上海智元新創技術有限公司成立於2023年2月，是一家致力於以Al+機器人融合創新、打造世界級領先的具身智慧機器人產品及應用生態的創新企業。 

2025年3月13日，在第三屆具身智慧機器人產業發展論壇上，智元具身研究中心常務副主任任廣輝表示，具身智慧是未來十年人工智慧技術發展的核心驅動力，預計將催生一系列革命性產品。具身智慧的演進與發展離不開海量數據的支撐。當前，具身智慧面臨的最大瓶頸在於缺乏充足的機器人操作數據，這限制了技術的進一步發展和應用。現有具身模型在落地過程中存在泛化性差、場景適應性弱等問題，一旦場景發生變化，成功率會大幅下降。此外，擴展新任務時需要重新收集大量數據，成本高昂，且不同機器人本體的數據無法共用，進一步加劇了數據稀缺的問題。由於缺乏實際落地和數據迴流，模型無法持續進化。 

針對這些挑戰，智元提出了Vision-Language-Latent-Action（ViLLA）這一創新性架構，該架構能夠充分利用數位金字塔中各個層級的數據資源，具備人類視頻學習能力、小樣本快速泛化能力、一腦多形能力和持續進化能力。

任廣輝 | 智元具身研究中心常務主任

以下為演講內容整理：

公司發展與具身智能趨勢

智元新創成立於2023年2月，2023年8月便發佈了原型機遠征A1。同年10月，下線100台產品，到2025年1月，累計下線達1000台，在量產機器人領域，發展速度處於國內外領先水準。

圖源：智元新創

從AI發展歷程來看，1950年AI概念被提出，2012年Xnet的出現掀起了中國AI領域的第一波浪潮，誕生了CV四小龍等一批企業。2022年底，GPT的爆發引發了第二波AI浪潮。近期，Deepseek R1在春節期間受到全球關注。此前這些多屬於數位世界AI，而具身智慧才是對世界影響最為深遠的領域，有望成為AI發展的下一個“GPT時刻”，也是未來十年科技發展的核心驅動力。如今，眾多機器人公司應運而生，智元機器人便是其中之一。

具身智慧是人形機器人的核心價值所在。機器人本體是基礎，雖然其構型和硬體最終會趨於相似，但AI賦予了硬體更多應用可能，使其擁有靈魂。回顧汽車和手機行業的發展歷程，可對機器人未來發展進行合理想像。從技術角度看，以往機器人的演算法技術多處於G1、G2階段，主要是人工編排或拆解的模組化程式，執行預設任務。如今，早上中午到達G3、G4階段邁進，更傾向於端到端的技術，未來甚至可能實現大小腦合一的端腦袋大模型。在AI的演算法、算力和數據三要素中，演算法不斷演進，而數據至關重要。然而，當前機器人領域的數據，無論是公開數據還是企業內部數據，規模都遠不及互聯網上其他AI領域，如OpenAI和一些圖像視頻相關的數據。

數據採集與開源專案

在數據方面，以一些先進成果為例，SFD目前已發展到V13版本，V12版本時使用了1000萬條數據進行訓練；OpenAI的Sora使用了數百萬小時的視頻數據；特斯拉的Optimus計劃今年量產數千台機器人，並且在積極採集數據。但縱觀機器人領域公開數據集，存在諸多問題。學術界的數據集多為桌面型，模擬場景簡單，物體種類少，通常只有一二十種，任務也多為驗證單一能力，實用性不足。工業界的數據定製化嚴重，缺乏通用場景數據，任務簡單且數據不流通，分散在各個企業內部。

鑒於此，智元於2023年9月在上海建立了數采超級工廠。工廠面積達4000平方米，擁有3000多種真實物體，涵蓋多種場景。2023年年底，公司將相關數據集開源，推出AgiBot World公開專案，這是首個全域真實場景數據集，涵蓋公司自研硬體數據，且從採集到審核全程有人工品質把控。該數據集覆蓋家居、工業、零售等5大場景，包含200多個任務、3000多個物體和100萬條軌跡數據。

為配合數據採集，公司設計了一套本體硬體平臺，配備環繞攝像頭、多自由度機械臂和靈巧手等。同時，採用多種採集模式，如VR採集和動作協同採集，並搭建了管控數據的第二平臺。與其他公開數據集相比，例如openx-embodiment，智元的數據集在場景覆蓋、技能數量等方面優勢明顯。openx-embodiment是混合多種數據集整合而成，而智元的數據集是自主採集的原生數據。

通用計算技術大模型及優勢

基於豐富的數據基礎，智元在本周一發佈了通用具身基座大模型。該模型從VLA架構進化到ViLLA架構，並部署在公司不同的硬體本體上。 

當前具身智慧模型在落地過程中面臨諸多困境，如泛化性差，場景切換后成功率大幅下降；擴展新任務時需要重新採集大量數據，成本高昂；不同本體的數據無法共用。這些問題導致模型難以實際應用，數據迴流困難，形成惡性循環。現有模型存在局限，小模型參數量少，未充分利用互聯網圖文視頻數據，缺乏通用場景感知和動作理解能力，技能單一。以VLM構建的具身大模型雖有一定通用場景理解能力，但未充分利用互聯網視頻數據。以Video generation為基礎構建的模型，對指令理解和泛化能力不如VLM類模型。 

為此，智元提出ViLLA架構，旨在充分利用數據計算法中各層級的數據，包括互聯網文本、圖文、視頻數據，以及模擬和真機數據，構建通用場景感知、指令理解和精細動作操作能力。ViLLA架構通過VLM+MoE構建通用場景感知和指令理解，同時引入兩個專家模組。Latent Action Expert利用互聯網大規模的操作數據，根據當前觀測和指令推薦後續動作；Action Expert將抽象動作概念轉化為本體可執行的動作。

ViLLA架構具有顯著優勢，能夠使用人類視頻和跨本體視頻數據，甚至行業內開源的不同本體機器人數據，構建強大的通用場景感知和理解能力，實現極少數或零樣本的泛化，降低新場景、新任務的后訓練成本，提高模型落地可行性。此外，該架構還具備“一腦多形”的能力，可將抽象能力應用於不同本體，便於模型落地到各個細分場景，通過數據回流系統獲取更多數據，形成良性迴圈。在5種不同複雜度的真實場景測試中，ViLLA模型相比當前其他方法，成功率有顯著提升。同時，單獨驗證結果表明，ViLLA架構新增的抽象動作規劃能力性能表現優異。智元相信，ViLLA架構的推出，將推動具身智慧朝著通用化、開放化、自動化方向發展，使其能夠執行更多任務，從封閉場景走向開放場景，從預設程式任務轉向開放指令任務，更便於應用於各行業。

（以上內容來自智元具身研究中心常務主任任廣輝於2025年3月13日在第三屆具身智慧機器人產業發展論壇發表的《數據驅動的通用具身基座大模型GO-1》主題演講。）