B 站百大 UP 主、华为天才少年稚晖君创立的智元机器人，今天有了大动作。
就在刚刚，智元机器人发布了首个通用具身基座模型——智元启元大模型（Genie Operator-1，下文简称 GO-1）。这是一个由 VLM 视觉语言大模型+MoE 混合专家组成的 Vision-Language-Latent-Action 视觉-语言-隐式-动作模型（下文简称 ViLLA）。这个基座模型实现了利用人类视频学习，完成小样本快速泛化，降低具身智能门槛，并成功部署到智元多款机器人本体上。可以说，正在推动具身智能走上新的台阶。
GO-1 核心的作用，其实是帮助机器人完成全面的基础教育和能力培训。再直白一点，这就是人类送机器人小朋友去上学，让它们为做更多的事打下基础。
实际上，机器人泛化能力一直是业内的痛点。GO-1 要解决的一大问题就是泛化能力——让机器人尽可能会做更多的事。VLM+MoE 在其中起了核心的作用。
那么问题来了，为什么行业痛点，智元可以用一个大模型解决？这个大模型究竟能让机器人有多强的能力？
今天上午，42 号电波和业内多家媒体共同采访了智元合伙人，具身业务部总裁，研究院执行院长姚卯青和智元具身研究中心常务主任任广辉，他们对 GO-1 基座模型进行了更为深度的解读。并且智元机器人还预告，新的人形机器人即将亮相。
五大优势加速机器人落地
具身智能行业快速发展的同时，智元机器人看到了行业的多个痛点：
泛化性差，到新场景时成功率大幅下降；
扩展新任务时需要大量数据，落地成本高；
不同本体的数据无法共用，数据成本高；
模型无法持续进化。
基于这样的行业现状，智元机器人拿出的解决方案就是 GO-1，并特别在泛化能力和数据利用上做了不少努力，加速机器人落地。
在泛化能力上，GO-1 在家庭、办公、商业、工业等应用领域，以及对各类环境和物品的泛化，适应新任务、学习新技能、能力进化等方面，都有出色的作业能力。在数据利用方面，机器人只需要通过少量数据，就能快速适应新任务，让后训练成本降低；机器人本体、人类操作视频同样可以被模型高效利用。
智元对 GO-1 的能力做了一个总结归纳，共有 5 个方面的优势：
采训推一体：GO-1 搭配智元软硬件一体化框架，可以实现数据采集、模型训练、模型推理的无缝衔接；
小样本快速泛化：GO-1 具有强大的泛化能力，使得后训练成本非常低，能够在极少数据甚至零样本下泛化到新场景、新任务；
一脑多形：GO-1 能够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：GO-1 搭配智元一整套数据回流系统，可以从实际执行遇到的问题数据中持续进化学习；
人类视频学习：GO-1 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。
VLA 的下一代，机器人如何听懂语音指令？
根据介绍，GO-1 基于具身领域的数字金字塔所构建。
数字金字塔的底层是互联网的大规模纯文本与图文数据，可以帮助机器人理解通用知识和场景。在这之上是大规模人类操作/跨本体视频，可以帮助机器人学习人类或者其他本体的动作操作模式。更上一层则是仿真数据，用于增强泛化性，让机器人适应不同场景、物体等。金字塔的顶层，则是高质量的真机示教数据，用于训练精准动作执行。
而现有的 VLA（Vision-Language-Action，视觉-语言-动作）架构，未有利用到数字金字塔中大规模人类/跨本体操作视频数据，缺少了一个重要的数据来源，导致迭代的成本更高，进化的速度更慢。
因此，智元机器人提出了 ViLLA 框架。这一框架由 VLM 视觉语言大模型+MoE 混合专家组成。ViLLA 是由 VLA 架构进化而来，相比 VLA 增加了隐式动作标记，这样就能弥合图像-文本输入与机器人执行动作之间的鸿沟。这样一来，就能有效利用高质量的 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。
在 ViLLA 框架之中，VLM 继承开源多模态大模型 InternVL2.5-2B，借助互联网图文数据获得通用场景感知和语言理解力。
MoE 则分为混合专家一隐式规划器和混合专家二动作专家。
其中，隐式规划器利用互联网上的人类操作和跨本体操作视频，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。
智元的 AgiBot World 数据集目前已经成为全球最大的机器人真机示教数据集，但这样高质量带动作标签的真机数据量仍然有限，远少于互联网规模的数据集。因此，智元采用 Latent Action Model（LAM，隐式动作模型）主要用于获取当前帧和历史帧之间 Latent Actions 的 Groundtruth（真值），它由编码器和解码器组成。
