智元具身研究中心常務主任任廣輝當日接受記者采訪時表示，GO-1大模型借助人類和多種機器人數(shù)據(jù)，讓機器人獲得了革命性的學習能力，可泛化應用到各類的環(huán)境和物品中，快速適應新任務、學習新技能。同時，它還支持部署到不同的機器人本體，高效地完成落地，并在實際的使用中持續(xù)不斷地快速進化。
任廣輝介紹，GO-1大模型的特點可歸納為4個方面。首先是人類視頻學習。GO-1大模型可以結(jié)合互聯(lián)網(wǎng)視頻和真實人類示范進行學習，增強模型對人類行為的理解。
第二是小樣本快速泛化。GO-1大模型具有強大的泛化能力，能夠在極少數(shù)據(jù)甚至零樣本下泛化到新場景、新任務，不僅降低了具身模型的使用門檻，也大大了降低后訓練成本。以“倒水”這一動作為例，如果人形機器人沒有搭載大模型，完成該動作的訓練需要1萬至5萬條數(shù)據(jù)采集；搭載大模型后，完成該動作僅需1000條左右數(shù)據(jù)采集。
第三是“一腦多形”。作為通用機器人策略模型，GO-1大模型能夠在不同機器人形態(tài)之間遷移，快速適配到不同本體，類似“群體升智”。
第四是持續(xù)進化。任廣輝介紹，搭配一整套數(shù)據(jù)回流系統(tǒng)，GO-1大模型可以從實際執(zhí)行遇到的問題數(shù)據(jù)中持續(xù)進化學習，“越用越聰明”。
3月10日，智元機器人發(fā)布通用具身模型基座：智元啟元大模型(Genie Operator-1，簡稱GO-1)。智元機器人 供圖
如何達成這些？智元機器人合伙人、具身智能事業(yè)部總裁姚卯青介紹，這源于GO-1的Vision-Language-Latent-Action(ViLLA，即視覺-語言-隱式-動作)架構(gòu)，該架構(gòu)由VLM(多模態(tài)大模型)+ MoE(混合專家)組成。
“VLM借助海量互聯(lián)網(wǎng)圖文數(shù)據(jù)獲得通用場景感知和語言理解能力，MoE中的Latent Planner(隱式規(guī)劃器)借助大量跨本體和人類操作數(shù)據(jù)獲得通用的動作理解能力，MoE中的Action Expert(動作專家)借助百萬真機數(shù)據(jù)獲得精細的動作執(zhí)行能力。”姚卯青介紹，通過三者環(huán)環(huán)相扣，讓GO-1可利用人類視頻學習，完成小樣本快速泛化。
“例如，用戶給出指令告訴機器人要做的事情，比如‘掛衣服’，模型就可以根據(jù)看到的畫面，理解這句話對應的任務要求。”任廣輝表示，該模型可根據(jù)之前訓練時看過的掛衣服數(shù)據(jù)，設想這個過程應該包括哪些操作步驟，最后執(zhí)行這一連串的步驟，完成整個任務的操作。
距離人形機器人進入家庭“打工”還有多久？“我們目前發(fā)布的技術處于從G3到G4的過渡階段。”任廣輝表示，人形機器人走進家庭創(chuàng)造價值，還需5年左右。(完)
