我们知道，在掌握了网络中的谈话和图像之后，大模型终究要走进现实世界，「具身智能」应该是下一步发展的方向。把大模型接入机器人，用简单的自然谈话代替复杂指令形成具体行动规划，且无需额外数据和训练，这个愿景看起来很美好，但似乎也有些遥远。毕竟机器人领域，难是出了名的。然而 AI 的进化速度比我们想象得还要快。本周五，google DeepMind 宣布推出 RT-2：全球第一个统制机器人的视觉 – 谈话 – 作为（VLA）模型。现在不再用复杂指令，机器人也能直接像 ChatGPT 一样操纵了。
RT-2 到达了怎样的智能化程度？DeepMind 钻研职员用机械臂展现了一下，跟 AI 说选择「已灭绝的动物」，手臂伸出，爪子张开落下，它抓住了恐龙玩偶。
在此之前，机器人无法可靠地明白它们从未见过的物体，更无法做把「灭绝动物」到「塑料恐龙玩偶」联系起来这种有关推理的事。跟机器人说，把可乐罐给泰勒・斯威夫特：
看得出来这个机器人是真粉丝，对人类来说是个好消息。ChatGPT 等大谈话模型的发展，正在为机器人领域掀起一场革命，google把最先进的谈话模型安在机器人身上，让它们终于拥有了一颗人工大脑。在 DeepMind 在最新提交的一篇论文中钻研职员默示，RT-2 模型基于网络和机器人数据从事训练，利用了 Bard 等大型谈话模型的钻研进展，并将其与机器人数据相结合，新模型还可以明白英语以外的指令。
google高管称，RT-2 是机器人制造和编程方式的重大飞跃。「由于这一变化，我们不得不重新考虑我们的整个钻研规划了，」google DeepMind 机器人技术主管 Vincent Vanhoucke 默示。「之前所做的很多事情都完全变成无用功了。」RT-2 是如何实现的？DeepMind 这个 RT-2 拆开了读就是 Robotic Transformer —— 机器人的 transformer 模型。想要让机器人能像科幻电影里一样听懂人话，展现生存能力，并不是件容易的事。相对于虚拟环境，真实的物理世界复杂而无序，机器人通常必要复杂的指令才能为人类做一些简单的事情。相反，人类本能地知道该怎么做。此前，训练机器人必要很长时间，钻研职员必须为不同工作单独建立解决方案，而借助 RT-2 的强大功能，机器人可以自己分析更多信息，自行推断下一步该做什么。RT-2 建立在视觉 – 谈话模型（VLM）的基础上，又创造了一种新的概念：视觉 – 谈话 – 作为（VLA）模型，它可以从网络和机器人数据中从事学习，并将这些知识转化为机器人可以统制的通用指令。该模型甚至能够使用思维链提示，比如哪种饮料最适合疲惫的人 (能量饮料)。
RT-2 架构及训练过程其实早在去年，google就曾推出过 RT-1 版本的机器人，只必要一个单一的预训练模型，RT-1 就能从不同的感官输入（如视觉、文本等）中生成指令，从而履行多种工作。作为预训练模型，要想构建得好自然必要大量用于自监督学习的数据。RT-2 建立在 RT-1 的基础上，并且使用了 RT-1 的演示数据，这些数据是由 13 个机器人在办公室、厨房环境中收集的，历时 17 个月。DeepMind 造出了 VLA 模型前面我们已经提到 RT-2 建立在 VLM 基础之上，其中 VLMs 模型已经在 Web 规模的数据上训练完成，可用来履行诸如视觉问答、图像字幕生成或物体识别等工作。此外，钻研职员还对先前提出的两个 VLM 模型 PaLI-X（Pathways Language and Image model）和 PaLM-E（Pathways Language model Embodied）从事了适应性调整，当做 RT-2 的主干，并将这些模型的视觉 – 谈话 – 作为版本称为 RT-2-PaLI-X 以及 RT-2-PaLM-E 。为了使视觉 – 谈话模型能够统制机器人，还差对作为统制这一步。该钻研采用了非常简单的方法：他们将机器人作为默示为另一种谈话，即文本 token，并与 Web 规模的视觉 – 谈话数据集一起从事训练。对机器人的作为编码基于 Brohan 等人为 RT-1 模型提出的离散化方法。如下图所示，该钻研将机器人作为默示为文本字符串，这种字符串可以是机器人作为 token 编号的序列，例如「1 128 91 241 5 101 127 217」。
