引

2025年3月，智元机器人发布了GO-1大模型，当时他们的研究院执行院长说了一句话：“对机器人公司，你如果不做大模型，那是属于没有未来的机器人，没有智能化，没有作业能力只是一个硬件。它能做的事情非常有限。”

这句话在当时引起了不少讨论。一年半过去了，再看这个判断，它其实点出了一个很现实的问题：当硬件逐渐趋同，机器人之间的差距，到底靠什么拉开？

启元在2026年9月发布Q1和T1的时候，给出的答案很明确——AI模型层。他们公布了三类核心模型：PrimeMotion（小脑运控）、PrimeGo（感知跟随）、PrimeVista（多模态交互），以及后续要落地的Harness架构Agent和家务基座大模型PrimeMind。

这篇文章不聊具体的技术参数，也不做逐层拆解。我们想搞清楚一个问题：为什么启元要把AI模型层放在这么重的位置？以及，这套模型架构到底在解决什么问题？

没有大模型的机器人，到底缺了什么？

要回答“为什么需要大模型”，得先看看没有大模型的机器人是什么样子。

传统的机器人控制，本质上是“写规则”。你告诉它“看到红色就停”，它就在代码里加一条 if red: stop。你让它“去客厅拿杯子”，它需要一整套预编程的路径规划、物体识别、抓取策略。每一个任务，都得提前想到所有可能的情况。

这套方法在工厂里很管用，因为工厂环境是封闭的、可预测的。但到了家庭里，情况就完全不一样了。杯子可能在桌上，也可能在洗碗机里；客厅的灯可能开着，也可能关着；地上可能有一把椅子挡路，也可能什么都没有。

规则写不完的。 你不可能把“杯子可能在的所有位置”都枚举一遍，也不可能把“所有可能的障碍物”都提前定义好。

大模型带来的改变，不是“规则写得更快”，而是从“写规则”变成了“给常识” 。你不需要告诉机器人“杯子通常放在桌上、柜子里、洗碗机里”，大模型自己就知道。你不需要定义“如果前面有椅子就绕开”，大模型自己能判断“绕开”比“撞上去”更合理。

这张图直观展示了传统规则写不完的痛点，以及大模型带来的泛化能力

启元的PrimeMind，定位就是“家务基座大模型”。家务这件事，恰恰是最难写规则的——每个家庭的布局不同、物品摆放不同、生活习惯不同。靠规则堆砌，永远堆不完。靠大模型的常识和泛化能力，才有可能覆盖足够多的场景。

所以，“不做大模型就没有未来”这句话，翻译得更准确一点是：不做大模型，机器人就永远只能待在结构化环境里，永远进不了真实的家庭。

启元的解法：不是一个大模型包打天下，而是各管一段

既然大模型这么重要，那是不是把最大的模型塞进去就行了？

启元的选择是：分层。

翻开启元发布会披露的AI模型层信息，会看到三类核心模型，各自负责完全不同的能力：

PrimeMotion——小脑运控模型。 关键词是“柔顺安全”。它不负责理解语言，不负责识别物体，只负责一件事：让机器人的运动稳定、柔顺、安全。你可以把它理解成运动本能——就像人走路的时候，不需要大脑去想“左脚迈完迈右脚”，小脑和脊髓就自动处理了。

PrimeGo——多模态感知跟随模型。 支持人形与四足两种形态下的环境理解与跟随控制。它负责“看懂环境、跟住目标”。在家庭场景里，这意味着机器人能识别家具、避开障碍、跟上移动中的人。

PrimeVista——多模态交互模型。 通过视觉、语音等方式，让用户以自然的方式与机器人沟通。它是“嘴巴和耳朵”。

这三个模型之上，还有一层基于Harness架构的机器人Agent。它的作用是把环境感知、语言理解和任务执行连接起来，让机器人从“听懂指令”走向“理解并自主完成任务”。

这个分层设计的关键在于：每一层只做自己最擅长的事，然后把结果交给下一层。

PrimeVista听懂“帮我拿杯水”，PrimeGo找到杯子的位置，PrimeMotion控制手臂安全地伸过去、拿起来。Agent负责把这几步串起来，并且在中间出了意外（比如杯子被挪走了）的时候，知道该怎么调整。

如果反过来，让一个大模型同时干所有事，会发生什么？推理速度跟不上——语音交互需要实时响应，运动控制需要毫秒级指令，而大模型的推理延迟是秒级的。把所有这些任务塞进同一个模型，要么牺牲响应速度，要么牺牲运动精度。分层不是妥协，是工程上的必然。

