AutoRT 等三项技术发布：为机器人带来更强数据采集与运动泛化

教一个机器人擦桌子，远比教它在网上写代码难得多。网上的代码有海量文本可以硬啃，但现实世界的物理交互数据不仅极其昂贵，而且机器人反应慢、容易撞坏东西，更别说换个新场景就抓瞎。

Google DeepMind 拿出了一套组合拳，一口气发布了三项新技术：AutoRT、SARA-RT 和 RT-Trajectory。它们分别针对机器人领域最头疼的三个老问题：怎么低成本采集真实数据、怎么让模型跑得更快，以及怎么让机械臂学会举一反三。

让大模型当监工，给机器人写「宪法」

要让机器人真正进办公室或家庭干活，最缺的就是多样化的物理操作数据。DeepMind 搞的 AutoRT，本质上是把大语言模型和视觉语言模型当成了机器人的包工头。

具体运作时，机器人用摄像头看一眼周围环境，视觉模型先识别出视线里有什么东西。接着大语言模型开始出点子，比如建议机器人把零食放到操作台上，并决定先执行哪一个。

在长达 7 个月的办公室真实测试里，AutoRT 最多同时指挥 20 台机器人，累计调度了 52 台不同设备，完成了 7.7 万次操作测试，涵盖 6650 种不同任务。

让大模型指挥实体机械臂，万一把人打了或者把玻璃砸了怎么办。DeepMind 给它加了一套机器人宪法，灵感来自阿西莫夫的机器人三定律，首先禁止机器人伤害人类，并明确不准执行涉及人类、宠物、锋利物品和电器的任务。

光靠大模型自我反省显然不够安全。系统还保留了传统物理防护，一旦机械臂关节受力超过阈值就会自动停机，现场也必须有人手持实体开关盯梢。

砍掉计算死重，再给动作画条参考线

解决了数据采集，还得解决机器人的反应速度。现在先进的具身智能大多用 Transformer 架构，但注意力的二次方复杂度意味着传感器分辨率一翻倍，计算量就会暴涨四倍。

DeepMind 推出的 SARA-RT 采用了一种叫 up-training 的微调方法，把原本的二次方复杂度直接降到了线性复杂度。把这项技术用在几十亿参数的 RT-2 模型上，模型不仅没有变笨，准确率反而提高了 10.6%，推理速度加快了 14%。把它用在处理深度相机点云数据的模型上，速度更是翻了一倍多。

第三项技术 RT-Trajectory 则是教机械臂理解动作。以前训练机器人是把擦桌子这种抽象语言直接映射成左移、右移的关节信号，换个新桌子它就不会了。

RT-Trajectory 会在训练视频里给机械臂末端叠加一条 2D 轨迹草图。机器人在学动作时，能直接看懂运动路线，甚至人类随手画个草图或者做个示范，它也能照着模仿。在 41 个完全没见过的全新测试任务中，这项技术把成功率从 RT-2 的 29% 直接拉高到了 63%。

为什么重要

我们认为，DeepMind 这次最大的看点，在于具身智能的研发逻辑正在发生质的变化。

过去训练机器人，要么靠人工遥操作慢慢攒数据，要么在物理仿真软件里虚拟训练，然后再想办法跨越虚拟到现实的鸿沟。AutoRT 证明了让大模型自主设计任务并在真实世界里批量刷经验是可行的，这把物理数据的收集成本打下来了一大截。

对开发者和机器人企业来说，SARA-RT 也是个非常实在的工具。它不需要重新进行昂贵的预训练，还能兼容开源的线性注意力方案，这意味着端侧算力有限的机器人也能跑更庞大的模型。

不过隐患同样写在明处。大模型的决策依然存在幻觉，DeepMind 依然不得不依赖人类现场拿着物理断电开关盯防。只要这种物理安全绳一天拔不掉，全自主的无人化部署就只能停留在受限的测试场里。