過去幾年見證了機器人人工智慧領域的顯著進步,在物理和認知智慧方面都取得了重大突破。這些發展使我們更接近實現真正智能和適應性強的機器人系統的目標。

進步的關鍵領域之一是物理智慧,包括機器人的靈巧操作能力、保持平衡和在動態環境中導航的能力。多任務強化學習技術(如MT-Opt)的引入,使機器人能夠通過利用共享學習原則來學習和執行多項任務,使訓練過程更加高效,並產生能夠適應各種動態環境任務的機器人。

此外,基於變換器的架構(如RT1和RT2)的出現也是一個重大突破。這些模型改變了機器人理解和與世界互動的方式,縮小了它們的感知和接收到的基於語言的指令之間的差距。通過將機器人控制與語言能力相結合,這些模型使機器人能夠解釋複雜的命令,進行語義推理,並將技能推廣到新的、未見過的環境。

大規模機器人訓練數據集(如OpenX Embodiment Dataset)的可用性,進一步加速了機器人人工智慧的進展。這些涵蓋各種機器人形態和技能的多樣化數據集,促進了更強大和通用的機器人系統的發展。

利用像GPT-4這樣的大型語言模型的能力來設計獎勵函數,也在訓練機器人獲得低級操作任務的超人類水平靈巧方面取得了令人鼓舞的結果。這一突破有望克服長期困擾機器人行業的'莫拉維克悖論'。

隨著這些發展的步伐,機器人行業在未來12到24個月內有望出現'ChatGPT時刻'。領先企業已經準備在製造和物流等實際場景部署機器人,這將進一步加快學習曲線,因為他們將收集大量的訓練數據。

總之,機器人人工智慧領域在物理和認知智慧方面都取得了顯著突破,為出現高度適應性和能力強的機器人系統鋪平了道路。變換器架構、大規模數據集和先進獎勵函數設計的整合,使我們更接近實現能夠無縫導航和與動態現實世界互動的真正智能機器人的目標。