Google DeepMind宣布推出全新針對機器人打造的VLA (Vision-Language-Action)人工智慧模型「RT-2」，藉此讓機器人能更聰明地做出認知反應動作。

「RT-2」與先前在2022年底提出的「RT-1」類似，同樣藉由模型架構讓機器人可快速從經驗中學習，並且與其他機器人分享。在架構上同樣基於以自注意力機制設計的深度學習模型「Transformer」為基礎，可透過網路傳輸的文字、圖像進行訓練，進而讓機器人學習認知做出相應行為動作。

例如，傳統作法如果要讓機器人自動將空可樂罐丟進垃圾桶，過程中必須先讓機器人知道什麼是可樂罐，以及如何判斷可樂罐已經是空的，接著還必須訓練機器人如何夾取空可樂罐，並且將其正確地放到垃圾桶，但機器人在實際運作時仍無法知道為什麼要將空可樂罐丟進垃圾桶。

因此在「RT-2」模型設計中，會透過大量源自網路的數據訓練機器人，並且讓他知道什麼是「垃圾」，進而節省原本需要逐步訓練機器人辨識物體、判斷物體狀況，以及如何夾取、正確放進垃圾桶的繁瑣步驟，直接讓機器人知道物體在什麼狀態下可視為「垃圾」，以及垃圾桶實際用途，即可加快機器人學習將所見「垃圾」丟進垃圾桶的行為。

相比「RT-1」模型下的執行效率為32%，透過「RT-2」的執行效率則提高為62%，幾乎足足增加將近2倍效果，因此預期能接續透過「RT-2」模型訓練機器人理解更多操作行為。

《原文刊登於合作媒體mashdigi，聯合新聞網獲授權轉載。》