2025年3月10日，智元機(jī)器人發(fā)布了首個通用具身基座模型——智元啟元大模型（Genie Operator-1），該模型框架由VLM（多模態(tài)大模型） + MoE（混合專家）組成，它借助人類和多種機(jī)器人數(shù)據(jù)，讓機(jī)器人獲得了革命性的學(xué)習(xí)能力，可泛化應(yīng)用到各類的環(huán)境和物品中，快速適應(yīng)新任務(wù)、學(xué)習(xí)新技能。同時，它還支持部署到不同的機(jī)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(jìn)化。
具身智能的關(guān)鍵在于機(jī)器人可以感知物理世界并實時交互。大語言模型、多模態(tài)模型以及推理模型等AI能力，賦予了機(jī)器人聽、說、看的功能，并能理解世界，以及拆分任何和邏輯推理等決策能力。
智元機(jī)器人研究院執(zhí)行院長、智元具身智能事業(yè)部總裁姚卯青介紹，智元啟元大模型開創(chuàng)性地提出了Vision-Language-Latent-Action （ViLLA） 架構(gòu)，其中VLM（多模態(tài)大模型）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（混合專家）中的Latent Planner（隱式規(guī)劃器）借助大量跨本體和人類操作視頻數(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(jī)數(shù)據(jù)獲得精細(xì)的動作執(zhí)行能力，三者環(huán)環(huán)相扣，實現(xiàn)了可以利用人類視頻學(xué)習(xí)，完成小樣本快速泛化，降低了具身智能門檻，并成功部署到智元多款機(jī)器人本體，持續(xù)進(jìn)化，將具身智能推上了一個新臺階。
不久前，智元機(jī)器人推出自主研發(fā)的大型仿真框架AgiBot Digital World，包含超過100萬條軌跡、涵蓋217個任務(wù)、涉及五大場景的大規(guī)模高質(zhì)量真機(jī)數(shù)據(jù)集，為機(jī)器人操作提供靈活的仿真數(shù)據(jù)生成方案、預(yù)訓(xùn)練的大規(guī)模仿真數(shù)據(jù)和統(tǒng)一的模型評測標(biāo)準(zhǔn)，同步開源海量仿真數(shù)據(jù)。
盡管AgiBot World 數(shù)據(jù)集已經(jīng)是全球最大的機(jī)器人真機(jī)示教數(shù)據(jù)集，但這樣高質(zhì)量帶動作標(biāo)簽的真機(jī)數(shù)據(jù)量仍然有限，遠(yuǎn)少于互聯(lián)網(wǎng)規(guī)模的數(shù)據(jù)集。為此，智元機(jī)器人采用Latent Actions（隱式動作）來建模當(dāng)前幀和歷史幀之間的隱式變化，然后通過Latent Planner預(yù)測這些Latent Actions，從而將異構(gòu)數(shù)據(jù)源中真實世界的動作知識轉(zhuǎn)移到通用操作任務(wù)中。
通過ViLLA 創(chuàng)新性架構(gòu)，GO-1在五種不同復(fù)雜度任務(wù)上的測試較已有的最優(yōu)模型的成功率大幅領(lǐng)先，平均成功率提高了32%。其中，倒水、清理桌面和補(bǔ)充飲料任務(wù)表現(xiàn)尤為突出。
目前智元機(jī)器人有三條主打產(chǎn)品線，分別是遠(yuǎn)征、Genie和靈犀；遠(yuǎn)征主要是面對商用場景的雙足人形機(jī)器人遠(yuǎn)征A1、A2系列；Genie主要是面向通用具身操作的輪式雙臂機(jī)器人G1，以及一條用于拓展家用場景的小型人形機(jī)器人靈犀產(chǎn)品線；靈犀產(chǎn)品線目前已經(jīng)發(fā)布了一款X1，預(yù)計會在下半年發(fā)布一款面向機(jī)器人發(fā)燒友的產(chǎn)品X2。
智元機(jī)器人位于上海自貿(mào)區(qū)臨港的智元機(jī)器人制造工廠已于2024年10月投產(chǎn)，還計劃在上海張江建設(shè)年產(chǎn)能在1萬臺左右的人形機(jī)器人的二期工廠。
