MIT开发新方法，无需从头训练机器人即可执行复杂任务

主要观点总结

本文介绍了MIT研究人员开发的一种灵活的技术，用于训练通用机器人执行多种任务。该技术通过将来自多种来源的异质数据整合到一个系统中，并使用一种新架构（异质预训练变换器HPT）来处理不同模态的数据。这种方法不仅比传统技术更快速、成本更低，而且在模拟和现实实验中，相比从零开始的训练提高了超过20%的性能。该研究由亚马逊大波士顿技术计划和丰田研究院资助。

关键观点总结

关键观点1: 研究背景及意义

训练通用机器人是一个巨大的挑战，因为传统方法需要大量特定数据且耗时。MIT的研究人员开发了一种新技术，通过整合大量数据并借鉴大型语言模型的理念，来解决这个问题。

关键观点2: 主要技术亮点

该技术通过对齐不同领域的数据和多种模态，将它们转化为一种‘通用语言’，使得生成式AI模型可以处理。通过整合大量数据，该方法可用于训练机器人执行多种任务。异质预训练变换器（HPT）是此技术的核心部分。

关键观点3: 研究方法及实验

研究人员通过借鉴大型语言模型的理念，开发了一种新架构HPT。他们使用了一种名为变换器的机器学习模型来处理视觉和本体感受输入。实验表明，HPT在模拟和现实任务中的机器人表现相比每次从零开始的训练提升了超过20%。

关键观点4: 未来展望与挑战

研究人员计划增强HPT，使其能够处理无标注数据，并探索数据多样性对HPT性能的提升作用。他们的目标是拥有一个通用的机器人‘大脑’，用户无需任何训练就能直接使用。