编码器采用 Spatial-temporal Transformer，并使用 Causal Temporal Masks（时序因果掩码）。
解码器采用 Spatial Transformer，以初始帧和离散化的 Latent Action Tokens 作为输入。
Latent Action Tokens 通过 VQ-VAE 的方式进行量化处理。
而隐式规划器负责预测这些离散的 Latent Action Tokens，它与 VLM 主干网络共享相同的 Transformer 结构，但使用了两套独立的 FFN（前馈神经网络）和 Q/K/V/O（查询、键、值、输出）投影矩阵。隐式规划器这组专家会逐层结合 VLM 输出的中间信息，通过 Cross Entropy Loss（交叉熵损失）进行监督训练。
MoE 的混合专家二是动作专家，借助仿真和真机数据，获得精细的动作执行能力。
动作专家采用 Diffusion Model 作为目标函数来建模低层级动作的连续分布。
动作专家结构设计上与 Latent Planner 类似，也是与 VLM 主干网络共享相同的 Transformer 结构，但使用两套独立的 FFN 和 Q/K/V/O 投影矩阵，它通过 Denoising Process（去噪过程）逐步回归动作序列。
动作专家与 VLM、隐式规划器分层结合，确保信息流的一致性与协同优化。
简单总结，当相机的视觉信号加上人类的语言指令，通过 ViLLA 框架，就能输出机器人的动作执行。
在实验室环境下，智元机器人通过 ViLLA 架构，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 成功率明显领先，平均成功率提高了 32%。其中倒水、清理桌面和补充饮料任务表现更突出。
举一个生活中常见的例子，用户让机器人「挂衣服」。得到这个指令后，模型就可以根据看到的画面，理解这句话对应的任务要求。接着，模型根据之前训练时看过的挂衣服视频，设想这个过程应该包括哪些操作步骤，最后执行并完成整个任务。
对于人类而言，挂衣服这一动作非常基础，对于机器人来说并非如此。GO-1 在构建和训练阶段，学习了互联网的大规模纯文本和图文数据，理解挂衣服究竟是什么含义；然后学习互联网上人类和其他机器人挂衣服动作的视频；接着是理解不同的衣服、不同的衣柜应该如何挂衣服，并打通整个过程；最后才能通过真机示教，完成挂衣服的动作。
总结来看，GO-1 大模型借助人类和多种机器人数据，让机器人获得了革命性的学习能力，可泛化应用到各类的环境和物品中，快速适应新任务、学习新技能。同时，它还支持部署到不同的机器人本体，并持续进化。这一系列的特点可以归纳为 4 个方面：
人类视频学习：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，更好地为人类服务。
小样本快速泛化：强大的泛化能力，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。
一脑多形：能够在不同机器人形态之间迁移，快速适配到不同本体，群体升智。
持续进化：可以从实际执行遇到的问题数据中持续进化学习。
可以说，智元机器人推出 GO-1 之后，具身智能向通用化、开放化、智能化方向上，又迈进了一步。
今年营收数倍增长，出货数千台
智元合伙人、具身业务部总裁，研究院执行院长姚卯青和智元具身研究中心常务主任任广辉在接受 42 号电波等多家业内媒体采访时，对智元机器人刚刚发布的 GO-1 基座大模型的技术细节、落地规划，以及今年的商业化进展等问题一一作出回应。
工业场景定制化需求很高，小样本泛化真的有效吗？任广辉认为，工业场景的门槛的确更高，目前智元在做一些 POC 项目，正在做的是去实地采集数据。同时工业场景目标就是落地，因此几万条数据和十几万条数据对大家来说也是可以接受的。
针对基座模型更容易落地的家庭场景，智元机器人认为接下来 5 年左右机器人会进入普通人家庭。而在价格方面，目前一台人形机器人的价格还会在 30 万元以上。
今年以来，DeepSeek 等大模型火爆全球，智元大模型 GO-1 的研发思路实际上对齐 DeepSeek，同时也对齐 ChatGPT 等大模型。在参考了业内大模型的研发思路后，加上机器人是物理上的应用，智元的基座大模型也有自己的定制化创新。
姚卯青谈到了 GO-1 技术开源。他谈道：「今天发布的同时，智元同样也将技术博客、论文完全公开，这相当于是一种开源。同时，Q1 内智元机器人还会面向核心用户，开源 GO-1 模型。」
就在本月，智元还会举办首次供应链大会，会上将与合作伙伴进行更深度的交流。
