MIT引入了一种革命性的机器人训练方法，采用了受大型语言模型（如GPT-4）成功启发的策略。这种新模型涉及全面的数据积累策略，机器人不仅仅在特定的、针对性的任务上进行训练，而是在广泛、多样的数据集上进行训练，以增强它们的适应性和解决问题的能力。
关键要点：
- MIT的新训练模型受到大型语言模型的启发。
- 异构预训练变换器（HPT）框架增强了机器人适应性。
- 机器人可以在多样化的数据集上进行训练，改善其解决问题的能力。
- 该技术旨在使机器人能够在没有 extensive 现场培训的情况下执行任务。
这种名为异构预训练变换器（HPT）的方式是为了克服标准模仿学习的局限性，后者常常在面对轻微的环境变化或意外障碍时表现不佳。传统模型在有限数据集上训练，难以适应变化，因为它们缺乏应对多样性的深度数据。相比之下，HPT使用一种专为整合来自不同传感器和环境的信息而设计的架构，从而为机器人创造一个丰富、多样的学习环境。
研究的主要作者Lirui Wang解释道，虽然在语言模型中数据相对均匀（句子），但机器人涉及到的是一个更加异构的数据集，包括视觉输入、来自不同环境的传感器数据以及各种任务相关的信息。为了处理这种复杂性，HPT框架利用变换器（一种在自然语言处理方面表现出色的神经网络架构）将这些多样的数据结合在一起。
变换器模型的规模至关重要；模型越大，学习的细致性和有效性就越强。这种方法使得机器人能够在广泛的场景上进行初步训练，从而具备更强大的技能集，随后可以针对特定任务进行微调。用户可以指定机器人的设计、操作环境和任务，使得训练过程高度适应。
卡内基梅隆大学的副教授David Held表达了对这一技术的雄心勃勃的愿景：设想一个未来，机器人可以预装一个“通用机器人大脑”，无需 extensive 现场培训即可执行任务。这一愿景强调了HPT的变革潜力，暗示未来的机器人在执行物理任务方面可以与AI模型在生成文本时的灵活性和适应性相提并论。
这项研究部分由丰田研究院（TRI）资助，反映了机器人领域利用AI实现更自主和灵活的操作的更广泛趋势。TRI在过夜机器人训练方面的先前工作，加上与波士顿动力公司的最新合作，突显了行业向将复杂AI学习与先进机器人硬件集成的方向发展，这可能会彻底改变机器人在各个行业的开发和部署方式。