讓機器人像人一樣學習 谷歌RT-2 AI模型到底是什么？

極客網·極客觀察8月8日，大模型風起云涌，正在從虛擬世界進入現實世界。谷歌DeepMind日前推出 Robotic Transformer 2（簡稱RT-2）大語言模型，讓人類可以通過純語言命令優(yōu)化機器人控制，邁出了重要一步。

不同于此前的大模型，這是一個“視覺-語言-動作”（vision-language-action，簡稱VLA）模型。業(yè)界認為，谷歌此舉是想打造可以適應人類環(huán)境的通用機器人，類似于機器人瓦力或者C-3PO。

谷歌RT-2無需針對特定任務專門訓練

當人類需要學習某項任務時，往往會通過閱讀和觀察來實現。RT-2有點類似，它用到了大語言模型（也就是驅動ChatGPT的技術）。RT-2從網上尋找文本和圖片，然后訓練模型，即使沒有針對特定任務專門訓練過，RT-2也可以識別模式和動作。

舉個例子，按谷歌的說法，在沒有經過特別訓練的前提下，RT-2可以識別并扔掉垃圾。RT-2會理解垃圾是什么，了解如何處理，然后完成一系列動作。RT-2甚至知道食品包裝紙或香蕉皮也是垃圾。

谷歌工程師甚至說，向RT-2下達一條命令，讓它撿起已經滅絕的動物，RT-2機器人可以從三個雕像中找出恐龍。

放在以前，如果想讓AI處理垃圾——無論是識別垃圾、撿起垃圾還是扔掉，都要專門訓練。RT-2不太一樣，它從網絡數據中獲得大量知識，已經知道垃圾是什么，能夠識別垃圾，不需要專門訓練。

又比如要讓AI機器人撿起蘋果，先要訓練機器人，讓它知道蘋果的一切，比如蘋果是如何生長的，它的物理特點有什么；不只如此，還要在環(huán)境中識別蘋果，不能將蘋果和紅球混淆；還有最重要的，AI要知道如何將蘋果撿起來。

谷歌RT-2是打造通用機器人的一大步

一般來說科學家會用大量人工獲取的數據點來訓練機器人AI，為了覆蓋每一種可能場景，訓練時會消耗大量時間和成本。現實世界紛繁多變，機器人助手如果想變得實用，必須正確應對那些不太可能編程的場景。

在開發(fā)RT-2時，DeepMind深入挖掘變形AI模型的優(yōu)點，這種模型擁有很強的概括能力。RT-2借鑒了谷歌早期開發(fā)的AI，比如PaLI-X和PaLM-E。有了RT-2模型，機器人可以處理攝像頭圖像，對應該執(zhí)行的動作進行預測。

谷歌發(fā)現，如果是訓練過的任務，RT-2試驗6000多次后效果便與RT-1一樣好。如果是沒有訓練過的任務，RT-2的表現比RT-1好一倍。簡單來說，谷歌認為RT-2在學習新場景新任務時表現更好，雖然它仍不完美。

DeepMind的目標是打造通用機器人，但谷歌也承認還有很多研究工作要做，不過RT-2應該是正確的研究方向。如果RT-2真的能變得完美，人類可以向機器人下達“文字命令”，讓機器人按指令行動。

谷歌RT-2可以像人類一樣將學到的知識用于新場景

RT-2最大的突破在于，它從網絡數據中學習基本概念和構想，然后將學到的知識用來指揮機器人完成動作，讓機器理解甚至“說出”它們的操作語言。

要讓機器人在多變的環(huán)境中執(zhí)行通用任務，它必須管理好復雜抽象任務。如果是之前沒有遇到的過的環(huán)境，更是需要機器人正確應對。

聊天機器人純粹在虛擬世界運行，機器人不一樣，它存在于真實世界。機器人要理解抽象概念，在實際、物理環(huán)境中應用。

在RT-2出現之前，機器人依賴復雜系統(tǒng)堆棧來運行，也就是高級推理系統(tǒng)與低級操作系統(tǒng)聯(lián)合作戰(zhàn)，讓機器人正常運轉，這種方法有些笨重！RT-2簡單一些，它將復雜推理與動作輸出整合到一個模型。

RT-2的最大特點在于：它從語言和視覺訓練數據中學習概念，將概念變成機器人動作，即使是之前沒有訓練過的任務，它的處理能力也更強。簡言之，RT-2可以像人類一樣，將以前學到的概念應用于新場景。

谷歌的研究似乎在告訴人類，AI正在以更快的速度影響機器人。開發(fā)多功能通用型機器人是人類的一個夢想，希望RT-2能帶來突破。（小刀）

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。