谷歌 DeepMind 正在使用 Gemini 来训练机器人使其变得更聪明

谷歌DeepMind正在使用Gemini来训练机器人使其变得更聪明谷歌正在使用GeminiAI训练其机器人，以便它们能够更好地导航和完成任务，DeepMind机器人团队在一篇新的研究论文中解释了如何使用Gemini1.5Pro的长上下文窗口，让用户可以使用自然语言指令更轻松地与其RT-2机器人进行交互。其工作原理是拍摄指定区域的视频，研究人员使用Gemini1.5Pro让机器人“观看”视频以了解环境，然后机器人可以根据情况执行命令。DeepMind表示其Gemini驱动的机器人在超过50个任务中的成功率高达90%。研究人员还发现“初步证据”表明，Gemini使其机器人能够计划如何执行导航以外的指令，例如，当办公桌上有很多可乐罐的用户询问机器人“是否有他们最喜欢的饮料”时，Gemini就会知道“机器人应该导航到冰箱，检查是否有可乐，然后返回给用户报告结果。”DeepMind表示计划进一步调查这些结果。——，

项目“降级” 谷歌悄然放弃“Z世代”人工智能聊天机器人

项目“降级”谷歌悄然放弃“Z世代”人工智能聊天机器人据报道，谷歌之前一直在为“Z世代”（1995至2009年出生的）用户开发一款人工智能移动聊天机器人应用，并在其中配以互动数字角色。但资料显示，该公司最近在内部重组中将该项目“降级”。通常而言，当谷歌对某个产品降级后，相关工作就会暂停。PC版：https://www.cnbeta.com.tw/articles/soft/1370321.htm手机版：https://m.cnbeta.com.tw/view/1370321.htm

Google DeepMind推出四足机器人的基准性能测试 - Barkour

GoogleDeepMind推出四足机器人的基准性能测试-BarkourGoogleDeepMind团队刚发布了一篇研究论文，概述了一个潜在的基准系统，以量化这些机器的性能，它的名字叫"Barkour。Google研究指出，多年来四足机器人完成了各种令人印象深刻的创举，从爬山、跑步和跳跃，但还没有一个确定系统效能的基准线。鉴于这些机器的灵感来自于动物，因此真正的动物将为其机器人同行提供最佳的性能模拟。这意味着要在实验室里设置一个障碍物，并让一只狗来跑，看上图这只灵活的腊肠犬。该课程由5×5米范围内的四个障碍组成。性能的评分标准是0到1--一个简单的二进制，以确定机器人是否能在类似大小的狗所需的10秒左右的时间内成功穿越空间。各种扣分是针对速度过慢和跳过或未通过赛道上的障碍物。Google在大量测试后得出结论：我们相信，为四足机器人技术制定一个基准是量化动物级敏捷性进展的重要第一步。[......]我们的研究结果表明，Barkour是一个具有挑战性的基准，可以很容易地进行定制，我们基于学习的方法来解决这个基准，提供了一个四足机器人的单一低级策略，可以执行各种敏捷的低级技能。该组织表示，即使面对不可避免的意外事件和硬件问题，Barkour也被证明是一个有效的基准，试验中使用的机器狗在发生故障的情况下能够重新站起来并自行返回起跑线。...PC版：https://www.cnbeta.com.tw/articles/soft/1362565.htm手机版：https://m.cnbeta.com.tw/view/1362565.htm

DeepMind 推出“足球运动员”智能体机器人

DeepMind推出“足球运动员”智能体机器人GoogleDeepMind研发的具身智能体(agent)微型人形机器人，不仅可以快速“奔跑”“过人”“进攻”，还可以阅读比赛，正确预测足球移动方向，以及阻挡对手射门等，并且可以在现实环境中进行对抗。使用深度强化学习训练低成本的现成机器人踢多机器人足球，机器人在训练后展现出的敏捷性和流畅性远超期望。智能体也涌现出了一些意想不到的策略，这些策略比脚本策略更充分地利用了系统的全部功能，而这些策略可能是人类根本没有想到的。该研究以4月封面文章的形式已发表在ScienceRobotics上，题为“利用深度强化学习让双足机器人掌握敏捷足球技能”。视频中左侧为具有学习能力的机器人，右侧是作为参照以脚本编程的机器人。——,

DeepMind 的 RoboCat 开始学习执行一系列机器人任务

DeepMind的RoboCat开始学习执行一系列机器人任务DeepMind的研究科学家、RoboCat团队的共同贡献者AlexLee表示：“我们证明，单个大型模型可以在多个真实的机器人实施例上解决多种任务，并且可以快速适应新的任务和实施例。”RoboCat受到Gato的启发，Gato是一种可以分析文本、图像和事件并对其采取行动的DeepMind人工智能模型，它接受了从模拟和现实生活中的机器人收集的图像和动作数据的训练。Lee表示，这些数据来自虚拟环境中其他机器人控制模型、人类控制机器人以及RoboCat本身的先前迭代的组合。为了训练RoboCat，DeepMind的研究人员首先收集了100到1000个使用人类控制的机械臂执行任务或机器人的演示。（例如让机器人手臂拾取齿轮或堆砌方块）然后，他们对RoboCat的任务进行了微调，创建了一个专门的“衍生”模型，该模型平均针对该任务进行了10,000次练习。利用衍生模型生成的数据和演示数据，研究人员不断扩大RoboCat的训练数据集，并训练RoboCat的后续新版本。RoboCat模型的最终版本接受了总共253项任务的训练，并在模拟和现实世界中对这些任务的141种变体进行了基准测试。DeepMind声称，在观察了几个小时内收集的1000个人类控制的演示后，RoboCat学会了操作不同的机械臂。虽然RoboCat已经接受了四种带有双叉手臂的机器人的训练，但该模型能够适应更复杂的带有三指抓手和两倍可控输入的手臂。为了避免RoboCat被誉为机器人控制AI模型的最终王者，在DeepMind的测试中，其跨任务的成功率差异很大——从低端的13%到高端的99%。这是训练数据中的1000个演示，不出所料，示威活动的成功率只有一半。尽管如此，在某些情况下，DeepMind声称RoboCat只需100次演示就能学习新任务。Lee相信RoboCat可能预示着解决机器人技术新任务的障碍将会降低。“为新任务提供有限数量的演示，RoboCat可以针对新任务进行微调，进而自行生成更多数据以进一步改进，”他补充道。展望未来，研究团队的目标是将教RoboCat完成新任务所需的演示次数减少到10次以下。...PC版：https://www.cnbeta.com.tw/articles/soft/1366699.htm手机版：https://m.cnbeta.com.tw/view/1366699.htm