Google DeepMind 展示了一種教導機器人新任務的新系統
Google DeepMind 的機器人團隊最近發布了 RT-2(Robotics Transformer-2),這是一個革命性的系統,可以讓機器人從相對較小的資料集中學習並應用於不同的情境中。這一系統展示了自主學習的能力,具有解釋新指令和執行新任務的能力。藉助 RT-2,機器人能夠根據現有的上下文訊息來選擇最合適的工具來執行特定的任務。
克服機器人學習的挑戰
機器人學習的一個主要挑戰是任務的複雜性。對於人類來說看似簡單的任務,對於機器人來說卻可能有無窮的變數。機器人沒有人類所擁有的豐富經驗和直觀。正因如此,機器人產業當前主要關注的是在結構化環境中可重複執行的任務。然而過去幾年間機器人學習領域出現了一些具有重要意義的突破,為建立和部署更具適應性的系統鋪平了道路。
基於資料庫的機器人學習
去年 Google DeepMind 的機器人團隊展示了一個名為 RT-1(Robotics Transformer-1)的系統,該系統透過訓練其 Everyday Robot 系統來執行拾取、放置和開啟抽屜等任務。該系統基於一個包含 13 萬個示範的資料庫,團隊表示“超過 700 個”任務的成功率達到了 97%。
RT-2 的優勢及應用
基於 RT-1 的基礎上,Google DeepMind 現在推出了 RT-2 系統。這個系統能夠將從相對較小的資料集中學到的概念有效地應用到不同的情境中,並展示了更強的泛化能力、語義理解和視覺理解能力。RT-2 可以透過現有的上下文訊息來判斷特定新任務所需的最佳工具。例如,死機器人被要求丟棄垃圾時,RT-2 能夠根據其從網路資料中學到的知識,自主識別出什麼是垃圾,並且即使沒有明確的訓練,能夠執行出執行丟棄垃圾的動作。
提高新任務執行效能
在過去的一年中,Google DeepMind 團隊對 RT-1 到 RT-2 的升級使得其在執行新任務方面的有效率從 32%提高到了 62%。
評論與建議
RT-2 系統的出現為機器人學習領域帶來了重要的突破。它不再需要大量的人工教學和特定場景的程式設計,而是透過自主學習來適應不同的任務和情境,從而大大提高了機器人的功能和應用範圍。
然而我們仍然需要關注這種自主學習系統的約束和風險。一方面,這種基於大量資料庫的學習方法可能導致機器人對於特定情境過度依賴資料,而無法靈活應對新的情況。另一方面,這種系統如果在訓練過程中遇到不準確的、有偏差的資料,可能會產生錯誤的判斷和行為。
因此在發展和應用這種新技術的同時我們需要保持謹慎態度。這包括加固對資料的檢驗和處理以及建立更嚴謹的審查和監控機制,以減少意外和潛在的風險。同時我們也應該促進學術界和產業界的合作,共同研究和探索如何更好地應用自主學習系統,以推動機器人技術的發展和運用。
延伸閱讀
- AI 助您創辦者更快、更輕鬆地籌集資金嗎?
- Google Deepmind 推出巨大的 AlphaFold 更新和免費蛋白質組學服務網路應用程式
- 盧西德機器人獲得 900 萬美元用於無人機清潔任何地方
- 以色列新創公司 Panax 籌集了 1,000 萬美元 A 輪融資,用於其基於人工智慧的現金流管理平臺
- Reddit 測試使用基於 LLM 的人工智慧進行自動整站法語翻譯
- 三星醫聲將以 9270 萬美元收購法國人工智慧超聲波新創公司 Sonio
- 網際網路共同創始人 Robert Kahn 早在幾十年前就已經做到了加密、人工智慧和網際網路嗎?
- 獨家專訪:Wayve 聯合創始人 Alex Kendall 談車輛和機器人的自主未來
- 人聲 vs AI:Audible 推出 AI 旁白有機會取代人類旁白嗎?
- 深潛至海底者:機器學習揭開抹香鯨的「字母表」