Video Link: https://www.youtube.com/watch?v=ct4tdyyNDY4

过去两年，由于大语言模型、语音技术、视觉技术的发展，机器人技术的研究思路发生了180度的转变。

机器人基础模型

目前在大量数据上进行大规模模型训练时，通常由两个比较重要的属性：

• 涌现：当非常简单地事情在小范围发挥作用时，当扩大范围，它的表现会更好，例如更多的数据、更大的模型。
• 均质化：模型可以组合许多下游任务来实现泛化能力

当然我们可能会思考一个问题，为什么目前还没有机器人领域的基础模型。不像音频、语言、图像等领域，这些领域已经出现了较为通用的基础模型，机器人技术的基础模型还没有人研究出来。

那么如果想要实现机器人的基础模型，可以如何做：

（1）设计强化学习算法

1. 利用高性能的架构，例如self-attention
2. 利用比例法则，不仅要扩大模型大小，还有扩展计算，还需要扩大数据集语料库以及标记数量
3. 数据集大小比数据质量更重要

（2）互联网规模的模型扩散

1. 生成式模型在语言、编程、视觉、音频等领域已经展现出了涌现的能力，并且一次次超出了我们的预期，这个趋势在可见的未来中还会一直保持下去。
2. 涌现和加速意味着这些模型可以“自己”变的更好

（3）从在线机器人学习转移到离线学习

1. 目前的大模型都是在巨大规模的离线数据集上训练完成的

Google Brain 相关工作

过去工作

（1）2016 - 机器人工厂

1. 强化学习：Google建立了一个包含7个Kuka机械臂的机器人工厂，7x24小时执行抓取动作，进行强化学习训练。
2. Qt-Opt：Q-学习算法，接受视觉输入的同时进行连续控制。
3. RL-CycleGan：将房展环境的图像转换为真实的图像，让机器人在显示世界中更好地完成任务。

（2）2020 - 厨房环境

1. BC-Z：多任务模仿学习
2. AW-Opt：将强化学习与模仿学习引导相结合

（3）2022

遇到了一些问题，例如在一些场景任务中，成功率已经稳定到了50~70%，一些方法需要非常特定的数据分布，如果策略没有训练过当前的数据，那么任务很可能失败。为了解决这个问题，Google 进行了以下工作

1. 多任务模仿学习
2. 使用大规模数据集

近期工作

（1）RT-1

主要聚焦于如何扩展模仿学习。

1. 使用一年半时间从13个机器人中收集了100k的演示数据，包括700个任务
2. 使用BC-Z进行训练
3. 由于基于Transformer的算法在处理图像时，现在还不足以支撑机器人学习中的高频率、实时性要求，因此希望数据集能够理解语言模型。

从较高的层面来看，RT-1是一个机器人Transformer，它接受机器人摄像头的视觉输入，以及自然语言指令，仅仅使用transformer进行解码，分离目标物体类别，使用预训练的EfficientNet主干网络得到离散化动作。

（2）SayCan

机器人的技能能够是有限的，大语言模型也是受限制的，他不知道机器人的状态，不知道周围环境。

因此这项工作主要实现让语言模型说机器人的语言。

（3）Inner-Monologue

将环境的动态环境反馈加入到闭环中，也使用语言的API来传达环境中有什么。