谷歌DeepMind推出RT-2 使机器人更智能「谷歌机器人识别」

8月1日 消息:谷歌的DeepMind宣布了机器人变换器2（RT-2），这是一种首创的视觉-语言-行为(VLA)模型，可以使机器人在没有特定训练的情况下执行新的任务。

就像语言模型如何从网络规模的数据中学习一般的想法和概念一样，RT-2使用网络上的文本和图像来理解不同的现实世界概念，并将这些知识转化为机器人行为的通用指令。

当这项技术得到改进时，它可以导致具有上下文感知、适应性强的机器人，它们可以根据不同的情况和环境执行不同的任务——而且所需的训练比目前要少得多。

早在2022年，DeepMind就推出了RT-1，这是一个多任务模型，它在13万个演示上进行了训练，并使日常机器人能够以97%的成功率执行700多个任务。现在，使用RT-1的机器人演示数据和网络数据集，该公司已经训练了该模型的后继者:RT-2。

RT-2最大的亮点是，与RT-1和其他模型不同，它不需要数十万个数据点来让机器人工作。组织长期以来发现特定的机器人训练（涵盖每一个对象、环境和情况）对于在高度可变的环境中处理复杂、抽象的任务至关重要。

然而，在这种情况下，RT-2从少量的机器人数据中学习，以执行基础模型中看到的复杂推理，并将所获得的知识转移用于指导机器人行为——即使是它从未见过或被训练过的任务。

“RT-2显示出了改善的泛化能力和超越它所接触到的机器人数据的语义和视觉理解，”谷歌解释说。“这包括解释新的命令并通过执行初级推理来响应用户命令，比如关于对象类别或高级描述的推理。”

谷歌DeepMind的机器人负责人文森特·范霍克（Vincent Vanhoucke）举例说，以前训练一个机器人扔掉垃圾意味着明确地训练机器人识别垃圾，以及捡起垃圾并扔掉它。

但是对于RT-2来说，由于它是在网络数据上进行训练的，所以不需要这样做。该模型已经有了什么是垃圾的一般概念，并且可以在没有明确训练的情况下识别它。它甚至有了如何扔掉垃圾的想法，尽管它从未被训练过采取这样的行动。

当处理内部测试中看到的任务时，RT-2表现得和RT-1一样好。然而，对于新颖、看不见的场景，它的表现几乎提高了一倍，从RT-1的32%提高到62%。

当进步时，像RT-2这样的视觉-语言-行为模型可以导致具有上下文感知能力的机器人，它们可以根据手头的情况在现实世界中执行各种各样的行为，并进行推理、解决问题和解释信息。

例如，企业可以看到的不是在仓库中执行相同重复动作的机器人，而是可以根据对象的类型、重量、易碎性和其他因素以不同的方式处理每个对象的机器人。

根据Markets and Markets的数据，AI驱动的机器人领域预计将从2021年的69亿美元增长到2026年的353亿美元，预期的复合年增长率为38.6%。