每經記者 蔡鼎    每經編輯 蘭素英    

如果將人工智能（AI）比作孩子，那么Scaling Law（以下簡稱規(guī)模法則）就是其成長密碼；只要“孩子”被給予足夠的“營養(yǎng)”，即數據、模型和算力，他就能茁壯成長。2020年，OpenAI發(fā)表論文《神經語言模型的規(guī)模法則》，為大語言模型的出現(xiàn)奠定了語言基礎。因此規(guī)模法則也被視為人工智能的基石。

胡英東博士表示：“我們的模型還不是真正通用的，不能處理用戶可能給出的各種各樣的指令。”圖為2024年11月4日，上海，第七屆中國國際進口博覽會新聞中心內，機器人與媒體記者互動打招呼。視覺中國圖

如今，規(guī)模法則正在引領機器人領域開啟新世界的大門。

清華大學交叉信息研究院（以下簡稱IIIS）研究團隊近日在預印本網站arXiv發(fā)布的論文《機器人操作模仿學習中的數據規(guī)模法則》顯示，在數據規(guī)模法則下，機器人實現(xiàn)了真正的零樣本泛化，無需進行任何微調就能泛化到全新的場景和物體，成功率高達90%。所謂泛化，指的是一個模型或算法在處理未曾見過的新數據時的表現(xiàn)能力。

該團隊的發(fā)現(xiàn)表明，只要有足夠的數據，機器人就能像ChatGPT理解語言一樣，自然地理解和適應物理世界。一時間，外界對人形機器人可能迎來“ChatGPT時刻”議論紛紛。連Google DeepMind的機器人專家Ted Xiao都稱，其對機器人大模型時代具有里程碑意義。

針對這項最新研究，《每日經濟新聞》記者（以下簡稱NBD）于11月4日晚間專訪了該論文的作者之一、清華大學IIIS四年級博士生胡英東。

胡英東博士重點研究嵌入式AI，這是機器學習、機器人和計算機視覺交叉的前沿領域。他研究了開發(fā)通用機器人系統(tǒng)的基本挑戰(zhàn)，這些系統(tǒng)可以有效適應和概括他們在不同的、非結構化的現(xiàn)實世界環(huán)境中的學習行為。

機器人將更好適應環(huán)境

火鍋店倒水、公園疊毛巾、電梯內拔插頭……在清華大學IIIS研究團隊最新進行的研究中，便攜式手持夾爪UMI在8種從未見過的環(huán)境中展現(xiàn)出了超強的適應能力。

ChatGPT的問世驗證了規(guī)模法則的“智能涌現(xiàn)”能力——規(guī)模越大，效果越優(yōu)。要提升模型效果，就需要不斷擴大參數規(guī)模、訓練數據量、計算資源的規(guī)模。但機器人領域尚未建立全面的規(guī)模法則，因而未能取得深度學習領域那么快的發(fā)展。

為了探究數據規(guī)模法則，清華大學IIIS研究團隊設計了物體泛化、環(huán)境泛化及環(huán)境-物體組合泛化三大維度，通過系統(tǒng)調整訓練數據規(guī)模，全面評估適當的數據規(guī)模能否產生可在任何環(huán)境下對幾乎任何物體進行操作的機器人策略。

利用真實環(huán)境下收集的超過4萬條人類演示數據，以及嚴格評估協(xié)議下進行的超15000次實機測試，該團隊發(fā)現(xiàn)，策略的泛化性能與環(huán)境和訓練時接觸的物體數量呈現(xiàn)顯著的冪律關系，即其中一個量的相對變化會導致另一個量的相應冪次比例的變化，且與初值無關。

當環(huán)境多樣性足夠豐富時，在單一環(huán)境中過度采集不同操作物體的數據所帶來的效用將變得微乎其微。而且，單個物體的演示數據很容易達到飽和，總演示數據達到800次時，性能就開始趨于穩(wěn)定。該團隊認為，每個物體有50次演示效果就基本能達到期望的泛化水平了。

最終的任務測試表明，在8種全新的場景中，機器人的成功率高達90%。這意味著機器人實現(xiàn)了真正的零樣本泛化，可以無需進行任何微調就能泛化到全新的場景和物體。

也就是說，團隊的發(fā)現(xiàn)表明，只要有足夠的數據，機器人就能像ChatGPT理解語言一樣，自然地理解和適應物理世界！而且，這也簡化了數據收集工作，以前可能需要幾個月才能完成，現(xiàn)在只需要幾天甚至一個下午。

NBD：您能否分享一下，是什么促使團隊去探索具身智能領域的數據規(guī)模法則？是否受到了大語言模型規(guī)模法則的影響？

胡英東：是的，我們對數據規(guī)模法則的探索確實部分受到大語言模型的啟發(fā)。大模型中規(guī)模法則已經成為當今最基本的原則之一，它包括三個維度：數據、模型和算力。在探索模型和計算規(guī)模法則之前，理解數據規(guī)模法則是至關重要的。

