谷歌打造「终结者」！ChatGPT版最强机器人AGI，动嘴操控007「2016年谷歌机器人」

新智元报道

编辑：桃子 Lumina

【新智元导读】谷歌DeepMind带着全新的模型杀回来了！视觉-语言-动作模型（VLM）即将取代类似ChatGPT的大语言模型。

一觉醒来，大模型的版本又更新了？

火遍全球的大语言模型，已经Out了?

本次版本更新的主角是谷歌DeepMind推出的「视觉-语言-动作」（vision-language-action，VLA）模型！

论文地址：https://robotics-transformer2.github.io/assets/rt2.pdf

根据谷歌内部披露，VLA模型已经接入到机器人身上，能够和现实世界进行互动了！

这个机器人被谷歌命名为Robotic Transformer 2 (RT-2) ，它能够从网络、机器人的数据中学习，还能将这些知识自主转化为有效的指令。

简单来说，你只需要对RT-2画个饼，之后就可以等着RT-2把饼喂到你嘴边了。

网友们纷纷表示：这真是泰酷辣！

谷歌DeepMind负责人表示，

长期以来，计算机在分析数据等复杂任务方面表现出色，但在识别和移动物体等简单任务方面却不尽如人意。通过 RT-2，我们正在缩小这一差距，帮助机器人解读世界并与之互动，让其对人类更加有用。

但俗话说，一口吃不成个大胖子，在RT-2成为RT-2之前，它的前辈Robotic Transformer 1 （RT-1）为RT-2打下了坚实的基础。

RT-1升级RT-2，VLM到VLA

RT-1是一种多任务模型，基于Transformer构建，能够将图像、自然语言指令等作为输入，并直接输出标记化动作。

RT-1 的架构：该模型采用文本指令和图像集作为输入，通过预先训练的 FiLM EfficientNet 模型将它们编码为token，并通过 TokenLearner 压缩它们。然后将这些输入到 Transformer 中，Transformer 输出操作token

因此，与一般机器相比，RT-1具有更好的性能和泛化能力。

其中，RT-1所搭载的视觉语言模型（vision-language models ，VLMs）扮演了关键角色。

VLM在互联网级的数据集上进行训练，因此在识别视觉、语言和跨语言合作这块具有极高水平。

在RT-1基础上升级过的RT-2仍以VLM 为基础，是谷歌研究员在办公室、厨房等环境中使用13个RT-1的17个月数据上进行训练的。

但RT-2比RT-1多了一个机器动作（action）的模态。

为了解决模型对机器控制的挑战，研究人员将RT-2的机器操作设置为模型的输出标记，并将其描述为可以由标准自然语言标记器处理的字符串，如下所示：

RT-2 训练中使用的动作字符串的表示形式。这种字符串的示例可以是机器人动作标记编号的序列，例如「1 128 91 241 5 101 127 217」

于是，解决加入动作模态（action）将模型与机器进行联结的挑战后，VLM就升级为了VLA。

RT-2也在一系列的升级换代后，显示出了惊人的学习能力和理解能力：

它能够自己解释全新的命令，通过执行基本推理来响应用户的要求。

甚至在与思想链推理结合的情况下，RT-2能够执行多阶段的语义推理。

如，决定哪个物体可以用作临时的锤子（石头），或者哪种类型的饮料最适合疲倦的人（一种能量饮料）。

RT-2架构和训练：针对机器人和网络数据共同微调预训练的VLM模型。生成的模型接收机器人看到的图像并直接预测机器人要执行的动作

泛化能力提升62%

研究人员在在RT-2模型上进行了一系列定性和定量实验，一共进行了6,000多次机器人试验。

具体来讲，谷歌团队探索了RT-2的三项技能：

- 符号理解

- 推理

- 人类识别

以上的每项任务都需要理解视觉语义概念，以及执行机器人控制的能力。

比如，让RT-2去捡起从桌子上掉下来的袋子，或者将香蕉放到2+1之和的数字的命令。

其中要求机器人对数据中从未见过的物体或场景执行操作任务，将知识从基于网络的数据转化为可操作的。

数据中不存在的技能示例，需要通过网络预训练进行知识迁移

在所有类别中，研究人员观察到，与之前的基线（例如之前的RT-1模型和Visual Cortex (VC-1) 等模型）相比，泛化性能提高了3倍以上，这些模型是在大型视觉数据集上进行预训练的。

紧急技能评估的成功率：RT-2 模型优于RT-1和VC-1基线

此外，研究人员还进行了一系列定量评估，首先是机器人数据中有实例的原始RT-1 任务，然后对机器人先前未见过的物体、背景和环境。

以上的任务可以让机器人从VLM预训练中学习泛化。

机器人以前未见过的环境示例

RT-2保留了数据中「看到」的原始任务的能力，并提高了机器人在以前未见过场景中的性能，从RT-1的32%提高到了62%。

研究人员还观察到，与仅视觉任务预训练的基线相比有显着改进，例如VC-1和机器人操作的可重用表示 (R3M)，以及使用VLM进行对象识别的算法。

RT-2 在可见的分布内任务上取得了高性能，并且在分布外未见的任务上优于多个基线。

团队还在开源语言表（Language Table）机器人任务套件上评估了模型，模拟中的成功率高达90%，比BC-Z（72%）、RT-1（74%）和LAVA（77%）等以前的基线模型有了大幅提高。

然后，他们还在现实世界中评估相同的模型，并展示了其泛化到新对象的能力。

如下所示，其中除了蓝色立方体之外，没有任何物体出现在训练中数据集。

RT-2在真实机器人语言表任务中表现良好

受到LLM中使用的CoT方法的启发，研究人员还将机器人控制与思维链推理相结合，以便能够在单个模型中学习长期规划和低级技能。

特别是，对RT-2的变体进行了几百个梯度步骤的微调，以提高其联合使用语言和动作的能力。

然后，研究人员还对数据进行了扩充，添加了一个额外的「计划」步骤。

首先用自然语言描述机器人即将采取的动作的目的，然后是「动作」和动作标记。

示例如下：

思想链推理能够学习一个独立的模型，该模型既可以规划长期技能序列，又可以预测机器人的动作

通过此过程，RT-2可以执行更多复杂的命令，这些命令需要推理完成用户指令所需的中间步骤。

得益于VLM主干，RT-2还可以根据图像和文本命令进行规划，从而实现基于视觉的规划。

通用机器人前景

RT-2的最新研究表明，视觉语言模型（VLM）可以转化为强大的视觉语言动作（VLA）模型。

通过将VLM预训练与机器人数据相结合，可以直接控制机器人。

基于大模型PaLM-E和PaLI-X的两个实例化，RT-2提升了机器人的策略。

更重要的是，还带来了显着更好的泛化能力、以及应对突发问题的能力，继承了网络规模的视觉语言预-训练。

RT-2不仅是对现有VLM模型的简单，而有效的修改，而且还展示了构建通用实体机器人的前景。

该机器人可以推理、解决问题和解释信息，以在现实中执行各种任务世界。

或许，机器人总动员中，那个聪明的瓦力离我们不远了。

参考资料：

https://twitter.com/GoogleDeepMind/status/1684903412834447360

https://www.deepmind.com/blog/rt-2-new-model-translates-vision-and-language-into-action?utm_source=twitter&utm_medium=social&utm_campaign=rt2