上週五，稚暉君不是在微博淺淺預告了一波 “ 好東西 ” 嘛。
這不剛週一，智元機器人馬上就把熱乎的抬上來了。
機器人給你端茶倒水、煮咖啡。
把麪包放進麪包機、給烤好的麪包塗抹果醬，再把麪包端到你面前，整套動作一氣呵成。
還能在公司當前臺，充當一把迎賓。
就是吧，見多了各種人形機器人的視頻之後，世超對這種程度的展示，已經見怪不怪了。
這麼說吧，這個基座大模型，讓困擾了人形機器人許久的數據匱乏、泛化能力差的問題，又有了更高效的解法。
大夥兒可能也知道，現階段的人形機器人之所以看起來很拉胯，很重要的原因之一，就是缺乏高質量的數據。
而獲得這些數據的成本，同樣也非常高。
爲了解決這個行業難題，去年底，智元機器人就已經開源了百萬真機數據集 AgiBot World 。
AgiBot World 的數據都來自於智元的數據採集工廠，裏面搭了不少模擬真實場景，數據採集師每天的任務，就是教機器人怎麼執行某項任務。
根據官方的說法， AgiBot World 涵蓋了超過 100 萬條軌跡、 217 個任務和 106 個場景。但即便是這個量級的數據，對於機器人來說仍然是杯水車薪，而且，也沒辦法解決機器人泛化能力差的問題。
世超去翻了翻智元機器人發佈的論文，簡單用大白話給大夥兒介紹一下，這 ViLLA 到底牛在哪。
首先在數據上， ViLLA 架構就沒那麼挑。
根據官方的介紹， ViLLA 架構是由 VLM ( 多模態大模型 ) 和 MoE ( 混合專家 ) 組成。
傳統的 VLA 架構，結合了 VLM 和端到端的特點，所以這種架構需要大量標註過的真機數據來訓練，又費錢又費力，而且數據量還少。
也就是說，基於 GO-1 大模型的機器人，理論上只要 “ 看過 ” 視頻，就能學會相對應的動作。
至於其中的原因，世超覺着很大概率要歸功於 “ 潛在動作 ” （ Latent Actions ）。
咱還是拿 VLA 作爲對比， VLA （ Vision Language Action ）架構，在執行任務的時候是這麼個流程：輸入圖像和語言指令，機器人再根據這些信息，生成並執行指定動作。
舉個例子，咱們讓機器人（ VLA 架構 ）做一杯咖啡，機器人能看到咖啡機在哪，也能聽得懂我要它做咖啡。
但是， VLA 架構下的機器人要直接從 “看到了咖啡機 ” “ 聽懂了要做咖啡 ” ，一下子想清楚所有步驟，然後馬上動手，中間沒有思考的過程。
DeepMind 的 VLA 模型 RT-2
問題就在於，泡咖啡其實中間有很多小步驟，比如找到咖啡豆，打開咖啡機，按下開關，就算是人來了，都得想一下要先幹嘛再幹嘛。
但 ViLLA 架構，引入了兩位 “ 專家 ” ：隱式規劃器（ Latent Planner ）和動作專家（ Action Expert ）。
這兩位專家不僅能讓機器人想得更多，而且能做的事情也變多了。
專有名詞看不懂沒關係，咱繼續舉例子。
假設現在輸入一段視頻，是一個人拿起杯子喝水。
VLM 多模態大模型會先把視頻處理了，接着潛在動作模型（ Latent Action Model ），會把那些複雜的視頻動作，拆解成幾個關鍵步驟，比如 “ 抓取 ” 、 “ 移動 ” 和 “ 喝水 ” 。
但光到這一步還不夠，隱式規劃器（ Latent Planner ）要繼續把關鍵步驟進行加工，生成更詳細的步驟： “ 抓取（杯子），移動（杯子到嘴邊），飲用 ” 。
所以 ViLLA 架構在執行復雜任務時的表現，要比 VLA 更出色，也更能適應當下人形機器人的訓練需求。
而且世超還注意到， ViLLA 架構並不依賴具體的硬件。
換句話說， VLA 架構是根據特定的機器人本體、特定場景，來生成動作信號，而 ViLLA 架構生成的是 “ 抓取 ” “ 移動 ” 這種通用動作標記，任務泛化能力更好，也更容易遷移到其他機器人平臺。
給大夥兒一句話總結就是，GO-1 讓機器人能從互聯網的人類視頻數據中學習，並且多了拆解任務的能力，提高複雜任務成功率的同時，泛化能力也變強了。
數據不愁，還不挑平臺，這機器人訓練起來可就順手多了。就是不知道這個 GO-1 ，智元會不會選擇繼續開源。
聽說，智元機器人明天還要放出個驚喜，咱們等一手好吧。
撰文：西西
編輯：江江&面線
美編：萱萱
圖片、資料來源：
智元機器人（B站、微博）
智元機器人， VLA 進化到 ViLLA ，智元發佈首個通用具身基座大模型 GO-1
AgiBot World Colosseo : Large-scale Manipulation Platform for Scalable and Intelligent Embodied Systems
更多遊戲資訊請關註：電玩幫遊戲資訊專區
電玩幫圖文攻略 www.vgover.com
