在人工智能領(lǐng)域，機器人的智能化水平一直是科研人員追求的目標。近日，麻省理工學院（MIT）的研究團隊取得了重大進展，他們提出的“異構(gòu)預訓練Transformers”（HPT）架構(gòu)，為機器人實現(xiàn)通用智能奠定了堅實基礎(chǔ)。
以往，機器人訓練面臨著數(shù)據(jù)異質(zhì)性的問題，即每種任務(wù)和環(huán)境都需要單獨采集數(shù)據(jù)，這導致了訓練過程中的重復勞動和數(shù)據(jù)采集成本高昂。而HPT架構(gòu)的提出，正是為了解決這一難題。
研究團隊指出，HPT的優(yōu)勢不僅在于其高通用性，更在于其高效和低成本。通過減少任務(wù)專用數(shù)據(jù)量，HPT在模擬和實際測試中均表現(xiàn)出色，性能比傳統(tǒng)訓練方式提升了20%以上。
在HPT架構(gòu)中，策略神經(jīng)網(wǎng)絡(luò)被分為三個模塊：Stem、Trunk和Head。這種模塊化設(shè)計使得HPT能夠靈活應對不同的任務(wù)和環(huán)境。Stem層負責將傳感器數(shù)據(jù)轉(zhuǎn)換為標準化令牌，Trunk層則通過Transformer架構(gòu)將這些令牌轉(zhuǎn)換為通用潛在表示，最后由Head層輸出具體的機器人動作指令。
研究團隊還建立了一個龐大的數(shù)據(jù)集，包含52個數(shù)據(jù)集和20萬條機器人軌跡，以支撐HPT的通用化訓練。這一舉措為機器人學習提供了豐富的數(shù)據(jù)資源，進一步推動了通用智能的發(fā)展。
HPT架構(gòu)還特別強調(diào)了本體感知的重要性。本體感知賦予機器人對自身狀態(tài)的把控力，在執(zhí)行高精度任務(wù)時尤為關(guān)鍵。通過將視覺和本體感知信號作為等同重要的數(shù)據(jù)源進行處理，HPT使得機器人能夠以更全面的方式理解任務(wù)。
總的來說，MIT研究團隊的這項成果為機器人通用智能的發(fā)展開辟了新的道路。通過異構(gòu)預訓練Transformers架構(gòu)的創(chuàng)新應用，我們有理由相信，未來機器人將在更多領(lǐng)域展現(xiàn)出強大的智能化能力。
