摘要：3月10日，上海智元机器人联合创始人、原华为“天才少年”稚晖君（彭志辉）的微博预告如期兑现，中国首个通用具身基座模型“智元启元大模型（Genie Operator-1，简称GO-1）”正式发布。

半导体工程师 2025年03月12日 08:05 北京

3月10日，上海智元机器人联合创始人、原华为“天才少年”稚晖君（彭志辉）的微博预告如期兑现，中国首个通用具身基座模型“智元启元大模型（Genie Operator-1，简称GO-1）”正式发布。

彭志辉自2022年12月离开华为，于2023年2月创立了智元机器人关联公司上海智元新创技术有限公司（简称，智元新创）。

企查查显示，智元新创的实际控制人舒远春总持股比例为29.1674%，大股东桑蓬（上海）科技合伙企业（有限合伙）持股30.3775%。

比亚迪于2023年8月投资智元新创，认缴出资额为191.497万元，持股比例为2.5074%。除了比亚迪，其投资方包括高瓴创投、BV百度风投、奇绩创坛、经纬中国、蓝驰创投、沃赋创投、奇煜投资等。

彭志辉现任上海智元新创技术有限公司董事，桑蓬（上海）科技合伙企业（有限合伙）股东，并持有桑蓬科技13.79%的股份。

彭志辉，人称“稚晖君”、“野生钢铁侠”，原华为天才少年，2015年本科毕业于电子科技大学生命科学与技术学院，2018年研究生毕业于电子科技大学信息与通信工程学院。毕业后，他加入OPPO研究院AI实验室担任算法工程师。2020年，彭志辉加入“华为天才少年计划”，从事昇腾AI芯片和AI算法相关研究工作。2022年1月，他获得哔哩哔哩“2021年度百大UP主”称号。

据介绍，智元新创公司一直致力于AI与机器人的融合创新，打造世界级领先的具身智能机器人产品及应用生态。2023年8月，智元机器人发布第一代通用型具身智能机器人原型机——远征A1。时隔一年，智元机器人家族系列商用产品发布，在交互服务、柔性制造、特种作业、科研教育及数据采集等场景开启商用量产。

作为联合创始人，彭志辉于3月7日在微博上预告了即将发布的“好东西”，引发了广泛关注。

GO-1：VLA进化到ViLLA

智元机器人发布的研究论文报告提到，2024年底，智元机器人公司推出了 AgiBot World，包含超过100万条轨迹、涵盖217个任务、涉及五大场景（家庭、零售、工业、餐厅和办公环境）的大规模高质量真机数据集。基于这一数据集，智元公司发布其首个通用具身基座大模型——Genie Operator-1 (GO-1)。

GO-1 基于 Vision-Language-Latent-Action (ViLLA) 架构构建，相比传统的 Vision-Language-Action (VLA) 架构，ViLLA 通过预测 Latent Action Tokens（隐式动作标记），弥合了图像-文本输入与机器人执行动作之间的鸿沟。

智元机器人表示，ViLLA 架构是为了有效利用高质量的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而提出的。

ViLLA架构由VLM (多模态大模型) 和 MoE (混合专家) 组成，其中 VLM 负责场景感知和指令理解，MoE 中的 Latent Planner 负责动作理解和规划，MoE 中的Action Expert 负责精细动作执行。

报告提到，Latent Planner通过 Latent Action Model (LAM) 获取当前帧和历史帧之间的隐式动作，预测离散的 Latent Action Tokens。

混合专家一：Latent Planner（隐式规划器）

Action Expert采用Diffusion Model作为目标函数来建模低层级动作的连续分布。

混合专家二：Action Expert（动作专家）

在推理过程中，VLM、Latent Planner和Action Expert三者协同工作：

VLM 采用InternVL-2B，接收多视角视觉图片、力觉信号、语言输入等多模态信息，进行通用的场景感知和指令理解；

Latent Planner是MoE中的一组专家，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；

Action Expert是MoE中的另外一组专家，基于VLM的中间层输出以及Latent Action Tokens，生成最终的精细动作序列。

智元表示，“三者环环相扣，实现了可以利用人类视频学习，完成小样本快速泛化，降低了具身智能门槛，并成功部署到智元多款机器人本体，持续进化，将具身智能推上了一个新台阶。”

报告表示，“通过Vision-Language-Latent-Action (ViLLA) 创新性架构，我们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成功率大幅领先，平均成功率提高了32%(46%->78%)。其中 “Pour Water”（倒水）、“Table Bussing”（清理桌面）和 “Restock Beverage”（补充饮料）任务表现尤为突出。此外我们还单独验证了ViLLA 架构中Latent Planner的作用，可以看到增加Latent Planner可以提升12%的成功率(66%->78%)。”

实验结果

GO-1大模型的创新

报告提到，GO-1大模型具备以下四个关键特性：人类视频学习、小样本快速泛化、一脑多形、持续进化，具体来说：

人类视频学习：结合互联网视频和人类示范数据，增强对人类行为的理解。

小样本快速泛化：在极少数据甚至零样本下，快速适应新场景和新任务。

一脑多形：支持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：通过数据回流系统，从实际执行中持续学习，越用越聪明。

智能机器人在发展过程中面临多方面的难题，这些难题涉及技术、数据、环境、成本等多个维度。

尤其在数据方面，机器人需要大量高质量的动作数据来学习复杂任务，但真实世界中的机器人操作数据（如真机示教数据）获取成本高、规模有限。现有数据集往往局限于特定场景或任务，缺乏多样性，难以支持机器人在开放环境中的泛化能力。互联网上的海量视频数据（如人类操作视频）无法直接用于机器人训练，需要复杂的“翻译”过程。

AgiBot World 数据集提供大规模、高质量的真机示教数据，支持复杂任务的训练。

ViLLA 架构通过 Latent Actions 和 MoE（混合专家）架构，充分利用互联网视频数据和真机数据，提升模型的泛化能力和执行能力。

GO-1 大模型整合视觉、语言、动作等多模态输入，实现从感知到执行的高效闭环，支持长时程任务和复杂场景。

随着 ViLLA 架构和 GO-1 大模型的发布，机器人不仅拥有了大量真实和仿真的数据资源，还获得了快速学习和迁移的能力。这不仅扩展了它们的运动能力，还赋予了它们更强的AI能力，如理解自然语言指令和进行语义推理。这些进步使得机器人在各种应用场景中的作业能力大幅提升，从而真正具备了实用价值。

换句话说，机器人不再仅仅是按照固定程序运行的工具，而是能够自主学习、理解和执行复杂任务的智能助手，能够在更多领域发挥重要作用。

来源于电子工程专辑，作者Amy Wu