智元机器人姚卯青：不做大模型，机器人是没有未来的

界面新闻记者 | 李如嘉
界面新闻编辑 | 文姝琪

3月10日，智元机器人发布首个通用具身基座模型——智元启元大模型（Genie Operator-1），提出了Vision-Language-Latent-Action (ViLLA) 架构。该架构由VLM(多模态大模型) + MoE(混合专家)组成，其中VLM借助大量互联网图文数据获得通用场景感知和语言理解能力，MoE中的Latent Planner(隐式规划器)借助大量跨本体和人类操作视频数据获得通用的动作理解能力，MoE中的Action Expert(动作专家)借助真机数据获得精细的动作执行能力，三者相结合，实现了可以利用人类视频学习，完成小样本快速泛化。

智元称，该模型可以降低具身智能门槛，并已经成功部署到智元多款机器人本体。

智元具身研究中心常务主任任广辉对界面新闻介绍，现有具身模型面临多个落地困境，包括泛化性差，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；模型无法持续进化等。

而现有的DP/ACT等具身小模型技能单一且无法快速学习新技能，GR-1/2等模型无法构建通用的场景感知、指令理解等能力，语义指令泛化受限，以及存在小样本泛化到新场景/新任务能力较弱等问题。

智元新推出的ViLLA架构大模型可以比较好地解决这些问题。基于该架构的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，更好地为人类服务。

由于具有强大的泛化能力，GO-1能够在极少数据甚至零样本下泛化到新场景、新任务，使得后训练成本非常低。此外，GO-1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。配智元一整套数据回流系统，GO-1可以从实际执行遇到的问题数据中持续进化学习，“越用越聪明”。

在评测中，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。

在成本方面，智元对界面新闻表示，目前机器人的研发成本中算力和数据是投入最大的两个方面，因此节约训练数据量对降低训练成本的效果显著。

“对机器人公司来说，如果不做大模型，是没有未来的。没有智能化、没有作业能力的机器人只是一个硬件，能做的事情非常有限。所以我们对于机器人大模型的投入是非常大的。”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对界面新闻强调，“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。”

他透露，DeepSeek等大模型的工作给智元带来了很大的启发。智元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。他还提到，最近火热的Agent智能体在任务规划上同样有借鉴意义，长期来看智元可能会在机器人上融合Agent理念。