上海人形机器人领域迎来重大突破。3月10日，智元机器人公司发布了全国首个通用具身基座大模型GO-1（Genie Operator-1），并已成功部署于多款机器人本体。据悉，GO-1能通过观看人类操作视频学习，还能在极少数据甚至无样本的情况下，使机器人适应多样场景和任务，极大地降低了具身模型的应用门槛。

依托百万级真机数据构建

　　“GO-1大模型基于具身领域的数字金字塔架构，融合了多维度、多类型的人类世界数据。”智元合伙人、具身业务部总裁姚卯青向记者展示了这一数字金字塔模型。

智元展示的数字金字塔架构。

　　该金字塔的底层由互联网的大规模纯文本与图文数据构成，助力机器人理解通用知识与场景；第二层包含大规模人类操作及跨本体视频，帮助机器人学习人类或其他本体的动作模式；第三层为仿真数据，用于提升机器人的泛化能力，使其适应不同场景与物体；顶层则是高质量的真机示教数据，专门用于训练精准动作执行。

　　然而，传统的VLA（视觉语言动作）架构因无法充分利用大规模人类及跨本体操作视频数据，导致迭代成本高、进化速度慢。

　　以往，机器人主要依赖网络的图文数据及仿真数据进行行为模仿，但缺乏真人“手把手”的教学指导。

　　为解决具身智能的数据难题，智元于去年底推出了AgiBot World真机数据集，包含超百万条轨迹、217个任务、五大场景。基于此数据集，智元成功发布了GO-1大模型。

智元推出全国首个具身通用大模型GO-1。

　　在AgiBot World诞生之前，谷歌曾构建了开源数据集Open X-Embodiment用于不同机器人的训练，但由于数据缺乏统一标准化的采集流程，质量参差不齐。

　　相比之下，智元的AgiBot World数据集从基础操作到复杂交互，几乎涵盖了日常生活所需的所有动作需求，其长程数据规模高出10倍，场景范围扩大100倍，数据质量提升至工业级标准。

　　“这些数据看似基础，但精度和涵盖面均属全球顶级。”上海智元机器人渠道销售总监刘强表示。

平均成功率提升32%

　　在高质量数据的支撑下，更先进的技术架构也至关重要。

　　智元提出了全新的ViLLA（视觉语言隐式动作）架构，与VLA架构相比，能通过预测隐式动作标记（Latent Action Tokens），弥合图像—文本输入与机器人执行动作之间的鸿沟，显著增强机器人的泛化能力。

　　在五种不同复杂度的任务测试中，GO-1相比已有最优模型，成功率大幅提升，平均提高32%，尤其在倒水、清理桌面、补充饮料三项任务中表现突出。这意味着GO-1在真实世界的灵巧操作和长时任务方面表现卓越，远超最先进的开源具身基座模型。

测试显示，GO-1性能全球领先。

　　姚卯青指出，GO-1大模型能为机器人提供全面的“基础教育”和“职业教育”，天然适应新场景，轻松应对多样环境和物体，快速学习新操作。

　　以“挂衣服”为例，模型可根据画面理解任务要求，设想操作步骤，并执行完成。这一过程包括：理解任务、学习操作步骤、仿真模拟、精准执行。

　　随着GO-1大模型的推出，机器人“大脑”正日渐成熟。

　　作为通用具身基座大模型，GO-1不再受机器人型号、场景限制，具备泛化能力，可支持不同机器人快速适应新任务、学习新技能。

　　姚卯青介绍，GO-1能结合互联网视频和真实人类示范学习，增强对人类行为的理解。通过强大的泛化能力，GO-1能在极少数据或无样本情况下适应新场景、新任务，降低了使用门槛和后训练成本。

　　此外，GO-1还配备了智元的数据回流系统，能从实际执行中遇到的问题数据中持续学习进化，变得更加智能。

　　通用大模型与具身智能的结合，标志着机器人正迈向AGI（通用人工智能）的崭新阶段，具身基座大模型的出现，也意味着机器人的“大脑”正逐步成熟。

　　过去，机器人虽能完成如“擦桌子”“拉小提琴”等任务，但仅是执行预设程序，缺乏自主完成任务的能力和真正智能。如今，随着具身智能的不断演进，机器人已实现从单一任务到多任务、从封闭环境到开放世界、从预设程序到指令泛化的三层进化。

　　“目前，机器人能在不同场景中执行多样任务，无需针对新任务重新训练，也不再局限于预设程序，能理解自然语言指令，并具备一定推理能力。”姚卯青表示，机器人一旦“听懂人话”，将在商业、工业、家庭等多领域发挥更大作用。

（文章来源：上观新闻）