近日，智元机器人在其官方渠道宣布了一项重大突破，正式推出了业界首个通用具身基座模型——智元启元大模型（Genie Operator-1），这一创新成果标志着智元在人工智能领域的又一里程碑。
智元启元大模型的核心在于其独创的Vision-Language-Latent-Action（ViLLA）架构，这一架构的提出，为具身智能的发展开辟了新的路径。ViLLA架构由两大核心组件构成：多模态大模型VLM与混合专家系统MoE。
VLM组件通过深度挖掘海量互联网图文数据，赋予了智元启元大模型卓越的通用场景感知和语言理解能力。它能够准确识别并理解图像中的信息，同时与文本数据进行高效融合，实现了对复杂场景的全面理解。
而MoE系统则进一步增强了智元启元大模型的动作理解与执行能力。其中，Latent Planner（隐式规划器）通过分析大量跨本体和人类操作视频数据，掌握了通用的动作规划逻辑。与此同时，Action Expert（动作专家）则依托百万级真机数据训练，具备了精细且高效的动作执行能力。
ViLLA架构中的这三大组件相互协同，形成了一个高效且智能的系统。它不仅能够从人类视频中学习并快速泛化到小样本场景，还显著降低了具身智能的应用门槛。这一创新成果已经成功应用于智元的多款机器人本体上，展现了强大的实际应用潜力。
