DecartAI 推出 Oasis 模型：AI 生成游戏的幻觉与失望

　　麻省理工学院(MIT)本周展示了一种全新的机器人训练模型，该模型放弃了以往专注于特定数据集的训练方法，转而采用类似大型语言模型(LLMs)训练时使用的海量信息。

　　研究人员指出，模仿学习——即代理通过模仿执行任务的个体来学习——在遇到小的挑战时可能会失败。这些挑战可能包括不同的光照条件、不同的环境设置或新的障碍物。在这些情况下，机器人没有足够的数据来适应这些变化。

　　团队借鉴了像GPT-4这样的模型，采用了一种粗暴的数据驱动问题解决方式。

　　“在语言领域，数据就是句子，”该论文的主要作者Lirui Wang说。“在机器人领域，鉴于数据的多样性，如果你想以类似的方式预训练，我们需要不同的架构。”

　　团队引入了一种新的架构，称为异构预训练变换器(HPT)，它整合了来自不同传感器和不同环境的信息。然后使用变换器将数据整合到训练模型中。变换器越大，输出结果越好。

　　用户随后输入机器人的设计、配置以及他们想要完成的任务。

　　“我们的梦想是拥有一个通用的机器人大脑，你可以下载并用于你的机器人，而无需任何训练，”卡内基梅隆大学副教授David Held在谈到这项研究时说。“虽然我们才刚刚开始，但我们将继续努力，希望规模的扩大能像大型语言模型一样，为机器人策略带来突破。”

　　这项研究部分由丰田研究所资助。去年在TechCrunch Disrupt上，TRI展示了一种一夜之间训练机器人的方法。最近，它达成了一个分水岭的合作伙伴关系，将其机器人学习研究与波士顿动力的硬件结合起来。