【tf电新】机器人更新：谷歌VLA实现了机器人理解人话并进行动作执行-0730

—————————

🌼事件

本周五，谷歌 DeepMind（人工智能部门） 宣布推出 RT-2：全球第一个控制机器人的视觉 - 语言 - 动作（VLA）模型。

🌼分析

1、 VLA模型表观效果

谷歌高管称，RT-2 （Robotic Transformer）是机器人制造和编程方式的重大飞跃。借助 RT-2 的强大功能，机器人可以自己分析更多信息，自行推断下一步该做什么。举例说明：跟 AI 说“选择已灭绝的动物”，机器人可自行抓住了恐龙玩偶。在此之前，机器人无法理解它们从未见过的物体，更无法做把【灭绝动物】到【塑料恐龙玩偶】对应上。

2、 VLA模型创新点

VLA是建立在视觉 - 语言模型（VLM）的基础上，它可以从网络和机器人数据中进行学习，并将这些知识转化为机器人可以控制的通用指令。VLM模型距离控制机器人还差【动作控制】部分，DeepMind研究员将机器人动作表示为另一种语言，即文本 token，并与 Web 规模的视觉 - 语言数据集一起进行训练。

3、VLA模型对机器人发展意义

此前，训练机器人需要很长时间，研究人员必须为不同任务单独建立解决方案，而借助 RT-2 的强大功能，机器人可以自己分析更多信息，自行推断下一步该做什么，即通过将 VLM 预训练与机器人数据相结合，可以直接控制机器人，我们预计机器人训练速度可大幅提升。

🌼投资建议

智慧的大脑+灵活的身体是通用（人形）机器人的终极形态，目前实现具身智能的路径分为两种，1）运动控制优先：特斯拉、傅利叶等第一步实现【灵活的身体】，更适合体力劳动为主的应用场景；2）理解交互优先，以预生成式的大语言模型为基础，更适合脑力劳动为主的应用场景。

此次谷歌VLA模型的突破，【可加强机器人对人类语言的理解、分析能力，使得机器人更“智能”，从而大幅提升机器人训练速度，机器人进入千家万户服务人类的日子又进了一步；但本质上其动作执行仍然是基于文本化的语义理解，在生成动作速度的流畅性和连贯性上暂不如FSD等通用视觉-动作模型，因此前者更偏向于脑力劳动+简单动作的应用场景，后者更偏向于工程作业等动作更复杂的场景。】