摘要：“对机器人公司，你如果不做大模型，那是属于没有未来的机器人，没有智能化，没有作业能力只是一个硬件。他能做的事情非常有限，所以我们投入非常大的。”智元新创技术有限公司研究院执行院长、具身业务部总裁姚卯青在2025年3月10日的线上媒体沟通会上如是说。

“对机器人公司，你如果不做大模型，那是属于没有未来的机器人，没有智能化，没有作业能力只是一个硬件。他能做的事情非常有限，所以我们投入非常大的。”智元新创技术有限公司研究院执行院长、具身业务部总裁姚卯青在2025年3月10日的线上媒体沟通会上如是说。

这一天，智元机器人正式发布了全球首个通用具身基座大模型——智元启元大模型（Genie Operator-1，简称GO-1），这标志着具身智能向通用化、开放化、智能化方向快速迈进。

GO-1的核心在于其开创性的Vision-Language-Latent-Action（ViLLA）架构。这一架构由多模态大模型（VLM）与混合专家模型（MoE）组成，试图弥合视觉、语言与动作之间的鸿沟。

任广辉详细阐述了这一设计的初衷：“现有的VLA（Vision-Language-Action）架构没有充分利用大规模人类和跨本体操作视频数据，缺少一个重要的来源，导致迭代成本高、进化速度慢。我们提出的ViLLA通过预测Latent Action Tokens（隐式动作标记），有效利用了互联网异构视频和高质量的AgiBot World数据集，增强了策略的泛化能力。”

ViLLA的底层逻辑源于智元提出的“数字金字塔”概念。任广辉将其比作人类学习的过程：“以打乒乓球为例，你先通过课本和视频理解理论，知道球的上旋、下旋是怎么回事；然后看世界冠军的比赛视频，学习动作模式；再通过发球机模拟练习，最后找教练手把手教。数据金字塔也是如此——底层是互联网海量图文数据，赋予模型通用知识；中间是人类和跨本体操作视频，提供动作理解；再往上是仿真数据增强泛化性；顶层则是真机示教数据，确保动作精准。”

具体而言，VLM继承了开源多模态模型InternVL2.5-2B的权重，负责场景感知和语言理解；MoE中的Latent Planner（隐式规划器）基于人类和跨本体视频数据抽象出动作序列；Action Expert（动作专家）则利用百万真机数据将动作映射到机器人本体上。任广辉说：“比如‘挂衣服’，VLM理解指令和场景，Latent Planner推演出提衣、挂杆的步骤，Action Expert将其转化为机器人的精确执行。这是一个全链路的闭环。”

在评测中，GO-1的表现令人瞩目。智元机器人在五种不同复杂度任务上针对GO-1的测试显示，相比已有的最优模型，GO-1的任务成功率领先，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”（补充饮料）的任务中表现尤为突出。

任广辉透露：“单独验证Latent Planner的作用时，成功率也提升了10多个百分点。这证明了ViLLA架构的有效性。”

GO-1并非实验室中的概念验证，而是旨在解决具身智能落地困境的实用方案。任广辉总结了当前行业的四大痛点：“泛化性差、扩展新任务成本高、不同本体数据无法共享、缺乏持续进化机制。”GO-1通过四大特性直面这些挑战。

一是人类视频学习：GO-1大模型可以结合互联网视频和真实人类示范进行学习，增强模型对人类行为的理解。

二是小样本快速泛化：该大模型具有泛化能力，能够在极少数据甚至零样本下泛化到新场景、新任务，降低了具身模型的使用门槛，使得后训练成本非常低。

任广辉举例：“擦拭桌子上的污渍，我们只用了150条数据，一天采集完成；倒水需要1000条。相比传统方法动辄上万条，我们降低了1-2个数量级的成本。”

三是一脑多形：该大模型是通用机器人策略模型，能够在不同机器人形态之间迁移，快速适配到不同本体。

任广辉解释：“GO-1抽象出了跨本体的动作概念，能快速适配轮式或人形机器人，实现群体升智。”

四是持续进化：该大模型搭配一整套数据回流系统，可以从实际执行中遇到的问题数据中持续进化学习。

任广辉强调：“我们有一套完整的数据回流系统。比如机器人放咖啡时抖落了杯子，这些异常数据会回传，经过人工审核后优化模型，越用越聪明。”

这四大特性让GO-1从单一任务走向多任务，从封闭环境迈向开放世界，从预设程序进化到指令泛化。任广辉总结：“GO-1就像给机器人提供了‘基础教育’和‘职业教育’，让它天然适应新场景和新任务。”

