pg电子模拟器平台这几位前 OpenAI 员工想打造“机器人界的 ChatGPT

　　pg电子模拟器平台这几位前 OpenAI 员工想打造“机器人界的 ChatGPT”2017 年，三位 OpenAI 早期研究成员创立了 Covariant，用直接投入行业去解决那个让 OpenAI 止步不前的数据难题 —— 没有数据，那就「创造」数据。

　　来到 2023 年，专注于打造软件平台的 Covariant 发布了机器人基础模型「RFM-1」。

　　在这个基础模型的支持上，人们印象冷冰冰的工厂机械臂，不仅能直接和用户对话，甚至还懂得「想象」与「求助」。

　　从某个角度来看，这也正好体现了 Covariant 产品的一个重要差异性—— 关于技术的对话，可以更友好。

　　一般来说，如果想让机械臂完成流水线上的某项工作，譬如说给机器拧上特定一颗螺丝，工程师必须为此进行专门的编程，让机械臂完成，且只能完成这项工作。

　　就如 ChatGPT 打破了普通人和 AI 对话的门槛，Covariant 的 RFM-1 也打破了普通人和机械臂对话的障碍。

　　让我印象更深刻的是，和聊天机器人爱「信口张来」的习惯相比，RFM-1 支持的机械臂在遇到难题时显得更谨慎，甚至会主动「求助」人类。

　　从这些自然语言的交互也能看出，RFM-1 也和我们更熟悉的大语言模型一样，在训练时学习了大量的文本、图像、视频等素材。

　　这些如今分布已遍布全球十多个国家的机械臂日复一日地工作，同时也在「生产」高质量的多模态视频数据。

　　和其他演示类视频数据相比，Covariant 机械臂的「打工视频」不仅涵盖了不同的「工种」，接触了多元商品pg电子模拟器平台，也记录了很多真实「意外」：可能是不小心卡在传送带上无止境翻滚的商品，也可能是商品外包装突然坏了。

　　用户可以让机械臂拿起特定物件，也可以让机械臂生成一个视频，以鸟瞰视角呈现它将如何拿起这样物件。

　　当然，现在的 RFM-1 仍存在局限性。「MIT Technology Review」记者在体验演示时就遇上了机械臂表现不佳的情况。

　　当时，记者通过对话框要求机械臂把香蕉放到二号托特包里，结果机械臂先是拿起了海绵、然后是个苹果，接着还试拿了其他一系列东西，最后才拿起来了香蕉放好，完成任务。

　　它没有理解那个新概念。但这也是一个很好的例子 —— 在训练数据还不是非常充分的领域，它的运行暂时未必很好。

　　接下来，RFM-1 当然会在更多的真实操作视频数据中继续优化，但在未来，Covariant 最终计划将模型自己生成的视频用作模型训练数据的一部分：

　　Covariant 那用模型生成视频来当训练素材的计划，虽然会引来一些质疑 —— 万一模型生成的数据本来就有错那怎么办？—— 但在大语言模型训练领域似乎已经成为一种新主张pg电子模拟器平台。

　　据《大西洋月刊》报道，在过去的几个月里，Google DeepMind、微软、亚马逊、苹果、OpenAI 和其他学术研究实验室都曾发表了用 AI 模型来训练另一个/同一个 AI 模型的论文，并表示模型获得了很大进步。

　　在上周的英伟达 GTC 主题演讲中，黄仁勋揭晓了英伟达为人形机器人打造的通用基础模型 GR00T，搭配的还有为人形机器人设计的新型计算平台 Jetson Thor。

　　有了这搭配的机器人，不仅能理解自然语言，还可以在 Isaac Sim 的模拟世界中进行不间断的学习 —— 不必受限于人力物力和空间限制。

　　在此前迪士尼发布的视频中，迪士尼研究实验室副总监 Moritz Bacher 表示，这些机器人在虚拟环境中学习不同动作和表达的效率非常高：

　　长久以来，人形机器人发展一大瓶颈在于「学习」只能依赖「动作编排」。就和机械臂一样pg电子模拟器平台，人形机器人的动作学习也常「一板一眼」，用一套动作就得编一次。

　　有了「学习」能力时，学习用的数据局限又成了另一个门槛。随着模拟数据的完善，这个情况有机会大幅度改善。原本兼顾步行平衡和完成任务的艰难，在大量的训练中也更有可能获得突破。

　　我们相信，未来不会只有一种形态的机器人需求。部分会是人形机器人形态，部分会是机械臂形态…… 但所有形态都需要理解同一个真实世界。Covariant 建造的就是那个能驱动所有形态机器人的同一个大脑，能够去理解这个真实的世界。

　　那些能训练出好模型的团体，要不就是要有能力获得大量现存机器人数据，要不就得有能力去生成那些数据。