据介绍，GO-1首创ViLLA架构，让人形机器人可以利用人类视频学习各种技能，还能在极少数据甚至零样本下，使机器人适应不同场景和任务，从而降低具身智能研发门槛，让机器人持续进化。

十几年前，机器人就可以“擦桌子”“拉小提琴”，这似乎不是什么新鲜事。但这类机器人只是在完成预设程序，并不代表机器人具备自主完成任务的能力，或者说并不真正具备智能。如今，随着具身智能的不断演化，聪明的机器人已完成“从单一任务到多种任务”“从封闭环境到开放世界”“从预设程序到指令泛化”的三层进化。

“目前，机器人能够在不同场景中执行多种任务，而不需要针对每个新任务重新训练，也不再局限于预设程序，能够理解自然语言指令，并具备一定推理能力。”智元机器人研究院执行院长、具身业务部总裁姚卯青表示，一旦机器人“能听懂人话”，就可以在商业、工业、家庭等多领域发挥更大的作用。

去年底，智元联合上海人工智能实验室、国家地方共建人形机器人创新中心和上海库帕思科技公司，发布了基于全域真实场景的百万真机数据集开源项目“AgiBot世界”。这个数据集覆盖100多种真实场景，其中家居场景占40%，餐饮和工业场景各占20%，商超和办公场景各占10%。基于“AgiBot世界”数据集，智元开发了启元大模型，让人形机器人拥有可不断进化的“大脑”。

姚卯青介绍，为增强机器人“大脑”的泛化能力，智元提出了ViLLA这一创新性架构。启元大模型就是基于ViLLA架构开发，由多模态大模型和混合专家组成。其中，多模态大模型可利用互联网上的海量图文数据，让人形机器人获得通用场景感知和语言理解能力，从而能理解外部世界、周边环境以及用户发出的各种指令。