国泰君安：GO-1大模型将加速具身智能普及 关注智元产业链相关机会

　　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，包括：1)从单一任务到多种任务；2)从封闭环境到开放世界；3)从预设程序到指令泛化。GO-1大模型将加速具身智能的普及，在商业、工业、家庭等多领域发挥更大的作用，通向更加通用全能的智能未来，关注智元产业链的相关机会。

　　国泰君安主要观点如下：

　　3月10日，智元发布首个通用具身基座大模型GO-1，开创性地提出了Vision-Language-Latent-Action 架构，该架构由VLM+ MoE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借助百万真机数据获得精细的动作执行能力，三者环环相扣，实现了可以利用人类学习，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。

　　为了有效利用高质量的AgiBot World数据集以及互联网大规模异构数据，增强策略的泛化能力，智元提出了ViLLA这一架构。在推理时，VLM、Latent Planner和ActionExpert三者协同工作。其中LAM主要用于获取当前帧和历史帧之间Latent Actions的Groundtruth，它由编码器和解码器组成。Latent Planner负责预测这些离散的Latent ActionTokens，它与VLM主干网络共享相同的Transformer结构，同时引入Action Expert。结果显示，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%。