大模型風起云涌，正在從虛擬世界進入現實世界。谷歌DeepMind日前推出 Robotic Transformer 2（簡稱RT-2）大語言模型，讓人類可以通過純語言命令優化機器人控制，邁出了重要一步。

不同于此前的大模型，這是一個“視覺-語言-動作”（vision-language-action，簡稱VLA）模型。業界認為，谷歌此舉是想打造可以適應人類環境的通用機器人，類似于機器人瓦力或者C-3PO。

谷歌RT-2無需針對特定任務專門訓練

當人類需要學習某項任務時，往往會通過閱讀和觀察來實現。RT-2有點類似，它用到了大語言模型（也就是驅動ChatGPT的技術）。RT-2從網上尋找文本和圖片，然后訓練模型，即使沒有針對特定任務專門訓練過，RT-2也可以識別模式和動作。

舉個例子，按谷歌的說法，在沒要經過特別訓練的前提下，RT-2可以識別并扔掉垃圾。RT-2會理解垃圾是什么，了解如何處理，然后完成一系列動作。RT-2甚至知道食品包裝紙或香蕉皮也是垃圾。

谷歌工程師甚至說，向RT-2下達一條命令，讓它撿起已經滅絕的動物，RT-2機器人可以從三個雕像中找出恐龍。

放在以前，如果想讓AI處理垃圾——無論是識別垃圾、撿起垃圾還是扔掉，都要專門訓練。RT-2不太一樣，它從網絡數據中獲得大量知識，已經知道垃圾是什么，能夠識別垃圾，不需要專門訓練。

又比如要讓AI機器人撿起蘋果，先要訓練機器人，讓它知道蘋果的一切，比如蘋果是如何生長的，它的物理特點有什么；不只如此，還要在環境中識別蘋果，不能將蘋果和紅球混淆；還有最重要的，AI要知道如何將蘋果撿起來。

谷歌RT-2是打造通用機器人的一大步

一般來說科學家會用大量人工獲取的數據點來訓練機器人AI，為了覆蓋每一種可能場景，訓練時會消耗大量時間和成本。現實世界紛繁多變，機器人助手如果想變得實用，必須正確應對那些不太可能編程的場景。

在開發RT-2時，DeepMind深入挖掘變形AI模型的優點，這種模型擁有很強的概括能力。RT-2借鑒了谷歌早期開發的AI，比如PaLI-X和PaLM-E。有了RT-2模型，機器人可以處理攝像頭圖像，對應該執行的動作進行預測。

谷歌發現，如果是訓練過的任務，RT-2試驗6000多次后效果便與RT-1一樣好。如果是沒有訓練過的任務，RT-2的表現比RT-1好一倍。簡單來說，谷歌認為RT-2在學習新場景新任務時表現更好，雖然它仍不完美。

DeepMind的目標是打造通用機器人，但谷歌也承認還有很多研究工作要做，不過RT-2應該是正確的研究方向。如果RT-2真的能變得完美，人類可以向機器人下達“文字命令”，讓機器人按指令行動。

谷歌RT-2可以像人類一樣將學到的知識用于新場景

RT-2最大的突破在于，它從網絡數據中學習基本概念和構想，然后將學到的知識用來指揮機器人完成動作，讓機器理解甚至“說出”它們的操作語言。

要讓機器人在多變的環境中執行通用任務，它必須管理好復雜抽象任務。如果是之前沒有遇到的過的環境，更是需要機器人正確應對。

聊天機器人純粹在虛擬世界運行，機器人不一樣，它存在于真實世界。機器人要理解抽象概念，在實際、物理環境中應用。

在RT-2出現之前，機器人依賴復雜系統堆棧來運行，也就是高級推理系統與低級操作系統聯合作戰，讓機器人正常運轉，這種方法有些笨重！RT-2簡單一些，它將復雜推理與動作輸出整合到一個模型。

RT-2的最大特點在于：它從語言和視覺訓練數據中學習概念，將概念變成機器人動作，即使是之前沒有訓練過的任務，它的處理能力也更強。簡言之，RT-2可以像人類一樣，將以前學到的概念應用于新場景。

谷歌的研究似乎在告訴人類，AI正在以更快的速度影響機器人。開發多功能通用型機器人是人類的一個夢想，希望RT-2能帶來突破。（小刀）