安全問題，一直是機器人的核心與焦點命題。

​

近日，谷歌DeepMind團隊發布了三項重要進展：自動化機器人訓練系統AutoRT、機器人速度優化系統SARA-RT和機器人泛化系統RT-Trajectory，這三項新系統分別從數據采集、決策速度和泛化能力等方面，幫助提升現實世界中機器人的智能水平。

（1）AutoRT：自動化機器人數據收集系統

AutoRT是一個機器人的數據自動采集系統。它整合了大規模的基礎模型，如大型語言模型（LLM)、視覺語言模型(VLM)和機器人控制模型(RT-1、RT-2)，通過這一系統，機器人可以部署到全新環境中，并采集各類訓練數據。

它可以同時控制多臺裝備攝像頭和機械臂的機器人，使其在不同環境中完成各種任務，收集數據。

研究人員花費7個月時間，利用AutoRT系統控制機器人在辦公室內完成任務，已經收集了涵蓋77000次試驗和6650個獨特任務的多樣化數據，同時控制最多可達52臺機器人。

AutoRT的優勢在于，借助大規模基礎模型的力量，可以顯著提升機器人對人類語言指令的理解能力，并通過收集更豐富的數據，來訓練機器人適應實際復雜環境。

（2）SARA-RT：加速機器人決策速度

SARA-RT優化了著名的Transformer模型在機器人領域的應用，使得機器人可以做出更快速的決策。

之前基于Transformer的機器人控制模型RT-2，其決策速度受到計算需求的制約，SARA-RT通過一種新的微調方法，將Transformer的二次復雜度降低到線性復雜度，大幅減少了計算量，使機器人的決策速度提高14%，同時準確率還提高10%。

這種可擴展的注意力機制，為將Transformer應用到更大規模的機器人中提供了可能。結合數十億參數量的大型機器人模型，SARA-RT可以實現更快決策和更好性能。

（3）RT-Trajectory：提高機器人動作泛化能力

RT-Trajectory則在提高機器人泛化能力上有重要進展。對人類來說，擦桌子等動作簡單直觀，但機器人需要把抽象指令轉化為具體運動。

RT-Trajectory通過解釋機器人的具體動作，來幫助其深入理解如何完成一個任務，而不僅是簡單匹配指令和動作。它會自動為訓練視頻中的機器人運動添加2D輪廓，作為視覺提示，輔助模型學習。

測試結果表明，在未見訓練數據的41項新任務中，RT-Trajectory控制的機械臂任務成功率達到63%，較先進的RT-2模型提高一倍以上。這表明機器人的泛化能力得到顯著提升。

起草首部機器人憲法，機器人也有價值底線

在推出一系列重要系統進展的同時，谷歌DeepMind團隊還起草了世界上第一部面向智能機器人的憲法。

這部機器人憲法的靈感來源于科幻小說家阿西莫夫的“機器人三定律”，主要核心是確保機器人不傷害人類。DeepMind將這一機器人憲法集成到AutoRT系統中，成為保障人類安全的關鍵組成部分。

具體來看，機器人憲法為LLM模型設置了護欄，確保其生成的任務建議不涉及人類、動物、尖銳物品等不安全內容，同時編程限制了機器人關節的力，并添加了人類控制的物理開關。

這無疑是科技發展史上的一個里程碑事件

之前圍繞著AI倫理的討論多集中在算法本身是否存在偏見等問題上，很少涉及AI尤其是具有物理形態的智能機器人應該遵循哪些道德規范。

首部機器人憲法體現了技術應該為人類服務的理念，而非單純追求功能、效率，同時它也為未來機器人大規模應用時如何規避風險，保障人類安全和權益提供了寶貴借鑒。

當然，作為第一步的嘗試，這部機器人憲法還較為簡單和原則，如何使其擁有更嚴密的邏輯體系，覆蓋機器人可能的各種情形和倫理難題，還需要廣泛討論和不斷完善。但第一步已經邁出，其影響力絕不會限于技術層面，也將推動人類思考我們應該如何與智能機器人共處。

人類文明進步史，是一個不斷學習、探索、犯錯、修正的過程，當我們站在技術發展的新階段，應當以積極、審慎的態度繼續探索新可能。人與機器人的未來如何，你怎么看？