機(jī)器人行業(yè)，也在期待自己的「ChatGPT 時(shí)刻」。

作者｜周永亮

編輯｜靖宇

3 月 7 日晚，智元機(jī)器人聯(lián)合創(chuàng)始人「稚暉君」（彭志輝）在微博上扔下了一顆「預(yù)告炸彈」——「下周有好東西發(fā)布」。短短一句話，迅速引爆全網(wǎng)，閱讀量飆升至 10 萬(wàn)+。

結(jié)果，3 月 10 日上午，智元機(jī)器人就揭曉了謎底——Genie Operator-1（GO-1），智元首個(gè)通用具身基座大模型亮相。視頻中，機(jī)器人可以烤吐司、煮咖啡、送早餐到你的手上，完全不成問(wèn)題。官方宣稱， GO-1 不僅具備強(qiáng)大的泛化能力，還能在極少數(shù)據(jù)甚至零樣本的情況下，迅速適應(yīng)新場(chǎng)景和新任務(wù)。

早在 2024 年底，智元就推出了 AgiBot World，一個(gè)包含超過(guò) 100 萬(wàn)條軌跡、涵蓋 217 個(gè)任務(wù)、涉及五大場(chǎng)景的大規(guī)模高質(zhì)量數(shù)據(jù)集。正是基于這一龐大的「數(shù)據(jù)金礦」，GO-1 才能在短時(shí)間內(nèi)實(shí)現(xiàn)高效訓(xùn)練和廣泛泛化?？梢哉f(shuō)，AgiBot World 是 GO-1 背后的「隱形英雄」。

那么，GO-1 這個(gè)機(jī)器人基座大模型的實(shí)際表現(xiàn)究竟如何？它對(duì)機(jī)器人行業(yè)又意味什么？

01

機(jī)器人大模型，來(lái)了！

按照官方說(shuō)法， GO-1 除了拓展機(jī)器人的運(yùn)動(dòng)能力，更重要的是加強(qiáng)了其AI能力，從而大大增加了機(jī)器人的實(shí)用價(jià)值。

通過(guò)學(xué)習(xí)人類視頻，GO-1 具備了強(qiáng)大的物體跟蹤能力 | 圖片智元機(jī)器人官網(wǎng)截圖

在智元發(fā)布的演示視頻中，GO-1 展現(xiàn)了很強(qiáng)的學(xué)習(xí)能力：通過(guò)觀看人類操作視頻，它就能快速掌握新技能，并高效應(yīng)用到實(shí)際任務(wù)中。比如，視頻中展示了 GO-1 強(qiáng)大的物體跟蹤能力：即使水杯被隨意移動(dòng)，它依然能精準(zhǔn)完成倒水動(dòng)作。

其次，GO-1 展現(xiàn)了非常強(qiáng)的泛化能力。與傳統(tǒng)模型需要海量數(shù)據(jù)訓(xùn)練不同， GO-1 僅需百條級(jí)數(shù)據(jù)，就能實(shí)現(xiàn)快速泛化。例如，在演示中，GO-1 在完成倒水任務(wù)后，無(wú)需額外訓(xùn)練，便能無(wú)縫切換到烤面包并抹果醬的新任務(wù)。這種能力不僅展現(xiàn)了 GO-1 對(duì)多樣化任務(wù)的適應(yīng)性，更體現(xiàn)了其極簡(jiǎn)學(xué)習(xí)的核心優(yōu)勢(shì)。

GO-1 可以支持不同形態(tài)機(jī)器人能力遷移，既可以接待嘉賓，也可以制作咖啡 | 圖片智元機(jī)器人官網(wǎng)截圖

同時(shí)，GO-1 的跨本體能力，為多機(jī)器人協(xié)作提供了強(qiáng)大的技術(shù)支持。在智元發(fā)布的視頻中，展示了兩個(gè)機(jī)器人協(xié)同完成復(fù)雜任務(wù)的場(chǎng)景：一個(gè)機(jī)器人在前臺(tái)接待嘉賓，另一個(gè)機(jī)器人專注于制作咖啡。這種協(xié)作體現(xiàn)了 GO-1 的高效性和適應(yīng)性。