大模型在这个架构里，到底站在什么位置？

理解了分层，就能看清楚大模型在启元架构里的位置：它不是“替代”小脑，而是“指挥”小脑。

传统架构里，大脑和小脑是割裂的。大脑规划出“走到冰箱前，打开门，拿出牛奶”的步骤，然后小脑负责执行。但小脑不知道“为什么要走到冰箱前”，它只是按指令执行。如果冰箱前面有一把椅子，小脑会停下来等大脑重新规划——如果大脑没反应过来，机器人就卡住了。

大模型加进来之后，情况变了。Agent层（基于Harness架构）可以同时看到感知结果、语言理解和任务目标。它知道“当前任务是拿牛奶”，也知道“前面有椅子挡路”。它不需要把问题抛给大脑重新规划，而是可以直接调整任务链：先绕开椅子，再继续走向冰箱。

换句话说，大模型给了机器人“常识性推理”的能力。它知道“椅子挡路要绕开”这件事是合理的，不需要提前写规则。而这种常识，是传统规则系统永远写不完的。

但大模型不直接控制电机。它输出的仍然是“高层意图”——去冰箱、绕开椅子、拿牛奶。真正把这些意图翻译成关节轨迹的，是PrimeMotion和Agent层。大模型负责“想清楚要做什么”，小脑负责“安全地做出来”。

启元的AI模型层，和别人的有什么不一样？

如果只是“分层”，其实很多机器人公司都在做。启元的差异化在哪？

第一，PrimeGo同时支持人形和四足两种形态。 Q1是双足，T1是轮足/四足可切换。同一个感知跟随模型要适配两种完全不同的本体，这不是简单的工程适配，而是要求模型学到“环境理解”本身，而不是绑定在某个特定形态上。

第二，PrimeMotion的关键词是“柔顺安全”。 家庭场景里，机器人要和老人、小孩共处。刚性碰撞是不可接受的。柔顺控制意味着机器人遇到外力时不会硬扛，而是像人的关节一样缓冲。这个能力不是“锦上添花”，而是进入家庭的入场券。

第三，Agent层的“自主完成任务”定位。 启元对Agent的描述不是“更好地执行指令”，而是“从听懂指令走向理解并自主完成任务”。这意味着Agent不是在既有框架里优化，而是在改变机器人和人之间的协作方式——你不需要把任务拆解成一步步的指令，你只需要说出目标。

对开发者来说，这套架构意味着什么？

如果你是开发者，启元AI模型层的分层设计意味着：你不需要成为所有领域的专家。

你不需要懂运动控制，因为PrimeMotion已经帮你处理了安全和柔顺。你不需要从头训练一个视觉模型，因为PrimeGo已经能看懂环境。你不需要自己搭一套语音交互系统，因为PrimeVista已经能听懂人话。

你要做的，是在Agent层或者Skill层，把你的任务逻辑写清楚。启元的Skill生态托管在AtomGit上，你可以直接复用别人写好的能力模块，也可以把自己的Skill发布出去。

这其实就是启元一直在讲的“让机器人的能力像软件一样开放、复用、共建”。AI模型层是底座，Skill生态是上层建筑。底座越稳，上层能盖的楼就越高。

不做大模型，真的没有未来吗？

回到标题那个问题。

启元的选择是做大模型，而且是分层地做、全栈地做。2026年预计投入5亿元研发费用，持续推进本体、运动控制、多模态交互及智能体等方向的全栈研发。这个投入力度说明，他们是真的相信“不做大模型没有未来”。

但“做大模型”不等于“做一个万能的大模型”。启元的路径是：用大模型提供常识和推理能力，用小脑模型保证安全和实时性，用Agent层把两者串起来。大模型是“未来”的必要条件，但不是充分条件。 没有大模型，机器人进不了家庭；只有大模型、没有分层的小脑和执行架构，机器人也落不了地。

启元的AI模型层架构，本质上是把“未来”拆成了几个可以分别攻克的工程问题。PrimeMotion解决安全，PrimeGo解决感知，PrimeVista解决交互，Agent解决串联，PrimeMind解决家庭场景的常识底座。每一层都在为“机器人能真正在家庭里干活”这个目标服务。

至于这条路能不能走通，取决于这些模型在实际场景中的表现，也取决于开发者生态能不能沉淀出足够多好用的Skill。但至少从架构设计上看，启元想得很清楚：大模型不是用来炫技的，是用来让机器人从“能表演”变成“能干活”的。