近日，據TechCrunch報道，麻省理工學院的研究團隊展示了一種創(chuàng)新的機器人訓練模型，該模型突破了傳統(tǒng)模仿學習方法的局限，不再依賴標準數據集，而是借鑒了大型語言模型（LLM）如GPT-4等所使用的大規(guī)模信息處理方式，為機器人學習新技能開辟了全新的道路。

傳統(tǒng)的模仿學習方法中，機器人通過觀察和模仿執(zhí)行任務的人類或其他代理進行學習。然而，這種方法在面對諸如照明變化、不同環(huán)境或新障礙等小挑戰(zhàn)時，往往因為缺乏足夠的數據而難以適應。為了克服這一難題，麻省理工學院的研究團隊探索了一種新的解決方案，他們借鑒了大型語言模型的強大數據處理能力，并引入了異構預訓練變壓器（HPT）這一創(chuàng)新架構。

新論文的主要作者王立睿指出，與語言領域的數據以句子形式存在不同，機器人領域的數據具有高度的異質性。因此，如果想以類似語言模型的方式進行預訓練，就需要構建一種全新的架構。HPT正是這樣一種架構，它能夠整合來自不同傳感器和環(huán)境的多樣信息，并利用變壓器技術將這些數據匯總到訓練模型中。值得注意的是，變壓器的規(guī)模越大，其輸出效果也越好。

在使用該新型訓練模型時，用戶只需輸入機器人的設計、配置以及期望完成的任務，系統(tǒng)便能根據這些信息為機器人提供所需的技能。這一創(chuàng)新不僅提高了機器人學習的效率和靈活性，還為實現更廣泛、更復雜的機器人應用奠定了堅實的基礎。

卡內基梅隆大學副教授戴維·赫爾德對這項研究給予了高度評價。他表示，我們的夢想是擁有一個通用的機器人大腦，用戶可以直接下載并使用它，而無需進行任何額外訓練。雖然目前我們還處于這一愿景的早期階段，但借助規(guī)?；膬?yōu)勢，我們有望在機器人策略方面取得像大型語言模型那樣的突破性進展。