温馨提示：运营团队（2025年2月18日整理）原创报告（共210页）

——

正文：

国外知名人形机器人独角兽公司【Figure AI】于2025年2月20日推出其自研通用型视觉-语言-动作(VLA)模型—Helix，

2025年3月3日，人形机器人第一股[优必选科技]于发布公司自研全球首个人形机器人多模态推理大模型，该推理大模型基于DeepSeek-R1深度推理技术，借助其强大的数据处理和智能决策能力，让人形机器人具备类似人类常识的推理能力，支持多台人形机器人之间复杂任务的高效拆解、调度与协同。

国内头部人形机器人创企【智元机器人】在机器人“大脑”层面也迎重大技术突破，于今日（2025年3月10日）发布首个通用具身基座大模型-智元启元大模型GO-1（Genie Operator-1），它开创性地提出了Vision-Language-Latent-Action (ViLLA) 架构。

现有的 VLA（Vision-Language-Action）架构，主要依赖真机和合成数据；与VLA架构相比，智元提出的 Vision-Language-Latent-Action (ViLLA) 这一创新性架构通过预测Latent Action Tokens(隐式动作标记)，弥合图像-文本输入与机器人执行动作之间的鸿沟。在真实世界的灵巧操作和长时任务方面表现卓越，远远超过了已有的开源SOTA模型。

ViLLA架构是由VLM(多模态大模型) + MoE(混合专家)组成，其中VLM借助海量互联网图文数据获得通用场景感知和语言理解能力，MoE中的Latent Planner(隐式规划器)借助大量跨本体和人类操作数据获得通用的动作理解能力，MoE中的Action Expert(动作专家)借助百万真机数据获得精细的动作执行能力；在推理时，VLM、Latent Planner和Action Expert三者协同工作，三者环环相扣，实现了可以利用人类视频学习，完成小样本快速泛化，降低了具身智能门槛，并成功部署到智元多款机器人本体，持续进化，将具身智能推上了一个新台阶。

基于 ViLLA架构GO-1大模型借助人类和多种机器人数据，让机器人获得了革命性的学习能力，可泛化应用到各类的环境和物品中，快速适应新任务、学习新技能。同时，它还支持部署到不同的机器人本体，高效地完成落地，并在实际的使用中持续不断地快速进化。

这一系列的特点可以归纳为4个方面：

• 人类视频学习：GO-1大模型可以结合互联网视频和真实人类示范进行学习，增强模型对人类行为的理解，更好地为人类服务。

• 小样本快速泛化：GO-1大模型具有强大的泛化能力，能够在极少数据甚至零样本下泛化到新场景、新任务，降低了具身模型的使用门槛，使得后训练成本非常低。

• 一脑多形：GO-1大模型是通用机器人策略模型，能够在不同机器人形态之间迁移，快速适配到不同本体，群体升智。

• 持续进化：GO-1大模型搭配智元一整套数据回流系统，可以从实际执行遇到的问题数据中持续进化学习，越用越聪明。

通过Vision-Language-Latent-Action (ViLLA) 创新性架构，研究团队在五种不同复杂度任务上测试 GO-1，相比已有的最优模型，GO-1成功率大幅领先，平均成功率提高了32%(46%->78%)；单独验证了ViLLA 架构中Latent Planner的作用，可以看到增加Latent Planner可以提升12%的成功率(66%->78%)。

随着Fiure AI、优必选、智元接连发布自研大模型，再一次验证了小编往期看法：自研机器人大模型，将是人形机器人创企未来唯一出路！！

... ... ...

本文仅展示极少部分，接下来，小编将详细盘点具身智能大模型领域，全球初创公司（Skild AI、Covariant、有鹿机器人、X Square等）介绍及产品进展、全球科技巨头/大厂（谷歌、英伟达、微软、OpenAI、华为、阿里、腾讯、字节等）现阶段产品进展、人形机机器人本体厂家与科技巨头/大厂合作现状以及科技巨头入局人形机器人本体赛道现状。

... ... ...

本文内容仅展示一部分，更多详细解读，扫码加入知识星球“机器人头条”，查看完整版文章：[原创]具身智能大模型赛道:科技巨头技术进展、初创公司盘点，第一款“机器人通用大脑”花落谁家（文字6W+），并深度了解“具身智能&人形机器人”赛道