XNews

DeepMind 机器人采访与职业洞察

DeepMind 机器人采访与职业洞察

DeepMind 机器人负责人讨论了 Gemini Robotics 1.5 及机器人面临的挑战。

Key insights

机器人技术的两个范式转变:强化学习与大语言模型

采访指出,机器人技术的进步经历了两个主要的范式转变:强化学习(RL)使得运动和基本控制成为可能,而大语言模型(LLMs)则提供了规划和高级推理。该叙述追溯了RL在步态和运动控制方面的民主化,并将LLMs定位为复杂多步骤任务的“大脑”。

Gemini Robotics 1.5 增加了明确的“思考”和文本计划

Gemini Robotics 1.5 引入了一种能力,使机器人在行动之前生成文本中间“思考”。该协议输出逐步的文本规划(例如,识别颜色,决定放置),使系统能够处理多步骤任务,并且人类可以检查机器人的推理以确保安全和调试。

运动转移实现跨身体数据重用

团队报告了一种“运动转移”方法,允许将一个机器人身体的数据用于训练另一个机器人,从而实现跨平台泛化(例如:桌面 Aloha 在与 Franka 数据混合后学习垂直书籍检索)。该方法解决了不同类型机器人之间的数据稀缺问题。

可扩展性依赖于合成和仿真数据

DeepMind 强调可扩展的数据源——大规模仿真、公共视频(YouTube)和视频生成模型——因为在规模上收集真实机器人数据的成本过高。采访量化了成本,并主张用仿真和生成数据替代手动收集。

世界模型与触觉是下一个研究优先事项

采访将“世界模型”(视觉-语言-视觉预测)框架视为与 VLA 模型的互补方向,并强调触觉/触觉传感对于灵巧手部操作至关重要,尤其是在需要细微接触反馈的任务中。

机器人泛化与部署的时间线估计

受访者估计,机器人将在 2-3 年内迎来近似“GPT 时刻”,在 5 年内实现垂直行业部署(制造、物流、超市),并在 10 年内更广泛地进入家庭,同时警告当前能力不均衡(运动先进,操作滞后)。

Source posts