麻省理工學院（MIT）本週展示了一種新的機器人訓練模型。這種方法不同於傳統依賴特定數據集的訓練，而是模仿用於訓練大型語言模型（LLMs）的龐大數據庫，以更全面的方式學習。
研究人員指出，傳統的模仿學習（imitation learning）方法，即機器人透過觀察個體執行任務來學習，常常在面對小挑戰時失敗，例如光線變化、環境不同或新障礙物出現。在這些情況下，機器人沒有足夠的數據進行適應，因此影響了執行任務的能力。
為了解決問題，團隊借鑒如 GPT-4 這樣的模型，採用強大的數據驅動方法。研究首席作者王麗瑞（Lirui Wang）表示：「在語言領域，數據都是句子；而在機器人領域，由於數據的多樣性，如果想要以類似方式進行預訓練，我們需要不同的架構。」
因此，團隊引入了一種名為「異質預訓練轉換器」（Heterogeneous Pretrained Transformers，簡稱 HPT）的新架構，整合來自不同傳感器和環境的資料，利用轉換器將這些數據組合成訓練模型。轉換器越大，輸出的效果也越佳。
使用者可以輸入機器人的設計、配置以及希望完成的任務。卡內基梅隆大學副教授大衛·赫爾德（David Held）表示：「我們的夢想是擁有一個通用的機器人大腦，讓用戶可以下載並立即使用，而無需進行任何訓練。雖然目前仍處於早期階段，但我們會持續努力，希望透過擴展能帶來機器人技術上的突破，就像大型語言模型所帶來的影響一樣。」
此外，這項研究也與豐田研究所（Toyota Research Institute）有所關聯，後者對於這種新技術的潛力非常感興趣，未來雙方可能會進一步合作，探索如何將這種訓練方法應用於自動駕駛和智慧機器人領域。
這項技術的突破在於不僅提升了機器人的學習能力，還使機器人在面對新情境時更具適應能力，改善執行效率和多功能性，彰顯未來機器人技術的廣泛應用潛力。
本文開放合作夥伴轉載。資料來源：《TechCrunch》，首圖來源：Unsplash。
