主要内容
大多数人眼中，一台被电锯锯掉四条腿后仍能继续爬行的四足机器人简直是噩梦。对于初创公司 Skild AI 的联合创始人兼首席执行官迪帕克·帕塔克（Deepak Pathak）来说，这种适应能力的反乌托邦壮举是一种新的、更通用的机器人智能的令人鼓舞的迹象。“这就是我们所说的全能体大脑，”帕塔克告诉我。他的初创公司开发了通用人工智能算法，以应对推进机器人技术的一个关键挑战：“任何机器人，任何任务，一个大脑。它极其通用。”许多研究人员认为，如果能收集到足够的训练数据，用于控制机器人的 AI 模型可能会经历一个类似产生语言模型和聊天机器人的深刻飞跃。
AI 控制的机器人能够适应新的极端情况，如失去肢体。帕塔克表示，现有的训练机器人 AI 模型的方法，如通过远程操作或模拟让算法学习控制特定系统，无法生成足够的数据。Skild 的方法是让一个算法学习控制大量不同的物理机器人，完成各种任务。随着时间的推移，该公司将其称为 Skild Brain 的模型产生了一种更通用的适应不同物理形式的能力，包括从未见过的形式。
研究人员为一篇概述其方法的学术论文创建了该模型的较小版本，称为 LocoFormer。该模型还设计用于快速适应新情况，如失去腿或危险的新地形，弄清楚如何将所学应用于新困境。帕塔克将这种方法与大型语言模型通过分解并将其思考反馈到自己的上下文窗口中处理特别具有挑战性的问题的方式进行了比较，这是一种称为上下文学习的方法。
其他公司，包括丰田研究所和一家名为 Physical Intelligence 的竞争初创公司，也在竞相开发更通用的机器人 AI 模型。然而，Skild 在构建跨多种不同硬件进行泛化的模型方面与众不同。LocoFormer 通过大规模强化学习在各种程序生成的具有激进域随机化的机器人上进行训练。在一个实验中，Skild 团队训练他们的算法控制大量不同形状的行走机器人。当该算法在真实的两足和四足机器人（训练数据中未包含的系统）上运行时，它能够控制它们的运动并让它们四处行走。
团队发现，一台运行该公司全能体大脑的四足机器人在被放置在后腿上时会迅速适应。由于它能感知后腿下方的地面，该算法将机器人狗操作得像人形机器人一样，让它用后腿漫步。LocoFormer 通过在线经验不断学习。该策略可以从早期试验中的跌倒中学习，以改进后期试验中的控制策略。通用算法还可以适应机器人形状的极端变化，例如当它的腿被绑在一起、切断或修改得更长时。
该团队还尝试在带有轮子和腿的四足机器人上停用两个电机。机器人能够通过像不稳定的自行车一样在两个轮子上保持平衡来适应。当面对巨大干扰，如形态变化、电机故障或重量变化时，LocoFormer 可以重建这些表示以实现在线适应。Skild 正在测试相同的机器人操作方法。它在一系列模拟机械臂上训练了 Skild Brain，并发现由此产生的模型可以控制不熟悉的硬件并适应环境的突然变化，如光照减少。帕塔克表示，该初创公司已经在与一些使用机械臂的公司合作。2024 年，该公司筹集了 3 亿美元。