GO-1的成功离不开智元在数据端的深耕。2023年9月，智元建成全球首个数采超级工厂；同年12月，开源了AgiBot World数据集，包含百万条真机数据。这一数据集在HuggingFace上连续多周位居下载榜首，GitHub上发布一周获1200星，远超谷歌Open X-Embodiment一年的900星。截至2025年3月，下载量已超2万次。

姚卯青回顾道：“我们在硬件量产的基础上，用千台机器人编队采集数据，再用这些数据自研大模型，最后部署回本体，形成了闭环迭代。这是全球首创。”任广辉补充：“AgiBot World的质量和规模远超同行，每条数据都有人工审核，确保工业级标准。用户反馈这是他们能接触到的唯一高质量大规模数据集。”

数据回流系统则是GO-1持续进化的关键。任广辉举例：“机器人执行任务时发现问题，比如放咖啡失败，这些数据会回传，经过审核后加入训练集，推动模型迭代。”

机器人领域，数据采集的成本是很高的，未来数据采集里有没有可能单独剥离出来，形成一个产业？姚卯青认为，这是有可能的，“上一代 AI 的发展是有明确的产业分工的，像数据的采集标注、审核甚至是数据的交易都是有一些平台性的机构出现的，那么在机器人领域，我认为这也是有机会的。”

姚卯青说，因为每一家都来自己建设场地，投入设备，是一个重复造轮子、重复投资的行为。长期来看的话，可以由个别的几家企业来集中承担公共平台的职责。”

姚卯青透露：“我们在上海‘魔都生成语料普惠计划’中，与多家企业统一数据接口，推动数据汇聚。Q1末可能会有数据交易模式的政策发布。”这将为具身智能行业注入新的活力。

同时，关于数据的标准方面，“理想状态是统一标准，共享互联网图文、动作视频和真机数据，推动具身智能量级跃升。”任广辉说。

“机器人如果没有自主作业能力，价值非常有限。AI能力将是未来竞争的核心，就像新能源车和手机行业一样，硬件会收敛，供应链会整合，最后拼的是智能化。”姚卯青接受采访时说。

在应用场景上，智元采取渐进式策略。姚卯青表示：“短期内，我们聚焦工业、服务业和商业场景，比如POC项目已在工厂落地。长期目标是走进家庭，五年左右可能实现。工业场景对成功率要求高，我们会实地采集几万条数据，但比传统方法仍更高效。家用场景如倒茶、做早餐，万元内能够实现。”

价格方面，姚卯青坦言：“当前量产规模在千台以上，但供应链尚未完全成熟，机器人定价可能在30万元以上。不过AI研发成本会被分摊，不会显著推高售价。”商业计划上，他透露：“今年出货量将达数千台，营收比去年增长数倍，覆盖科研、教育、工业和服务业。”

GO-1还将在Q1末对核心用户开源模型。任广辉说：“我们已公开技术博客和论文，未来用户可将GO-1部署到自家机器人上。”这不仅加速了技术普及，也为智元构筑了数据与模型的双重护城河。

关于DeepSeek是否带来启发或技术路线方面的影响时，姚卯青回应：“DeepSeek等优秀工作给我们很大启发。我们参考了通用能力预训练加垂类数据后训练的思路，但在机器人领域增加了Latent Planner和Action Expert的创新。而且机器人是物理应用，与数字模型不同，我们的定制化创新让GO-1通用具身基座大模型更贴合具身需求。”

近期火热的Manus智能体也引发讨论。姚卯青也表示：“Agent智能体在任务规划上有借鉴意义，但机器人更复杂，涉及小脑控制和物理交互。短期内，我们靠数据到模型的闭环，长期可能融合Agent理念。”

在技术路线上，姚卯青判断：“机器人模型尚未收敛，未来会结合模仿学习和强化学习。我们已有布局，几个月后将发布基于强化学习的Foundation Model。”

面对当前市场上大量的具身智能公司，包括有八九年历史的“老公司”，也有仅2年历史的智元科技，新公司的优势在哪里？姚卯青认为：“‘老牌公司’可能有历史包袱，战略调整难且保守。智元平均研发年龄30岁以下，势头正猛，两年走完别人八年的路，今年有望成为国内龙头。”

“中国的人才储备强于国外，当然竞争也比较激烈。”姚卯青在采访现场还打起了广告，他还说公司正在持续招聘，打造全球第一梯队。

来源：随申Hi