谷歌近日宣布，计划通过一款名为“机器人转换器”（Robotic Transformer，RT-2）的人工智能学习模型，进一步提升其机器人的智能水平。

RT-2是谷歌所谓“视觉语言动作”（VLA）模型家族的最新成员。该模型的核心使命是帮助机器人更精准地理解视觉与语言模式，从而正确解析人类指令，并自主判断哪些物体最适于执行任务。

研究人员在厨房和办公室场景中，使用机械臂对RT-2进行了实际测试。凭借思维链推理能力，RT-2能够完成多步骤的语义推理。即使面对非常抽象的概念，它也能理解并指导机械臂做出准确动作。例如：要求它找一把临时替代的锤子，它会抓起一块石头；让它为疲惫的人挑选一款饮料，它会选择红牛；让它将可乐罐移动到泰勒·斯威夫特的照片上，同样能顺利执行。

谷歌在一篇研究论文中指出，新模型同时基于网络数据和机器人数据进行训练。它借鉴了Bard等大型语言模型的最新成果，并将其与机器人的具体操作数据（如关节运动方式）相融合。值得一提的是，RT-2还能理解英语之外的其他语言指令。

多年来，研究人员一直致力于赋予机器人更强的推理能力，以应对其在现实世界中面临的核心挑战。正如The Verge的James Vincent所言，现实生活充满了不可避免的“混乱”。人类认为简单的事务，机器人往往需要更多指导才能完成。

过去，训练机器人完成一项任务需要耗费大量时间，研究人员必须逐一规划每个动作步骤。然而，借助RT-2等VLA模型的强大功能，机器人能够通过访问更丰富的信息集，自主决定下一步行动。

谷歌首次涉足智能机器人领域可以追溯到去年，当时谷歌宣布将把其大型语言模型PaLM应用于机器人领域，并构建了名为PaLM-SayCan的系统，首次将大语言模型与实体机器人进行集成。