上海發(fā)布人形機(jī)器人通用“大腦”

■“機(jī)器人能夠在不同場(chǎng)景中執(zhí)行多種任務(wù)，而不需要針對(duì)每個(gè)新任務(wù)重新訓(xùn)練，也不再局限于預(yù)設(shè)程序，能夠理解自然語言指令，并具備一定推理能力”

上海發(fā)布人形機(jī)器人通用

如何讓人形機(jī)器人擁有智慧“大腦”？昨天，上海智元新創(chuàng)技術(shù)有限公司發(fā)布了自主研發(fā)的第一代通用具身智能基座模型——智元啟元大模型GO-1（Genie Operator-1）。這是全國首個(gè)通用具身基座大模型，已部署到智元研發(fā)的多款機(jī)器人本體中。

據(jù)介紹，GO-1首創(chuàng)ViLLA架構(gòu)，讓人形機(jī)器人可以利用人類視頻學(xué)習(xí)各種技能，還能在極少數(shù)據(jù)甚至零樣本下，使機(jī)器人適應(yīng)不同場(chǎng)景和任務(wù)，從而降低具身智能研發(fā)門檻，讓機(jī)器人持續(xù)進(jìn)化。

十幾年前，機(jī)器人就可以“擦桌子”“拉小提琴”，這似乎不是什么新鮮事。但這類機(jī)器人只是在完成預(yù)設(shè)程序，并不代表機(jī)器人具備自主完成任務(wù)的能力，或者說并不真正具備智能。如今，隨著具身智能的不斷演化，聰明的機(jī)器人已完成“從單一任務(wù)到多種任務(wù)”“從封閉環(huán)境到開放世界”“從預(yù)設(shè)程序到指令泛化”的三層進(jìn)化。

“目前，機(jī)器人能夠在不同場(chǎng)景中執(zhí)行多種任務(wù)，而不需要針對(duì)每個(gè)新任務(wù)重新訓(xùn)練，也不再局限于預(yù)設(shè)程序，能夠理解自然語言指令，并具備一定推理能力?！敝窃獧C(jī)器人研究院執(zhí)行院長、具身業(yè)務(wù)部總裁姚卯青表示，一旦機(jī)器人“能聽懂人話”，就可以在商業(yè)、工業(yè)、家庭等多領(lǐng)域發(fā)揮更大的作用。

去年底，智元聯(lián)合上海人工智能實(shí)驗(yàn)室、國家地方共建人形機(jī)器人創(chuàng)新中心和上海庫帕思科技公司，發(fā)布了基于全域真實(shí)場(chǎng)景的百萬真機(jī)數(shù)據(jù)集開源項(xiàng)目“AgiBot世界”。這個(gè)數(shù)據(jù)集覆蓋100多種真實(shí)場(chǎng)景，其中家居場(chǎng)景占40%，餐飲和工業(yè)場(chǎng)景各占20%，商超和辦公場(chǎng)景各占10%?；凇癆giBot世界”數(shù)據(jù)集，智元開發(fā)了啟元大模型，讓人形機(jī)器人擁有可不斷進(jìn)化的“大腦”。

姚卯青介紹，為增強(qiáng)機(jī)器人“大腦”的泛化能力，智元提出了ViLLA這一創(chuàng)新性架構(gòu)。啟元大模型就是基于ViLLA架構(gòu)開發(fā)，由多模態(tài)大模型和混合專家組成。其中，多模態(tài)大模型可利用互聯(lián)網(wǎng)上的海量圖文數(shù)據(jù)，讓人形機(jī)器人獲得通用場(chǎng)景感知和語言理解能力，從而能理解外部世界、周邊環(huán)境以及用戶發(fā)出的各種指令。

“通過ViLLA創(chuàng)新性架構(gòu)，我們?cè)?種不同復(fù)雜度的任務(wù)上測(cè)試了GO-1大模型。與已有最優(yōu)模型對(duì)比，GO-1的成功率處于領(lǐng)先水平，將平均成功率提高了32%。”姚卯青介紹，在這些測(cè)試任務(wù)中，啟元大模型在倒水、清理桌面、補(bǔ)充飲料這3個(gè)任務(wù)上的表現(xiàn)尤為突出。

作為通用具身基座大模型，GO-1不再被機(jī)器人的具體型號(hào)、適用場(chǎng)景束縛。姚卯青表示，GO-1大模型可以幫機(jī)器人完成全面的“基礎(chǔ)教育”和“職業(yè)教育”，天然能適應(yīng)新的場(chǎng)景，快速學(xué)習(xí)新的操作。