11月4日，據(jù)TechCrunch消息，近日，麻省理工學院展示了一種全新的機器人訓練模型，該模型突破了傳統(tǒng)方法依賴標準數(shù)據(jù)集的局限，轉(zhuǎn)而模仿大型語言模型（LLM）所使用的大規(guī)模信息處理方式，為機器人學習新技能提供了全新的途徑。
在傳統(tǒng)模仿學習中，機器人通過跟隨執(zhí)行任務的人類或其他代理進行學習。然而，這種方法在面對如照明變化、不同環(huán)境或新障礙等小挑戰(zhàn)時，往往因數(shù)據(jù)不足而難以適應。為了克服這一難題，麻省理工學院的研究團隊借鑒了GPT-4等大型語言模型的強力數(shù)據(jù)方法，探索了一種新的解決方案。
“在語言領(lǐng)域，數(shù)據(jù)以句子的形式存在，”新論文的主要作者王立睿指出，“但在機器人領(lǐng)域，數(shù)據(jù)具有高度的異質(zhì)性。如果我們想以類似語言模型的方式進行預訓練，就需要構(gòu)建一種全新的架構(gòu)�！�
為此，研究團隊引入了異構(gòu)預訓練變壓器（HPT）這一創(chuàng)新架構(gòu)。HPT能夠整合來自不同傳感器和環(huán)境的多樣信息，并利用變壓器技術(shù)將這些數(shù)據(jù)匯總到訓練模型中。值得注意的是，變壓器的規(guī)模越大，其輸出效果也越好。
在使用該模型時，用戶只需輸入機器人的設(shè)計、配置以及期望完成的任務，系統(tǒng)便能根據(jù)這些信息為機器人提供所需的技能。這一創(chuàng)新不僅提高了機器人學習的效率和靈活性，也為實現(xiàn)更廣泛、更復雜的機器人應用奠定了堅實基礎(chǔ)。
卡內(nèi)基梅隆大學副教授戴維赫爾德在評價這項研究時表示：“我們的夢想是擁有一個通用的機器人大腦，用戶可以直接下載并使用它，而無需進行任何額外訓練。雖然目前我們還處于這一愿景的早期階段，但我們將持續(xù)努力，希望借助規(guī)�；膬�(yōu)勢，在機器人策略方面取得像大型語言模型那樣的突破性進展�！保ㄎ闹牵�
