谷歌推出新的 AI 控制機(jī)器人 RT-2 模型：將文本和圖像轉(zhuǎn)化為機(jī)器人動(dòng)作

　　忘記了那些能畫畫的人工智能，谷歌最新的人工智能模型能夠控制機(jī)器人。

　　上周五，谷歌推出了 Robotics Transformer 2(RT2)，這是一個(gè)視覺-語言-動(dòng)作（VLA）模型，可以將文本和圖像輸出為機(jī)器人動(dòng)作。谷歌表示，RT-2「讓我們更接近機(jī)器人的未來�！�

　　「就像語言模型通過從網(wǎng)絡(luò)上的文本進(jìn)行訓(xùn)練來學(xué)習(xí)一般的思想和概念一樣，RT-2 通過從網(wǎng)絡(luò)數(shù)據(jù)中傳輸知識(shí)，以指導(dǎo)機(jī)器人行為，」谷歌 DeepMind 的機(jī)器人主管 Vincent Vanhoucke 在一篇博文中解釋道�！笓Q句話說，RT-2 能夠與機(jī)器人交流。」

　　Vanhoucke 表示，雖然聊天機(jī)器人可以通過為它們提供有關(guān)某個(gè)主題的信息來進(jìn)行訓(xùn)練，但機(jī)器人需要更進(jìn)一步地在真實(shí)世界中「扎根」。他提供的例子是一個(gè)紅蘋果。雖然你可以簡(jiǎn)單地向聊天機(jī)器人解釋什么是蘋果，但機(jī)器人需要知道關(guān)于蘋果的一切，并且還要學(xué)會(huì)如何將其與類似物品區(qū)分開來，比如一個(gè)紅色的球，并且它們還必須學(xué)會(huì)如何采摘那個(gè)蘋果。

　　RT-2 比谷歌的 RT-1 和其他模型更進(jìn)一步，因?yàn)樗�使用了來自網(wǎng)絡(luò)的數(shù)據(jù)。例如，如果你想讓之前的模型丟掉一些東西，你需要對(duì)它們進(jìn)行培訓(xùn)，告訴它們什么是垃圾以及如何使用它。而有了 RT-2，也許你還沒有解釋過什么是垃圾以及如何使用它，但機(jī)器人可以自己通過網(wǎng)絡(luò)數(shù)據(jù)弄清楚這一部分。

　　Robotics Transformer 2 經(jīng)過了 6000 多次試驗(yàn)，結(jié)果證明其功能與其前身 RT-1 一樣好。在新穎的、未曾見過的場(chǎng)景中，前者的得分幾乎是前者的兩倍(62% vs 32%)。

　　通過 RT-2，機(jī)器人能夠?qū)W習(xí)并將所學(xué)知識(shí)應(yīng)用于未來的情況。不過，谷歌指出，目前的限制意味著 RT-2 只能幫助機(jī)器人在它們已經(jīng)知道如何執(zhí)行的物理任務(wù)上變得更好，而不能從零開始學(xué)習(xí)它們。

　　盡管如此，這是一個(gè)巨大的進(jìn)步，展示了未來可能出現(xiàn)的可能性。想要了解更多信息，谷歌在其 DeepMind 博客中詳細(xì)介紹了 RT-2 的工作原理。