当机器人能自己教自己：DeepMind发布自我改进的具身基座模型

主要观点总结

本文介绍了Google DeepMind Generalist团队提出的一种适用于机器人技术的两阶段训练后优化方法，该方法结合了监督微调（SFT）与自改进（自我改进），通过自主交互与反复实践，使机器人不断提升技能并泛化到新任务。该方法利用预训练基础模型自动导出奖励信号与成功判断，使机器人在人类极简监督下并行练习，显著提升了策略性能与样本效率，并实现了行为泛化。实验证明，自改进在监督学习基础上能显著提升策略性能，组合使用监督学习与自改进比单独使用监督学习更具样本效率，且网络规模预训练与自改进的组合是实现高样本效率的关键。该方法还解锁了现有方法无法实现的独特能力——自主掌握超出模仿数据集覆盖范围的新技能。

关键观点总结

关键观点1: 两阶段训练后优化方法

本研究提出了一种适用于机器人技术的两阶段训练后优化方法，结合了监督微调（SFT）与自改进（自我改进），通过自主交互与反复实践，使机器人不断提升技能并泛化到新任务。

关键观点2: 自动导出奖励信号与成功判断

该方法利用预训练基础模型自动导出奖励信号与成功判断，使机器人在人类极简监督下并行练习，显著提升了策略性能与样本效率。

关键观点3: 实验成果

实验证明，自改进在监督学习基础上能显著提升策略性能，组合使用监督学习与自改进比单独使用监督学习更具样本效率，且网络规模预训练与自改进的组合是实现高样本效率的关键。该方法还解锁了现有方法无法实现的独特能力——自主掌握超出模仿数据集覆盖范围的新技能。