给大家介绍一下智元机器人推出的GO-1大模型。它在技术层面具备了通用场景感知和理解能力，构建训练时学习了互联网的大规模纯文本和图文数据，能理解不同指令在具体环境下的含义与要求。
这款大模型有四大特性。首先是人类视频学习能力，它借助互联网视频资源和真实人类操作示范来学习，提升对人类行为的理解程度。其次，它有小样本快速泛化优势，即便在数据量极少甚至零样本的状况下，也能够顺利迁移至全新场景与任务之中，降低了具身模型的应用门槛和后续训练成本。再者，它呈现出一脑多形的特色，作为通用型机器人策略模型，能适应不同机器人本体。第四，其持续进化能力突出，配备完整的数据回流系统，能从实际执行任务时的问题数据里不断学习，实现自我进化。
传统具身模型通常针对单一机器人本体设计，存在数据利用率低和部署受限的问题。而GO-1可以赋能多种本体，在不同机器人形态间快速迁移，提升数据利用效率，降低部署成本。
GO-1实现这些功能的背后是ViLLA（视觉-语言-潜在动作）架构，它由VLM（多模态大模型）+MoE（混合专家模型）组成。其中，MoE包含Latent Planner（隐式规划器）和Action Expert（动作专家）两个关键的组成混合专家。通过在人类操作视频和真实机器人数据上进行训练，能够在极少输入的情况下实现快速泛化。简单来说，VLM用多模态大模型InternVL-2B“看懂”和“听懂”任务，Latent Planner基于大量数据制定动作“蓝图”，Action Expert基于真机经验执行具体动作。
不过，GO-1在类人五指机械掌应用上还存在提升的空间，可能需要多视角拍摄或传感器数据的辅助来补全数据。
机器人领域的发展，也是在借鉴语言大模型的发展过程，有两个关键要素促进了模型智能能力的提升， 一是提高训练的数据规模，二是提高训练数据的标注质量，进而提升机器人在三维空间中的物体模型抽象能力，结合时间序列上的推理规划能力，有希望在5到10年的时间里，机器人的智能水平可产生质的飞跃。当然，从情感领域，也可以向大自然这个造物主学习为机器人设计奖励函数，比如，让机器人比较乐于"陪伴"人， 这样可以增强它与人相伴的社群属性，而避免它伤害人的潜在可能性。
网友评论