原创 世超 2025-03-11 00:01 浙江
明天会有新机器人吧？
上周五，稚晖君不是在微博浅浅预告了一波 “ 好东西 ” 嘛。
这不刚周一，智元机器人马上就把热乎的抬上来了。
机器人给你端茶倒水、煮咖啡。
把面包放进面包机、给烤好的面包涂抹果酱，再把面包端到你面前，整套动作一气呵成。
还能在公司当前台，充当一把迎宾。
就是吧，见多了各种人形机器人的视频之后，世超对这种程度的展示，已经见怪不怪了。
所以单单这些演示，还不足以能称之为好东西。智元机器人这次发布的基座大模型 GO-1 （ Genie Operator-1 ），才是真正值得拿出来唠一唠的好东西。
这么说吧，这个基座大模型，让困扰了人形机器人许久的数据匮乏、泛化能力差的问题，又有了更高效的解法。
大伙儿可能也知道，现阶段的人形机器人之所以看起来很拉胯，很重要的原因之一，就是缺乏高质量的数据。
而获得这些数据的成本，同样也非常高。
为了解决这个行业难题，去年底，智元机器人就已经开源了百万真机数据集 AgiBot World 。
AgiBot World 的数据都来自于智元的数据采集工厂，里面搭了不少模拟真实场景，数据采集师每天的任务，就是教机器人怎么执行某项任务。
根据官方的说法， AgiBot World 涵盖了超过 100 万条轨迹、 217 个任务和 106 个场景。但即便是这个量级的数据，对于机器人来说仍然是杯水车薪，而且，也没办法解决机器人泛化能力差的问题。
所以，智元机器人才在 AgiBot World 的基础上，又提出了新的 ViLLA （ Vision-Language-Latent-Action ）架构。这个架构，就是 GO-1 大模型的核心。
世超去翻了翻智元机器人发布的论文，简单用大白话给大伙儿介绍一下，这 ViLLA 到底牛在哪。
首先在数据上， ViLLA 架构就没那么挑。
根据官方的介绍， ViLLA 架构是由 VLM ( 多模态大模型 ) 和 MoE ( 混合专家 ) 组成。
传统的 VLA 架构，结合了 VLM 和端到端的特点，所以这种架构需要大量标注过的真机数据来训练，又费钱又费力，而且数据量还少。
ViLLA 虽说本质上还是 VLA 架构，但它强就强在，互联网上的那些人类视频数据它也能用。。。
也就是说，基于 GO-1 大模型的机器人，理论上只要 “ 看过 ” 视频，就能学会相对应的动作。
至于其中的原因，世超觉着很大概率要归功于 “ 潜在动作 ” （ Latent Actions ）。
咱还是拿 VLA 作为对比， VLA （ Vision Language Action ）架构，在执行任务的时候是这么个流程：输入图像和语言指令，机器人再根据这些信息，生成并执行指定动作。
看似简单粗暴，但稍微遇到点复杂的任务，机器人就会变成看得懂也听得懂，但是做不好甚至于做不到。
举个例子，咱们让机器人（ VLA 架构 ）做一杯咖啡，机器人能看到咖啡机在哪，也能听得懂我要它做咖啡。
但是， VLA 架构下的机器人要直接从 “看到了咖啡机 ” “ 听懂了要做咖啡 ” ，一下子想清楚所有步骤，然后马上动手，中间没有思考的过程。
DeepMind 的 VLA 模型 RT-2
问题就在于，泡咖啡其实中间有很多小步骤，比如找到咖啡豆，打开咖啡机，按下开关，就算是人来了，都得想一下要先干嘛再干嘛。
更何况是 “ 一根筋 ” 的 VLA 架构，让它处理中间这些复杂的步骤，多少有点为难它了。
但 ViLLA 架构，引入了两位 “ 专家 ” ：隐式规划器（ Latent Planner ）和动作专家（ Action Expert ）。
这两位专家不仅能让机器人想得更多，而且能做的事情也变多了。
专有名词看不懂没关系，咱继续举例子。
假设现在输入一段视频，是一个人拿起杯子喝水。
VLM 多模态大模型会先把视频处理了，接着潜在动作模型（ Latent Action Model ），会把那些复杂的视频动作，拆解成几个关键步骤，比如 “ 抓取 ” 、 “ 移动 ” 和 “ 喝水 ” 。
但光到这一步还不够，隐式规划器（ Latent Planner ）要继续把关键步骤进行加工，生成更详细的步骤： “ 抓取（杯子），移动（杯子到嘴边），饮用 ” 。
最后，动作专家（ Action Expert ）出场，把这些步骤全都转换成机器人能理解的信号，让机器人执行动作。
所以 ViLLA 架构在执行复杂任务时的表现，要比 VLA 更出色，也更能适应当下人形机器人的训练需求。
而且世超还注意到， ViLLA 架构并不依赖具体的硬件。
换句话说， VLA 架构是根据特定的机器人本体、特定场景，来生成动作信号，而 ViLLA 架构生成的是 “ 抓取 ” “ 移动 ” 这种通用动作标记，任务泛化能力更好，也更容易迁移到其他机器人平台。
给大伙儿一句话总结就是，GO-1 让机器人能从互联网的人类视频数据中学习，并且多了拆解任务的能力，提高复杂任务成功率的同时，泛化能力也变强了。
如果 GO-1 的效果真的像官方描述的那样，那么这对于整个人形机器人行业来说，或许都是一个好消息。
数据不愁，还不挑平台，这机器人训练起来可就顺手多了。就是不知道这个 GO-1 ，智元会不会选择继续开源。
听说，智元机器人明天还要放出个惊喜，咱们等一手好吧。
撰文：西西
编辑：江江&面线
美编：萱萱
图片、资料来源：
智元机器人（B站、微博）
智元机器人， VLA 进化到 ViLLA ，智元发布首个通用具身基座大模型 GO-1
AgiBot World Colosseo : Large-scale Manipulation Platform for Scalable and Intelligent Embodied Systems