傳統(tǒng)具身模型通常針對(duì)單一機(jī)器人本體（Hardware Embodiment）進(jìn)行設(shè)計(jì)，導(dǎo)致兩大問(wèn)題：數(shù)據(jù)利用率低和部署受限。但 GO-1可以賦能多種本體，在不同機(jī)器人形態(tài)之間快速遷移，顯著提升了數(shù)據(jù)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數(shù)據(jù)回流系統(tǒng)，可以從實(shí)際執(zhí)行遇到的問(wèn)題數(shù)據(jù)中持續(xù)進(jìn)化學(xué)習(xí)。這套系統(tǒng)能夠從實(shí)際執(zhí)行過(guò)程中捕捉問(wèn)題數(shù)據(jù)，尤其是執(zhí)行失誤或異常情況，并通過(guò)人工審核和模型優(yōu)化，持續(xù)提升 GO-1 的性能。例如，在演示場(chǎng)景中，機(jī)器人在放置咖啡杯時(shí)出現(xiàn)失誤，系統(tǒng)會(huì)立即將相關(guān)數(shù)據(jù)回流，并針對(duì)性地優(yōu)化模型，確保下一次操作更加精準(zhǔn)。

同時(shí)，GO-1 大模型還為機(jī)器人增加了新的語(yǔ)音交互方式，這極利了用戶在現(xiàn)實(shí)場(chǎng)景中自由表達(dá)需求。

02

大模型不重要，數(shù)據(jù)集才重要

GO-1 神乎其神的背后，來(lái)自其不同的模型架構(gòu)。

GO-1 采用了 Vision-Language-Latent-Action（ViLLA）架構(gòu)，這一架構(gòu)結(jié)合了多模態(tài)大模型（VLM）和混合專家系統(tǒng)（MoE），分為三個(gè)協(xié)同工作的模塊：

VLM（多模態(tài)大模型）：基于 InternVL-2B，處理多視角視覺(jué)、力覺(jué)信號(hào)和語(yǔ)言輸入，實(shí)現(xiàn)場(chǎng)景感知和指令理解。

Latent Planner（隱式規(guī)劃器）：通過(guò)預(yù)測(cè) Latent Action Tokens（隱式動(dòng)作標(biāo)記），將互聯(lián)網(wǎng)異構(gòu)數(shù)據(jù)中的動(dòng)作知識(shí)遷移到機(jī)器人任務(wù)中，解決高質(zhì)量真機(jī)數(shù)據(jù)不足的問(wèn)題。

Action Expert（動(dòng)作專家）：基于 Diffusion Model 生成高頻率、靈活的動(dòng)作序列，確保精細(xì)執(zhí)行。

業(yè)內(nèi)人士認(rèn)為， 其實(shí)GO-1的這個(gè)模型架構(gòu)很簡(jiǎn)單，創(chuàng)新之處并不多，主要是對(duì)已有工作、數(shù)據(jù)和訓(xùn)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(guī)劃器），但它也就幾層 Transformer，并不復(fù)雜。

相比基座大模型，更重要的是數(shù)據(jù)集 | 圖片智元機(jī)器人官網(wǎng)截圖

地瓜機(jī)器人技術(shù)副總裁隋偉表示，智元的工作直指行業(yè)痛點(diǎn)——數(shù)據(jù)問(wèn)題，對(duì)具身智能行業(yè)有非常好的促進(jìn)作用。不過(guò)， 相比大模型，這里面最有價(jià)值的是數(shù)據(jù)集。

據(jù)介紹，GO-1 的底層支撐則是一個(gè)名為 AgiBot World 的超大規(guī)模機(jī)器人數(shù)據(jù)集。據(jù)了解，AgiBot World 數(shù)據(jù)集包含超過(guò) 100 萬(wàn)條軌跡，由 100 個(gè)真實(shí)機(jī)器人收集，涵蓋 100 多個(gè)真實(shí)世界場(chǎng)景和 217 個(gè)具體任務(wù)。

該數(shù)據(jù)集基于 AgiBot G1 硬件平臺(tái)構(gòu)建，由 100 多臺(tái)同構(gòu)機(jī)器人共同收集，提供高質(zhì)量的開(kāi)源機(jī)器人操作數(shù)據(jù)，支持解決多種現(xiàn)實(shí)生活場(chǎng)景中的挑戰(zhàn)性任務(wù)。最新版本的 AgiBot World 數(shù)據(jù)集，包含 100 萬(wàn)條軌跡，總時(shí)長(zhǎng)達(dá) 2976.4 小時(shí)，覆蓋 87 項(xiàng)技能和 106 個(gè)場(chǎng)景。

