训练机器人，数据从何而来？
How to Train Your Robot
大语言模型的爆发得益于海量文本数据，但机器人领域却面临数据荒。文章深入探讨了机器人训练的三大路径：依赖人工远程操控的teleoperation成本高且难扩展；让机器人在真实世界自主试错的reinforcement learning数据重复度高；而利用simulation进行虚拟训练虽能低成本生成海量数据，却受限于sim-to-real gap。从Google的机械臂农场到OpenAI用13000年模拟经验训练机器人解魔方，再到Nvidia利用合成数据，行业正在寻找构建数据飞轮的关键。
最大的挑战是在模拟环境中创造出足够多样化的场景，以捕捉真实世界的物理特性。
HN 评论区
25- pakl
大语言模型（LLMs）已经证明了一种吸收海量文本训练数据并发挥实用价值的路径。但对于感知处理，你需要一种不同的架构来吸收时空流数据。把视觉能力生硬地拼接到语言模型上，对这项技术的拉伸有点过头了。
好消息是数据非常充裕——它们无处不在（围绕在机器人周围）。现实世界——即机器人通过传感器感知的“环境世界”（umwelt）并通过执行器进行交互的世界——将提供海量的数据。
有趣的是，我的同事提出，具身学习将带来 grounding（落地/具身化）、对齐以及 AI 安全。
（曾在一家机器人 + 机器学习初创公司工作 4 年，担任研发总监。）
- alexpotato
Sebastian Thrun 在 Google 关于赢得 DARPA Grand Challenge [0] 的演讲中，对如何训练“机器人”进行了精彩的讨论。
总结：
- LIDAR 的误报率从未公开
- 撞到坑洼可能导致车上的惯性导航系统（INS）混乱
- 他们当时不确定如何修复上述因素组合导致的错误
- 最终他们只是通过驾驶汽车来生成训练数据
结果非常有效，因为计算机预测前方是否有障碍物，紧接着下一秒，司机要么会绕过真实的障碍物，要么计算机就会意识到那里根本没有障碍物。
如果你还没看过这场演讲，强烈推荐。Thrun 非常幽默，而且这也是一个时间胶囊，带你回到自动驾驶还是一个全新概念的年代。
- alex-moon
这是一篇极佳的长文，成功改变了我的观点，而我认为这个观点在不久的将来将变得至关重要：我总是嘲笑人形机器人，假设它们是为了“舒适”而建造的。我现在意识到，这几乎肯定是解决通用机器人问题最可靠的方法——这不仅是因为楼主（OP）列出的原因，更是因为整个世界本来就是为类人形态的智能体而建造的。