大模型风起云涌，正在从虚拟世界进入现实世界。谷歌DeepMind日前推出 Robotic Transformer 2（简称RT-2）大语言模型，让人类可以通过纯语言命令优化机器人控制，迈出了重要一步。

不同于此前的大模型，这是一个“视觉-语言-动作”（vision-language-action，简称VLA）模型。业界认为，谷歌此举是想打造可以适应人类环境的通用机器人，类似于机器人瓦力或者C-3PO。

谷歌RT-2无需针对特定任务专门训练

【资料图】

当人类需要学习某项任务时，往往会通过阅读和观察来实现。RT-2有点类似，它用到了大语言模型（也就是驱动ChatGPT的技术）。RT-2从网上寻找文本和图片，然后训练模型，即使没有针对特定任务专门训练过，RT-2也可以识别模式和动作。

举个例子，按谷歌的说法，在没要经过特别训练的前提下，RT-2可以识别并扔掉垃圾。RT-2会理解垃圾是什么，了解如何处理，然后完成一系列动作。RT-2甚至知道食品包装纸或香蕉皮也是垃圾。

谷歌工程师甚至说，向RT-2下达一条命令，让它捡起已经灭绝的动物，RT-2机器人可以从三个雕像中找出恐龙。

放在以前，如果想让AI处理垃圾——无论是识别垃圾、捡起垃圾还是扔掉，都要专门训练。RT-2不太一样，它从网络数据中获得大量知识，已经知道垃圾是什么，能够识别垃圾，不需要专门训练。

又比如要让AI机器人捡起苹果，先要训练机器人，让它知道苹果的一切，比如苹果是如何生长的，它的物理特点有什么；不只如此，还要在环境中识别苹果，不能将苹果和红球混淆；还有最重要的，AI要知道如何将苹果捡起来。

谷歌RT-2是打造通用机器人的一大步

一般来说科学家会用大量人工获取的数据点来训练机器人AI，为了覆盖每一种可能场景，训练时会消耗大量时间和成本。现实世界纷繁多变，机器人助手如果想变得实用，必须正确应对那些不太可能编程的场景。

在开发RT-2时，DeepMind深入挖掘变形AI模型的优点，这种模型拥有很强的概括能力。RT-2借鉴了谷歌早期开发的AI，比如PaLI-X和PaLM-E。有了RT-2模型，机器人可以处理摄像头图像，对应该执行的动作进行预测。

谷歌发现，如果是训练过的任务，RT-2试验6000多次后效果便与RT-1一样好。如果是没有训练过的任务，RT-2的表现比RT-1好一倍。简单来说，谷歌认为RT-2在学习新场景新任务时表现更好，虽然它仍不完美。

DeepMind的目标是打造通用机器人，但谷歌也承认还有很多研究工作要做，不过RT-2应该是正确的研究方向。如果RT-2真的能变得完美，人类可以向机器人下达“文字命令”，让机器人按指令行动。

谷歌RT-2可以像人类一样将学到的知识用于新场景

RT-2最大的突破在于，它从网络数据中学习基本概念和构想，然后将学到的知识用来指挥机器人完成动作，让机器理解甚至“说出”它们的操作语言。

要让机器人在多变的环境中执行通用任务，它必须管理好复杂抽象任务。如果是之前没有遇到的过的环境，更是需要机器人正确应对。

聊天机器人纯粹在虚拟世界运行，机器人不一样，它存在于真实世界。机器人要理解抽象概念，在实际、物理环境中应用。

在RT-2出现之前，机器人依赖复杂系统堆栈来运行，也就是高级推理系统与低级操作系统联合作战，让机器人正常运转，这种方法有些笨重！RT-2简单一些，它将复杂推理与动作输出整合到一个模型。

RT-2的最大特点在于：它从语言和视觉训练数据中学习概念，将概念变成机器人动作，即使是之前没有训练过的任务，它的处理能力也更强。简言之，RT-2可以像人类一样，将以前学到的概念应用于新场景。

谷歌的研究似乎在告诉人类，AI正在以更快的速度影响机器人。开发多功能通用型机器人是人类的一个梦想，希望RT-2能带来突破。（小刀）

关键词：