麻省理工学院（MIT）的研究团队近日取得重大突破，开发出一种全新的机器人训练模型，该模型借鉴了大型语言模型（LLM）的训练方法，不再依赖于特定数据集，而是利用海量信息进行训练。这项创新有望解决传统机器人训练方法在应对环境变化和新挑战时遇到的局限性，为通用机器人大脑的研发奠定坚实基础。这项研究的意义在于，它有潜力改变机器人技术的未来，让机器人能够更好地适应复杂多变的环境，并执行更广泛的任务。
麻省理工学院（MIT）本周展示了一种全新的机器人训练模型，该模型放弃了以往专注于特定数据集的训练方法，转而采用类似大型语言模型(LLMs)训练时使用的海量信息。
研究人员指出，模仿学习——即代理通过模仿执行任务的个体来学习——在遇到小的挑战时可能会失败。这些挑战可能包括不同的光照条件、不同的环境设置或新的障碍物。在这些情况下，机器人没有足够的数据来适应这些变化。
团队借鉴了像GPT-4这样的模型，采用了一种粗暴的数据驱动问题解决方式。
“在语言领域，数据就是句子，”该论文的主要作者Lirui Wang说。“在机器人领域，鉴于数据的多样性，如果你想以类似的方式预训练，我们需要不同的架构。”
团队引入了一种新的架构，称为异构预训练变换器（HPT），它整合了来自不同传感器和不同环境的信息。然后使用变换器将数据整合到训练模型中。变换器越大，输出结果越好。
用户随后输入机器人的设计、配置以及他们想要完成的任务。
“我们的梦想是拥有一个通用的机器人大脑，你可以下载并用于你的机器人，而无需任何训练，”卡内基梅隆大学副教授David Held在谈到这项研究时说。“虽然我们才刚刚开始，但我们将继续努力，希望规模的扩大能像大型语言模型一样，为机器人策略带来突破。”
这项研究部分由丰田研究所资助。去年在TechCrunch Disrupt上，TRI展示了一种一夜之间训练机器人的方法。最近，它达成了一个分水岭的合作伙伴关系，将其机器人学习研究与波士顿动力的硬件结合起来。
MIT的这项研究为机器人领域带来了新的可能性，其未来发展值得期待。通过借鉴大型语言模型的成功经验，该模型有望推动机器人技术取得更显著的进步，最终实现通用机器人大脑的梦想，使机器人能够更灵活、更智能地服务于人类。