机器人控制会因AI技术而变得自然吗？Google的RT-2承诺如此！

Google在人工智能领域的最新创新——机器人转换器2（RT-2），正在机器人世界开辟新领域。利用类似于驱动Bard和ChatGPT等AI聊天机器人的系统的前沿AI技术，Google旨在使机器人能够更高效、更有效地执行任务。Google DeepMind的机器人主管Vincent Vanhoucke将RT-2揭幕为一种“首创的视觉-语言-动作（VLA）模型”，允许用户使用自然语言控制机器人。

这一突破性发展使机器人能够解释来自网络的文本和图像数据并执行相应的动作。通过RT-2，Google正在推动机器人理解周围世界的方式的革命，最终增强其在各个领域的能力，从平凡但必不可少的垃圾处理任务开始。

用于Google RT-2常规机器人控制的AI技术

Google的RT-2，这种愿景-语言-动作（VLA）模型，通过飞跃推动了机器人领域的发展。利用类似于AI聊天机器人Bard和ChatGPT的技术，RT-2超越了常规机器人控制的界限。与处理文本数据以进行人类交互的聊天机器人不同，机器人面临着理解其物理环境的更复杂挑战。这种区别构成了独特的障碍，因为机器人必须区分对象、解释上下文并根据其感知执行精确动作。

Vincent Vanhoucke强调了机器人理解的复杂性，指出识别像苹果这样的简单物体要容易得多，而在准确拿起所需物品之前，区分美味的红苹果和红球要难得多。Google的RT-2有效地弥合了这一差距，赋予机器人理解现实世界场景并响应自然语言指令的能力。通过结合语言理解和视觉感知，RT-2开启了机器人技术的新时代，其应用涵盖制造、医疗、灾害响应等领域。凭借RT-2的卓越能力，人机协作和各个行业变革性进步的潜力简直令人惊叹。

赋予机器人处理垃圾的能力

以前，训练机器人执行看似简单的任务（如扔掉垃圾）是一个艰苦且耗时的过程。工程师必须教机器人识别垃圾、适当抓取它、找到合适的垃圾桶，然后小心地投放废物。这种复杂的舞蹈需要大量的训练和许多参数的微调，使过程缓慢且单调。

随着RT-2的出现及其从庞大的在线图像数据中提取信息的能力，机器人的训练过程发生了转变。新的AI模型赋予机器人快速识别垃圾并自主执行必要步骤以拾取和正确处理垃圾的能力。通过少量训练数据，RT-2惊人地允许机器人转移嵌入在其语言和视觉训练数据中的概念，使它们能够执行它们从未明确训练过的复杂任务。

在一个引人注目的演示中，机器人在要求从一群玩具中捡起一种已灭绝的动物时，轻松识别并举起了一个玩具恐龙。另一个挑战中，机器人熟练地将一辆小型玩具大众汽车移向德国国旗。这些现实生活中的例子说明了RT-2的语言和视觉能力如何将机器人技术推向新的灵活性和响应性高度。