《科創(chuàng)板日?qǐng)?bào)》7月31日訊（編輯 鄭遠(yuǎn)方）一個(gè)單臂機(jī)器人“站”在桌前，桌上放著三個(gè)塑料動(dòng)物玩具：獅子、鯨魚與恐龍。收到“撿起滅絕的動(dòng)物”指令后，這個(gè)機(jī)器人“思考”了一會(huì)兒，然后甚至機(jī)械臂，打開爪子，抓起了恐龍。
這是谷歌最新一款機(jī)器人模型Robotic Transformer 2（機(jī)器人變形金剛2，RT-2）。
上文這個(gè)“抓起恐龍”的動(dòng)作對(duì)于人類而言輕而易舉，對(duì)于機(jī)器人而言卻堪稱一個(gè)重要飛躍——之前機(jī)器人經(jīng)常無法操縱自己從未見過的東西，也難以實(shí)現(xiàn)從“滅絕的動(dòng)物”到“塑料恐龍”的邏輯飛躍。
(資料圖片)
作為一款新型視覺-語言-動(dòng)作（vision-language-action，VLA）模型，RT-2可以從網(wǎng)絡(luò)、機(jī)器人數(shù)據(jù)中學(xué)習(xí)，并將這些知識(shí)轉(zhuǎn)化為機(jī)器人控制的通用指令。
相較于其他機(jī)器人研究，RT-2的核心優(yōu)勢(shì)在于，其不僅能直接接收“人話”指令，聽懂“人話”、理解“人話”，還能做出相應(yīng)推理，并轉(zhuǎn)為機(jī)器人能理解的分階段指令，從而做出動(dòng)作完成任務(wù)。
RT-2完成的每一項(xiàng)任務(wù)，都要求其理解視覺語義概念、并通過控制機(jī)器人實(shí)現(xiàn)操作這些概念。
例如接到“撿起桌子上快掉下去的袋子”、“將香蕉移動(dòng)到2加1的總和處”這種指令時(shí)，機(jī)器人需要對(duì)相應(yīng)物體/場(chǎng)景執(zhí)行任務(wù)，而這些物體與場(chǎng)景它從未在機(jī)器人數(shù)據(jù)中見過，需要從網(wǎng)絡(luò)數(shù)據(jù)中轉(zhuǎn)化得到相應(yīng)知識(shí)。
總體而言，RT-2具備三大能力：符號(hào)理解（Symbol understanding）、推理（Reasoning）和人類識(shí)別（Human recognition）。
（1）符號(hào)理解是指RT-2可以從視覺語言預(yù)訓(xùn)練中轉(zhuǎn)移了語義知識(shí)，而這些語義知識(shí)在機(jī)器人數(shù)據(jù)中并不存在。這類指令示例包括“將蘋果移到3號(hào)位置”或“將可樂罐推到心形上”。
圖|符號(hào)理解指令示例
（2）推理則是將VLM的各種推理能力用于任務(wù)控制，包括視覺推理（“將蘋果移到相同顏色的杯子里”）、數(shù)學(xué)推理（“將X移到2加1之和的附近”）、多語言理解（“mueve la manzana al vaso verde”，西班牙語）。
圖|推理指令示例
（3）人類識(shí)別是以人類為中心的理解和識(shí)別能力，RT-2可以完成“將可樂罐移到戴眼鏡的人身邊”這類任務(wù)。
圖|人類識(shí)別指令示例
此外，研究人員還將機(jī)器人控制與思維鏈推理相結(jié)合。首先用自然語言描述機(jī)器人即將采取的動(dòng)作的目的，然后是“動(dòng)作”和動(dòng)作標(biāo)記。
例如在下圖中，RT-2接收到的要求是“我想釘個(gè)釘子，場(chǎng)景里什么東西可能能用上？”，RT-2轉(zhuǎn)化得出了“石頭。動(dòng)作：1 129 138 122 132 132 106 127”的指令，并拿起了石頭。
RT-2還能更好地適用于不同的、機(jī)器此前沒見過的場(chǎng)景。比起在大型數(shù)據(jù)集上預(yù)訓(xùn)練的RT-1、Visual Cortex（VC-1）等模型，RT-2泛化能力大幅提高，較前者提高了3倍有余。
加利福尼亞大學(xué)伯克利分校的機(jī)器人學(xué)教授Ken Goldberg表示，機(jī)器人的靈巧性仍達(dá)不到人類水平，在一些基本任務(wù)上也會(huì)失敗，但谷歌利用人工智能語言模型，賦予機(jī)器人推理和隨機(jī)應(yīng)變的新技能，是一個(gè)很有希望的突破。
