稚晖君搞了个“好东西”，网上的视频也能拿来训练机器人了。

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。

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。

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。

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。

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。

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 ” 。

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。

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