O GO-1 (Genie Operator-1, Zhiyuan Qiyuan) é o primeiro modelo base embutido geral da Zhiyuan Robotics — um único cérebro projetado para alimentar muitos corpos e formatos de robôs diferentes. A arquitetura se chama Vision-Language-Latent-Action (ViLLA) e combina um VLM (modelo de visão e linguagem) com um MoE (mistura de especialistas) cujos especialistas cuidam do planejamento e da ação.
A divisão de trabalho é a essência do design. O VLM se apoia em dados massivos de imagem e texto em escala de internet para dar ao modelo percepção geral de cena e compreensão de linguagem — ele consegue identificar o que há em uma imagem, integrar isso a entradas textuais e compreender cenas complexas de ponta a ponta. O Latent Planner dentro do MoE aprende compreensão geral de ações a partir de grandes volumes de dados de corporalidade cruzada (cross-embodiment) e vídeos de operações humanas — absorvendo como os seres humanos resolvem tarefas fisicamente. O Action Expert é treinado com um milhão de trajetórias de dados de robôs reais e entrega execução de ações refinada e eficiente no hardware.
Principais capacidades do GO-1
- Aprendizado com vídeos humanos: ao analisar grandes quantidades de vídeos de operações humanas, o modelo absorve conhecimento de ações do mundo real e se adapta rapidamente a novas tarefas — demonstrações humanas viram dados de treinamento sem necessidade de captura específica com robôs.
- Generalização rápida com poucos exemplos: com dados mínimos ou até zero amostras, o GO-1 generaliza para novas cenas e tarefas, reduzindo a barreira de aplicação que mantinha a IA embutida presa à engenharia tarefa por tarefa.
- Um cérebro, muitos corpos: o GO-1 é implantado com flexibilidade em muitos tipos de robôs e morfologias corporais diferentes — a transferência entre corporalidades está embutida na arquitetura, e não remendada a cada implantação.
- Evolução contínua: em uso de produção, o modelo continua aprendendo e se otimizando por meio de um sistema de flywheel de dados que canaliza problemas de execução real de volta para o treinamento — ele fica mais inteligente com o uso, a métrica dos sonhos de toda equipe de robótica desde o início da área.
- Execução eficiente de ações: o Action Expert, treinado com um milhão de trajetórias, dá ao modelo execução física refinada e de alta eficiência, em vez de movimentos aproximados e tremidos.
Como o cálculo funciona
O pipeline de três estágios parece uma cadeia de tradução da percepção à física. O VLM extrai dados de imagem e texto em escala de internet para adquirir amplo conhecimento sobre o mundo: reconhecimento preciso do conteúdo das imagens, fusão eficiente com texto e compreensão abrangente de cenas complexas. O Latent Planner converte essa compreensão em intenção de ação — tendo estudado em larga escala dados de corporalidade cruzada e vídeos humanos, ele detém uma lógica de planejamento de ações de propósito geral que transfere entre braços, mãos e tipos de corpo. O Action Expert recebe o plano latente e produz o programa motor de fato, e seu treinamento com um milhão de dados de robôs reais garante que a saída seja executável com precisão, e não aproximadamente. O design em camadas também explica as reivindicações de transferibilidade do GO-1: percepção e planejamento são agnósticos em relação à corporalidade por construção, enquanto as habilidades específicas de cada corpo vivem na camada de especialistas, onde podem ser retreinadas para cada robô.
A verdadeira inovação da arquitetura ViLLA é a camada do meio, e vale a pena refletir sobre o porquê. A maioria dos modelos fundacionais para robôs trata vídeo como um problema de dados — legendar, tokenizar, misturar ao treinamento. O Latent Planner, em vez disso, trata vídeo humano como um corpus de planejamento: ele aprende não só como as ações parecem, mas a estrutura de intenção que as conecta, expressa como tokens de ação latentes (em vez de literais), o que contorna a incompatibilidade de corporalidade entre uma mão humana e uma garra robótica. É isso que torna a reivindicação de transferência entre corporalidades estruturalmente crível, e não apenas aspiracional — como a saída do planejador é agnóstica em relação ao corpo por construção, o mesmo plano latente pode ser direcionado a uma base móvel, um braço bimanual ou a camada de especialistas de um humanoide sem redesign.
A reivindicação do flywheel de dados — evolução contínua a partir da execução real — merece tanto escrutínio quanto crédito. Todo robô implantado gera dados de falha, e dados de falha são exatamente o que modelos base não conseguem sintetizar de forma convincente: uma simulação pode modelar a física de uma xícara, mas não as dez mil maneiras surpreendentes pelas quais cozinhas reais desafiam as expectativas. Ao canalizar problemas de execução real de volta para o treinamento, o GO-1 converte suas implantações em um ativo de dados que se acumula — a mesma lógica econômica que tornou os mecanismos de busca e os sistemas de recomendação inatacáveis em suas épocas. As ressalvas honestas continuam válidas: aprendizado contínuo em produção ainda é genuinamente difícil de validar — um modelo que “fica mais inteligente” também pode regredir silenciosamente — e reivindicações de generalização com poucos exemplos sempre parecem melhores em vídeos de demonstração cuidadosamente curados do que em pisos de produção caóticos. Mas a direção é inequívoca — o centro de gravidade da indústria está se deslocando de programar robôs para treiná-los, e o GO-1 está entre os primeiros projetos abertos em que o flywheel de dados de treinamento é um componente de sistema projetado, e não uma aspiração. Equipes que avaliam modelos fundacionais embutidos devem testá-lo em suas próprias tarefas e acompanhar as liberações de dados abertos — o corpus público AgiBot World é, por si só, uma contribuição que reduz a barreira de entrada de todos.
Onde ele se encaixa na corrida
O GO-1 chega a um campo que avança rapidamente rumo exatamente a esse formato — modelos base gerais para corporalidade, com Google, Figure e Physical Intelligence publicando trabalhos em linhas relacionadas. Os diferenciais da Zhiyuan são seus dados e sua estratégia de abertura: o corpus de um milhão de trajetórias de robôs reais por trás do Action Expert vem da própria operação de implantação e coleta de dados em escala de frota da empresa, e o projeto aberto AgiBot World, que a acompanha, já tornou pública uma parcela substancial desses dados. A lógica estratégica espelha o que aconteceu com os modelos de linguagem: quem montar o maior conjunto de dados embutidos de alta qualidade treinará o modelo base mais capaz, e o modelo base — e não um robô específico — se tornará a plataforma sobre a qual os outros construirão. Para equipes de robótica, o GO-1 vale a pena acompanhar como um teste da tese de um cérebro para muitos corpos; para a indústria, seu verdadeiro significado é a abertura pública do flywheel de dados — a evolução contínua a partir da execução real significa que agora cada implantação alimenta a próxima geração. Página do projeto: agibot-world.com/blog/go1. GitHub: github.com/OpenDriveLab/AgiBot-World.
