麻省理工学院推出新型机器人训练模型

近日，据TechCrunch报道，麻省理工学院的研究团队展示了一种创新的机器人训练模型，该模型突破了传统模仿学习方法的局限，不再依赖标准数据集，而是借鉴了大型语言模型（LLM）如GPT-4等所使用的大规模信息处理方式，为机器人学习新技能开辟了全新的道路。

传统的模仿学习方法中，机器人通过观察和模仿执行任务的人类或其他代理进行学习。然而，这种方法在面对诸如照明变化、不同环境或新障碍等小挑战时，往往因为缺乏足够的数据而难以适应。为了克服这一难题，麻省理工学院的研究团队探索了一种新的解决方案，他们借鉴了大型语言模型的强大数据处理能力，并引入了异构预训练变压器（HPT）这一创新架构。

新论文的主要作者王立睿指出，与语言领域的数据以句子形式存在不同，机器人领域的数据具有高度的异质性。因此，如果想以类似语言模型的方式进行预训练，就需要构建一种全新的架构。HPT正是这样一种架构，它能够整合来自不同传感器和环境的多样信息，并利用变压器技术将这些数据汇总到训练模型中。值得注意的是，变压器的规模越大，其输出效果也越好。

在使用该新型训练模型时，用户只需输入机器人的设计、配置以及期望完成的任务，系统便能根据这些信息为机器人提供所需的技能。这一创新不仅提高了机器人学习的效率和灵活性，还为实现更广泛、更复杂的机器人应用奠定了坚实的基础。

卡内基梅隆大学副教授戴维·赫尔德对这项研究给予了高度评价。他表示，我们的梦想是拥有一个通用的机器人大脑，用户可以直接下载并使用它，而无需进行任何额外训练。虽然目前我们还处于这一愿景的早期阶段，但借助规模化的优势，我们有望在机器人策略方面取得像大型语言模型那样的突破性进展。