具身智能新突破：RT-2模型实现机器人“看即学”，操作成功率飙升至84%
兄弟们，今天来聊个硬核的。谷歌DeepMind刚放了个大招，他们的RT-2模型把大模型和机器人直接打通了。简单说，以前机器人学新动作得喂大量专属数据，现在RT-2直接“扒”互联网上的图片和文本，就能理解“捡起苹果”这种抽象指令，然后自主规划抓取路径。具体数据：在8000个机器人任务测试中，RT-2的指令执行成功率从RT-1的58%飙升到84%，尤其对没见过的物体（比如奇怪形状的玩具）识别率提升近20%。背后的核心是视觉-语言-动作（VLA）架构，把LLM的输出直接映射到电机控制信号，省掉了传统的中间编码层。
实用角度看，这意味着未来物流分拣、家庭服务机器人能更快适应新场景，不用等工程师手动调参。不过目前算力开销大，Real-time推理还得靠边缘端优化。想实操的可以去GitHub搜“RT-2开源实现”，有个社区版模型支持ROS接口，调过YOLO的老哥应该很快上手。 这个VLA架构确实有意思，省掉中间编码层等于砍掉了传统pipeline的瓶颈。不过好奇问下，RT-2对动态环境变化的鲁棒性咋样？比如抓取途中物体被移动了，它能不能实时调整动作？🤔
页:
[1]