该字符串以一个标志开始，该标志指示机器人是继续还是终止当前情节，然后机器人根据指示改变末端履行器的位置和旋转以及机器人抓手等命令。由于作为被默示为文本字符串，因此机器人履行作为命令就像履行字符串命令一样简单。有了这种默示，我们可以直接对现有的视觉 – 谈话模型从事微调，并将其转换为视觉 – 谈话 – 作为模型。在推理过程中，文本 token 被分解为机器人作为，从而实现闭环统制。
实验钻研职员对 RT-2 模型从事了一系列定性和定量实验。下图展现了 RT-2 在语义明白和基本推理方面的性能。例如，对于「把草莓放进正确的碗里」这一项工作，RT-2 不仅必要对草莓和碗从事表征明白，还必要在场景上下文中从事推理，以知道草莓应该与相似的水果放在一起。而对于「拾起即将从桌子上掉下来的袋子」这一工作，RT-2 必要明白袋子的物理属性，以消除两个袋子之间的歧义并识别处于不稳定位置的物体。必要说明的是，所有这些场景中测试的交互过程在机器人数据中从未见过。
下图表明在四个基准测试上，RT-2 模型优于之前的 RT-1 和视觉预训练 (VC-1) 基线。
RT-2 保留了机器人在原始工作上的性能，并提高了机器人在以前未见过场景中的性能，从 RT-1 的 32% 提高到 62%。
一系列结果表明，视觉 – 谈话模型（VLM）是可以转化为强大的视觉 – 谈话 – 作为（VLA）模型的，通过将 VLM 预训练与机器人数据相结合，可以直接统制机器人。和 ChatGPT 类似，这样的能力如果大规模应用起来，世界估计会发生不小的变化。不过google没有立即应用 RT-2 机器人的计划，只默示钻研职员相信这些能明白人话的机器人绝不只会停留在展现能力的层面上。简单想象一下，具有内置谈话模型的机器人可以放入仓库、帮你抓药，甚至可以用作家庭助理 —— 折叠衣物、从洗碗机中取出物品、在房子周围收拾东西。
它可能真正开启了在有人环境下使用机器人的大门，所有必要体力劳动的方向都可以接手 —— 就是之前 OpenAI 有关预测 ChatGPT 影响工作岗位的报告中，大模型影响不到的那部分，现在也能被覆盖。具身智能，离我们不远了？最近一段时间，具身智能是大量钻研者正在探索的方向。本月斯坦福大学李飞飞团队就展现了一些新成果，通过大谈话模型加视觉谈话模型，AI 能在 3D 空间分析规划，指导机器人行动。
稚晖君的通用人形机器人创业公司「智元机器人（Agibot）」昨天晚上放出的视频，也展现了基于大谈话模型的机器人行为自动编排和工作履行能力。
预计在 8 月，稚晖君的公司即将对外展现最近取得的一些成果。可见在大模型领域里，还有大事即将发生。参考内容：https://www.deepmind.com/blog/rt-2-new-model-translates-vision-and-language-into-actionhttps://www.blog.google/technology/ai/google-deepmind-rt2-robotics-vla-model/https://www.theverge.com/2023/7/28/23811109/google-smart-robot-generative-aihttps://www.nytimes.com/2023/07/28/technology/google-robots-ai.htmlhttps://www.bilibili.com/video/BV1Uu4y1274k/
原创文章，作者：机器之心，如若转载，请注明出处：https://www.iaiol.com/news/31748
