DeepMind 推出 AI 模型 RoboCat，可跨不同型号机械臂执行多样化任务。该模型是首个能解决并适应多种任务、且使用不同真实世界机器人完成这些任务的通用模型。
“我们证明，单个大型模型可在多个真实机器人载体上解决多样化任务，并能快速适应新任务和载体。”DeepMind 研究科学家、RoboCat 团队共同贡献者 Alex Lee 表示。
RoboCat 灵感源于 DeepMind 的 Gato 模型，利用模拟与现实机器人的图像及动作数据训练。数据来源包括虚拟环境中的控制模型、人类操控演示以及 RoboCat 自身先前版本的组合。
训练过程中，研究人员先收集 100 至 1,000 次人类通过机械臂控制的特定任务演示（如拾取齿轮或堆叠积木），随后对 RoboCat 进行微调，创建专门的“衍生”模型，平均针对该任务练习 10,000 次。
接着，利用衍生模型生成的数据与演示数据不断扩充训练集，迭代训练后续新版本 RoboCat。
最终版 RoboCat 在 253 个任务上训练，并在 141 种任务变体上进行基准测试，涵盖模拟与现实环境。DeepMind 称，在观察数小时内收集的 1,000 次人类控制演示后，RoboCat 即可学会操作不同机械臂。
尽管 RoboCat 仅在四种双爪臂机器人上训练，但能适应具有三指夹爪、可控输入多一倍的更复杂机械臂。
需注意，RoboCat 并非终极解决方案，其在测试中的成功率差异显著（13% 至 99%）。上述结果基于 1,000 次演示；若演示数量减半，成功率将明显下降。
不过在某些场景下，RoboCat 仅需 100 次演示即可学习新任务。
Alex Lee 认为，RoboCat 有望降低机器人领域解决新任务的门槛。“提供有限数量的演示后，RoboCat 可针对新任务微调，并自我生成更多数据以提升性能。”
未来，研究团队计划将教授 RoboCat 完成新任务所需的演示数量降至 10 次以下。