目前，关于人形机器人的报道大多理所当然地将重点放在硬件设计上。鉴于开发者们频繁使用“通用型人形机器人”这一说法，人们理应给予“通用性”这一方面更多的关注。在经历了数十年的单一用途系统之后，向更通用的系统迈进将是一个巨大的跨越。而我们尚未达到那个阶段。
推动开发能够充分利用双足人形设计所开启的广泛运动能力的机器人智能，一直是研究人员的关键课题。生成式AI在机器人领域的应用近期也成为热门话题。来自麻省理工学院的新研究指出了后者可能如何深刻影响前者。
通往通用系统道路上的最大挑战之一是训练。我们对如何训练人类从事不同工作的最佳实践已有扎实的掌握。然而，机器人领域的研究方法虽然前景广阔，却显得支离破碎。尽管存在许多有前途的方法，包括强化学习和模仿学习，但未来的解决方案很可能需要结合这些方法，并辅以生成式 AI 模型。
MIT 团队提出的主要用例之一，是从这些小型、特定任务的数据集中汇总相关信息。该方法被称为策略组合（Policy Composition，简称 PoCo）。相关任务包括敲钉子和使用锅铲翻动物品等实用的机器人动作。
该校指出：“研究人员利用一个特定的数据集，训练单独的扩散模型来学习完成某一项任务的策略或政策。”然后，“他们将扩散模型学到的各种策略整合成一个通用策略，使机器人能够在不同环境中执行多项任务。”
据 MIT 称，引入扩散模型使任务性能提升了 20%。这包括执行需要多种工具的任务的能力，以及学习/适应陌生任务的能力。该系统能够将来自不同数据集的相关信息整合起来，形成执行任务所需的动作链。
该论文的第一作者 Lirui Wang 表示：“这种方法的好处之一是我们可以组合不同的策略，从而兼得两者的优势。”例如，“基于真实世界数据训练的策略可能具备更高的灵巧性，而基于模拟数据训练的策略则可能实现更强的泛化能力。”
这项具体工作的目标是创建智能系统，使机器人能够更换不同的工具以执行不同的任务。多功能系统的普及将使行业更接近实现通用型机器人的梦想。