近日，智元機器人在其官方渠道宣布了一項重大突破，正式推出了業(yè)界首個通用具身基座模型——智元啟元大模型（Genie Operator-1），這一創(chuàng)新成果標志著智元在人工智能領(lǐng)域的又一里程碑。

智元啟元大模型的核心在于其獨創(chuàng)的Vision-Language-Latent-Action（ViLLA）架構(gòu)，這一架構(gòu)的提出，為具身智能的發(fā)展開辟了新的路徑。ViLLA架構(gòu)由兩大核心組件構(gòu)成：多模態(tài)大模型VLM與混合專家系統(tǒng)MoE。

VLM組件通過深度挖掘海量互聯(lián)網(wǎng)圖文數(shù)據(jù)，賦予了智元啟元大模型卓越的通用場景感知和語言理解能力。它能夠準確識別并理解圖像中的信息，同時與文本數(shù)據(jù)進行高效融合，實現(xiàn)了對復(fù)雜場景的全面理解。

而MoE系統(tǒng)則進一步增強了智元啟元大模型的動作理解與執(zhí)行能力。其中，Latent Planner（隱式規(guī)劃器）通過分析大量跨本體和人類操作視頻數(shù)據(jù)，掌握了通用的動作規(guī)劃邏輯。與此同時，Action Expert（動作專家）則依托百萬級真機數(shù)據(jù)訓(xùn)練，具備了精細且高效的動作執(zhí)行能力。

ViLLA架構(gòu)中的這三大組件相互協(xié)同，形成了一個高效且智能的系統(tǒng)。它不僅能夠從人類視頻中學(xué)習(xí)并快速泛化到小樣本場景，還顯著降低了具身智能的應(yīng)用門檻。這一創(chuàng)新成果已經(jīng)成功應(yīng)用于智元的多款機器人本體上，展現(xiàn)了強大的實際應(yīng)用潛力。