮相。影片中，機器人可以烤吐司、煮咖啡、送早餐到你的手上，完全不成問題。官方宣稱，GO-1 不僅具備強大的泛化能力，還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。
早在 2024 年底，智元就推出了 AgiBot World，一個包含超過 100 萬條軌跡、涵蓋 217 個任務、涉及五大場景的大規模高質量資料集。正是基於這一龐大的「資料金礦」，GO-1 才能在短時間內實現高效訓練和廣泛泛化。可以說，AgiBot World 是 GO-1 背後的「隱形英雄」。
那麼，GO-1 這個機器人基座大模型的實際表現究竟如何？它對機器人行業又意味什麼？
01
按照官方說法，GO-1 除了拓展機器人的運動能力，更重要的是加強了其AI能力，從而大大增加了機器人的實用價值。
透過學習人類影片，GO-1 具備了強大的物體跟蹤能力 | 圖片來源：智元機器人官網截圖
在智元釋出的演示影片中，GO-1 展現了很強的學習能力：透過觀看人類操作影片，它就能快速掌握新技能，並高效應用到實際任務中。比如，影片中展示了 GO-1 強大的物體跟蹤能力：即使水杯被隨意移動，它依然能精準完成倒水動作。
其次，GO-1 展現了非常強的泛化能力。與傳統模型需要海量資料訓練不同，GO-1 僅需百條級資料，就能實現快速泛化。例如，在演示中，GO-1 在完成倒水任務後，無需額外訓練，便能無縫切換到烤麵包並抹果醬的新任務。這種能力不僅展現了 GO-1 對多樣化任務的適應性，更體現了其極簡學習的核心優勢。
GO-1 可以支援不同形態機器人能力遷移，既可以接待嘉賓，也可以製作咖啡 | 圖片來源：智元機器人官網截圖
同時，GO-1 的跨本體能力，為多機器人協作提供了強大的技術支援。在智元釋出的影片中，展示了兩個機器人協同完成複雜任務的場景：一個機器人在前臺接待嘉賓，另一個機器人專注於製作咖啡。這種協作體現了 GO-1 的高效性和適應性。
傳統具身模型通常針對單一機器人本體（Hardware Embodiment）進行設計，導致兩大問題：資料利用率低和部署受限。但GO-1可以賦能多種本體，在不同機器人形態之間快速遷移，顯著提升了資料的利用效率，降低了部署成本。
值得一提的是，GO-1 大模型還可以搭配智元一整套資料迴流系統，可以從實際執行遇到的問題資料中持續進化學習。這套系統能夠從實際執行過程中捕捉問題資料，尤其是執行失誤或異常情況，並透過人工稽核和模型最佳化，持續提升 GO-1 的效能。例如，在演示場景中，機器人在放置咖啡杯時出現失誤，系統會立即將相關資料迴流，並針對性地最佳化模型，確保下一次操作更加精準。
同時，GO-1 大模型還為機器人增加了新的語音互動方式，這極大便利了使用者在現實場景中自由表達需求。
02
GO-1 神乎其神的背後，來自其不同的模型架構。
GO-1 採用了 Vision-Language-Latent-Action（ViLLA）架構，這一架構結合了多模態大模型（VLM）和混合專家系統（MoE），分為三個協同工作的模組：
VLM（多模態大模型）：基於 InternVL-2B，處理多視角視覺、力覺訊號和語言輸入，實現場景感知和指令理解。
Latent Planner（隱式規劃器）：透過預測 Latent Action Tokens（隱式動作標記），將網際網路異構資料中的動作知識遷移到機器人任務中，解決高質量真機資料不足的問題。
Action Expert（動作專家）：基於 Diffusion Model 生成高頻率、靈活的動作序列，確保精細執行。
業內人士認為，其實GO-1的這個模型架構很簡單，創新之處並不多，主要是對已有工作、資料和訓練方式做了大幅整合。
相比之前的模型，唯一新增的是一層 Latent Planner（隱式規劃器），但它也就幾層 Transformer，並不複雜。
相比基座大模型，更重要的是資料集 | 圖片來源：智元機器人官網截圖
地瓜機器人技術副總裁隋偉表示，智元的工作直指行業痛點——資料問題，對具身智慧行業有非常好的促進作用。不過，相比大模型，這裡面最有價值的是資料集。
據介紹，GO-1 的底層支撐則是一個名為 AgiBot World 的超大規模機器人資料集。據瞭解，AgiBot World 資料集包含超過 100 萬條軌跡，由 100 個真實機器人收集，涵蓋 100 多個真實世界場景和 217 個具體任務。
該資料集基於 AgiBot G1 硬體平臺構建，由 100 多臺同構機器人共同收集，提供高質量的開源機器人操作資料，支援解決多種現實生活場景中的挑戰性任務。最新版本的 AgiBot World 資料集，包含 100 萬條軌跡，總時長達 2976.4 小時，覆蓋 87 項技能和 106 個場景。
同時，AgiBot World 超越了實驗室環境中的基本桌面任務（如抓取和放置），專注於涉及雙臂操作、靈巧手和協作任務的現實場景。
與行業內現有的資料集（Open X-Embodiment）相比，智元的資料在數量上更為龐大，且資料質量、規範性和一致性更好。 Open X-Embodiment 資料集包含很多不同形態的本體，資料的形態差異性較大，會給模型的訓練帶來極大地干擾。
GO-1 成功率大幅領先，平均成功率提高了 32%，但仍未引發能力的質變 | 圖片來源：智元機器人官網截圖
不過，雖然智元的資料集已經有一定規模，仍只是一小步的起點，並未帶動機器人能力的顯著提升。
測試結果顯示，GO-1 的表現比之前模型已經提高了很多，但在倒水（Pour Water）、清理桌面（Table Bussing）和補充飲料（Restock Beverage）的成功率最高仍不到 80%。
隋偉表示，目前階段，模型並不是機器人行業的核心瓶頸。真正的挑戰在於兩個方面：首先是硬體的收斂問題，例如夾爪、靈巧手、觸覺感測器等仿生設計尚未形成標準化；其次是因為本體無法大規模推廣，導致資料量始終存在不足。
目前，在資料採集方面，機器人業內主要依賴遙操作技術，包括虛擬現實（VR）裝置、同構揹帶式裝置以及運動捕捉裝置等。然而，機器人行業的資料採集成本較高，且缺乏明確的商業價值支撐，這導致資料閉環的飛輪難以快速運轉。
相比之下，自動駕駛行業的資料採集成本幾乎可以忽略不計，其透過車載感知系統能夠源源不斷地回傳資料，形成了高效的資料閉環。
在 GO-1 釋出影片的最後，大家發現了一個彩蛋——智元機器人預告了下一個具身智慧機器人產品，儘管具體時間尚未公佈。然而，緊接著稚暉君在微博上發文稱，「明天還有驚喜」，這一訊息瞬間讓業界再次充滿了期待感。
大模型的興起，讓 AI 行業獲得了爆發式進化。大模型對於機器人和具身智慧行業，到底能有這樣的促進作用，也讓人們格外好奇。智元和創始人稚暉君的 GO-1，看起來是個很好的起點，顯然具身 AI 很難由一家公司獨立完成，只有開源合作，才有可能真正實現機器人行業的快速進化。
更多閱讀