NBD：能否用通俗的語言解釋一下數據規(guī)模法則？

胡英東：我們發(fā)現(xiàn)，數據規(guī)模法則展示了機器人策略在新環(huán)境中的性能與訓練中的環(huán)境和物體數量之間的冪律關系。簡單地說，訓練中包含的環(huán)境和物體數量越多，泛化性能越好。

NBD：論文中提到，提高數據質量可能比盲目增加數據量更重要。那么，您認為如何才能有效地提高數據質量呢？是否有具體的方法或策略？

胡英東：數據質量有很多方面，但我們主要關注數據的多樣性。我們發(fā)現(xiàn)，在資源有限的情況下，在更廣泛的環(huán)境和物體中收集人類演示比在特定環(huán)境中使用特定物體收集更多演示帶來的效果更好。

尚不足以實現(xiàn)商業(yè)化

盡管IIIS團隊的研究表明，只需投入相對較少的時間和資源，就有可能學習到一種可在任何環(huán)境和對象中零距離部署的單任務策略，但在現(xiàn)實中，要完成洗衣服、疊衣服等一些在人類看來非常簡單的任務，AI依然面臨不小的難度。

論文也指出，目前的工作還有一些局限性，他們只關注了單任務策略的數據規(guī)模，并沒有探索多任務的通用性，因為這需要從數千個任務中收集數據。除了數據規(guī)模，IIIS團隊還在模型規(guī)?；矫嬗腥齻€重要發(fā)現(xiàn)：視覺編碼器必須經過預訓練和完整微調，缺一不可；擴大視覺編碼器的規(guī)模能顯著提升性能；擴大擴散模型的規(guī)模沒能帶來明顯的性能提升，這一現(xiàn)象最讓人意外。

為了激勵更多的研究人員就此進行探索，團隊還公布了其代碼、數據和模型，希望業(yè)界最終開發(fā)出能夠解決復雜問題的通用機器人。

NBD：你們的研究發(fā)現(xiàn)，通過適當的規(guī)模法則，單任務策略可以應用于任何新環(huán)境和同一類別中的任何新對象。這是否意味著一旦機器人掌握了足夠的數據，它們就不需要進一步學習了？

胡英東：這并不意味著機器人不再需要學習。雖然目前有90%的成功率，也讓人印象深刻，但對于商業(yè)化和家庭使用仍然不夠，我們需要達到99.9%以上的成功率，畢竟你不會希望一個機器人在倒水的時候有10%的概率打破你的杯子。

NBD：機器人在學習大量數據后，能夠適應各種環(huán)境。這是否預示著未來很可能會出現(xiàn)通用機器人？

胡英東：我相信我們將來會看到通用機器人，我不能準確預測是什么時候。我們的研究只探索了數據規(guī)模，正如我之前提到的，我們還沒有完全研究模型和計算規(guī)模，仍有許多重要的研究問題需要解決。

未來值得期待

在學界的努力之外，企業(yè)界也在專注于將通用人工智能引入物理世界，旨在開發(fā)大規(guī)模人工智能模型和算法，為機器人提供動力。

OpenAI就是其中之一。11月4日，Meta增強現(xiàn)實眼鏡Orion團隊的負責人凱特林·卡林諾夫斯基在社交媒體上宣布，其已經加盟OpenAI，領導機器人和消費者硬件團隊。他在帖子中表示，這份新工作最初將關注OpenAI在機器人領域的工作以及相關的合作，幫助AI“進入物理世界”，解鎖對人類的好處。

同日，OpenAI被曝還參與了機器人AI初創(chuàng)公司Physical Intelligence的4億美元融資輪。本輪融資由亞馬遜創(chuàng)始人Jeff Bezos、Thrive Capital和Lux Capital領投。

Physical Intelligence在博客文章中提到，過去八個月里，他們一直在為機器人開發(fā)一種“通用”的人工智能模型。Physical Intelligence希望這個模型能成為他們實現(xiàn)最終目標——開發(fā)人工通用智能（AGI）的第一步。AGI是指在各種任務上達到或超越人類智能的人工智能技術。

NBD：一些文章將你們最新的研究發(fā)現(xiàn)稱為“人形機器人的ChatGPT時刻”，您對此有何看法？這個時刻是否已經到來，還是需要更多的技術突破？

胡英東：我并不認為我們已經達到了“人形機器人的ChatGPT時刻”，盡管我們正在朝著這個目標快速前進。ChatGPT的一個關鍵特征是其非凡的泛化能力，它能夠在幾乎任何用戶定義的任務中表現(xiàn)良好。雖然我們強調機器人對新環(huán)境和新物體的泛化能力，但主要的區(qū)別在于我們的模型還不是真正通用的，不能處理用戶可能給出的各種各樣的指令。

NBD：研究已經在多個現(xiàn)實場景中得到了驗證，那么您認為這些實驗結果有一天能轉化為實際應用嗎？

胡英東：我相信我們研究的這項技術最終會進入日常實際應用，例如，用于餐館的服務機器人。更有意義的是，這樣的機器人可以應用于養(yǎng)老院，以協(xié)助老年人護理，這將是特別有價值和影響的。

封面圖片來源：視覺中國