同時(shí)，AgiBot World 超越了實(shí)驗(yàn)室環(huán)境中的基本桌面任務(wù)（如抓取和放置），專注于涉及雙臂操作、靈巧手和協(xié)作任務(wù)的現(xiàn)實(shí)場(chǎng)景。

與行業(yè)內(nèi)現(xiàn)有的數(shù)據(jù)集（Open X-Embodiment）相比，智元的數(shù)據(jù)在數(shù)量上更為龐大，且數(shù)據(jù)質(zhì)量、規(guī)范性和一致性更好。Open X-Embodiment 數(shù)據(jù)集包含很多不同形態(tài)的本體，數(shù)據(jù)的形態(tài)差異性較大，會(huì)給模型的訓(xùn)練帶來(lái)極大地干擾。

GO-1 成功率大幅領(lǐng)先，平均成功率提高了 32%，但仍未引發(fā)能力的質(zhì)變 | 圖片智元機(jī)器人官網(wǎng)截圖

不過(guò)，雖然智元的數(shù)據(jù)集已經(jīng)有一定規(guī)模，仍只是一小步的起點(diǎn)，并未帶動(dòng)機(jī)器人能力的顯著提升。

測(cè)試結(jié)果顯示，GO-1 的表現(xiàn)比之前模型已經(jīng)提高了很多，但在倒水（Pour Water）、清理桌面（Table Bussing）和補(bǔ)充飲料（Restock Beverage）的成功率最高仍不到 80%。

隋偉表示， 目前階段，模型并不是機(jī)器人行業(yè)的核心瓶頸。真正的挑戰(zhàn)在于兩個(gè)方面：首先是硬件的收斂問(wèn)題，例如夾爪、靈巧手、觸覺(jué)傳感器等仿生設(shè)計(jì)尚未形成標(biāo)準(zhǔn)化；其次是因?yàn)楸倔w無(wú)法大規(guī)模推廣，導(dǎo)致數(shù)據(jù)量始終存在不足。

目前，在數(shù)據(jù)采集方面，機(jī)器人業(yè)內(nèi)主要依賴遙操作技術(shù)，包括虛擬現(xiàn)實(shí)（VR）設(shè)備、同構(gòu)背帶式設(shè)備以及運(yùn)動(dòng)捕捉設(shè)備等。然而， 機(jī)器人行業(yè)的數(shù)據(jù)采集成本較高，且缺乏明確的商業(yè)價(jià)值支撐，這導(dǎo)致數(shù)據(jù)閉環(huán)的飛輪難以快速運(yùn)轉(zhuǎn)。

相比之下，自動(dòng)駕駛行業(yè)的數(shù)據(jù)采集成本幾乎可以忽略不計(jì)，其通過(guò)車載感知系統(tǒng)能夠源源不斷地回傳數(shù)據(jù)，形成了高效的數(shù)據(jù)閉環(huán)。

在 GO-1 發(fā)布視頻的最后，大家發(fā)現(xiàn)了一個(gè)彩蛋——智元機(jī)器人預(yù)告了下一個(gè)具身智能機(jī)器人產(chǎn)品，盡管具體時(shí)間尚未公布。然而，緊接著稚暉君在微博上發(fā)文稱，「明天還有驚喜」，這一消息瞬間讓業(yè)界再次充滿了期待感。

大模型的興起，讓 AI 行業(yè)獲得了爆發(fā)式進(jìn)化。大模型對(duì)于機(jī)器人和具身智能行業(yè)，到底能有這樣的促進(jìn)作用，也讓人們格外好奇。智元和創(chuàng)始人稚暉君的 GO-1，看起來(lái)是個(gè)很好的起點(diǎn)，顯然具身 AI 很難由一家公司獨(dú)立完成，只有開(kāi)源合作，才有可能真正實(shí)現(xiàn)機(jī)器人行業(yè)的快速進(jìn)化。

頭圖智元機(jī)器人官網(wǎng)截圖