谈到智元机器人的团队、人才建设，姚卯青认为，当前机器人行业有大量初创公司，也有成立近 10 年的企业，成立较短的时间还有比较大的优势。
他说道：「今天我们看到大模型的公司，组织、人才是非常年轻化的，没有历史包袱，在经营方向、技术规划上无法暴力地做战略调整。智元成立刚刚两年，目前平均研发人员 30 岁以下。」
姚卯青最后预告了智元机器人今年在产品、营收上的规划。
「今年，智元商业化目标营收相比去年数倍规模增长，出货量数千台的规模。」今年 1 月，智元机器人刚刚宣布完成下线 1,000 套通用具身机器人。
姚卯青认为，出货和营收快速上升，计划今年智元机器人可以做到国内头部真正的龙头企业。
累计融资 16 亿元以上，三家车企曾参投
智元机器人之所以受到业内如此高的关注，一大原因是创始人、CTO、首席架构师「稚晖君」彭志辉。他曾通过「华为天才少年计划」加入华为，从事昇腾 AI 芯片和 AI 算法相关研究工作，也因拍摄 DIY 产品视频，获得 Bilibili 百大 UP 主称号。
2022 年底，彭志辉离开华为，其创业项目就是智元机器人。
公开数据显示，智元机器人先后完成了 7 轮融资，累计融资 16 亿元以上。其中，A3、A4 两轮在 2024 年完成。
从融资历史上看，智元机器人受到了汽车企业及汽车零部件公司的青睐。
其中，比亚迪、上汽集团旗下尚颀资本、北汽产投先后投资了智元机器人，比亚迪还占有超过 2.5% 的股权。另外，曾在 A2 轮参投智元机器人的三花控股集团为特斯拉的核心供应商，生产热泵空调及汽车热管理系统。
目前，智元机器人共有 46 名股东，其中最大股东为桑蓬（上海）科技合伙企业（有限合伙），占股 30.38%，而彭志辉在桑蓬科技持股 13.79%。
根据 36 氪的报道，2023 年 12 月智元机器人开启下一轮融资前，融资前估值 70 亿元。
在产品方面，智元机器人已经陆续发布 7 款人形机器人产品，和一款扫地机器人。今年年初，智元机器人宣布，已经完成下线 1,000 套通用具身机器人。分别是 731 套远征 A2、灵犀 X1 双足人形机器人，以及 269 套远征 A2-D、A2-W 轮式通用机器人。
在上海张江机器人谷，智元机器人还建立了超过 4,000 平米的机器人数采中心，这里每天可以产出数万条真技数据和仿真环境数据。智元机器人建立了家居、餐饮、商超、办公、工业五大场景，包含超过 200 个细分场景的任务。
此前，我们也现场参观了智元机器人在商超场景下的表现，只需要语音输入，机器人通过摄像头识别不同物体，就能准确抓取。
相信智元机器人最新发布的通用具身基座模型 GO-1，也将在数采中心帮助机器人不断成长。
今年 2 月，智元机器人宣布推出自主研发的大型仿真框架 AgiBot Digital World，为机器人操作提供灵活的仿真数据生成方案、预训练的大规模仿真数据和统一的模型评测标准，通过高保真地模拟训练场景，全链自动化地生成数据，AgiBot Digital World 可以实现一系列的具身仿真服务。
同时，智元机器人开源上线海量规模的仿真数据集 AgiBot Digital World Dataset，涵盖 5 大类场景、180+ 品类具体物品、9 种常见材质、12 种核心技能。这是继去年 12 月百万真机数据集开源项目 AgiBot World 之后，智元机器人在具身智能数据方面的又一开源行动。
写在最后
2024 年人形机器人迎来爆发后，2025 年正在加速落地。在产品真正落地之前，各家具身智能初创公司已经赶上了大模型这班车，目标也很简单，增强机器人的泛化能力，加速商业化落地进程。
不久前，美国人形机器人创企 Figure 推出了能通过视觉抓取任何物品的 VLA 模型 Helix，搭载 Helix 的 Figure 02 能拾取和放置物品、操作抽屉和冰箱、协调灵巧的多机器人交接，并操纵数千个新物体。
深圳机器人初创公司逐际动力也推出了 LimX VGM 视频生成模型，将人类的视频数据，通过视频生成模型，直接转化为机器人的操作行为。此外，宇树科技也已经开源具身智能数据集和模型。其中数据集包括 G1 灵巧手操作数据集、G1 夹爪操作数据集、Z1 机械臂双臂操作数据集，模型包括训练好的主流模仿学习算法模型。
不过，正如任广辉所说，上一代 AI 的发展有明确的产业分工，包括采集、审核、交易等等，如今在机器人领域重复投资同样会造成浪费，长期看可以由几家企业共同承担公共平台的职责。
此外，目前「偏科」的公司很多，如果只有算法，没有好的硬件或者只有好的硬件，没有好的算法，机器人的开发都会受限。
因此，如今行业需要统一硬件标准统一数据格式，加强数据资源的共享合作，整个行业才会发展得更快。
