导读：11月4日，据TechCrunch消息，近日，麻省理工学院展示了一种全新的机器人训练模型，该模型突破了传统方法依赖标准数据集的局限，转而模仿大型语言模型（LLM）所使用的大规模信息处理方式，为机器人学习新技能提供了全新的途径。在传统模仿学习中，机器人通过跟随执行任务的人类或其他代理进行学习。然而，这种方法在面对如照明变化、不同环境或新障碍等小挑战时，往往因数据不足 ......
11月4日，据TechCrunch消息，近日，麻省理工学院展示了一种全新的机器人训练模型，该模型突破了传统方法依赖标准数据集的局限，转而模仿大型语言模型（LLM）所使用的大规模信息处理方式，为机器人学习新技能提供了全新的途径。
在传统模仿学习中，机器人通过跟随执行任务的人类或其他代理进行学习。然而，这种方法在面对如照明变化、不同环境或新障碍等小挑战时，往往因数据不足而难以适应。为了克服这一难题，麻省理工学院的研究团队借鉴了GPT-4等大型语言模型的强力数据方法，探索了一种新的解决方案。
“在语言领域，数据以句子的形式存在，”新论文的主要作者王立睿指出，“但在机器人领域，数据具有高度的异质性。如果我们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。”
为此，研究团队引入了异构预训练变压器（HPT）这一创新架构。HPT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，也为实现更广泛、更复杂的机器人应用奠定了坚实基础。
卡内基梅隆大学副教授戴维赫尔德在评价这项研究时表示：“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，但我们将持续努力，希望借助规模化的优势，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。”（文智）
