何恺明新作出炉！异构预训练Transformer颠覆本体视觉学习范式，AI性能暴涨超20%

AIGC动态欢迎阅读

原标题：何恺明新作出炉！异构预训练Transformer颠覆本体视觉学习范式，AI性能暴涨超20%
关键字：数据,机器人,模型,本体,任务
文章来源：新智元
内容字数：0字

内容摘要：

新智元报道编辑：桃子乔杨
【新智元导读】通用机器人模型，如何解决异构性难题？来自MIT、Meta FAIR团队全新提出异构预训练Transformer（HPT），不用从头训练，即可。通用机器人模型，目前最大的障碍便是「异构性」。
也就是说，必须收集全方位——每个机器人、任务和环境的特定数据，而且学习后的策略还不能泛化到这些特定设置之外。
由此，AI大神何恺明带队的MIT、Meta FAIR团队，提出了异构预训练Transformer（HPT）模型。
即预训练一个大型、可共享的神经网络主干，就能学习与任务和机器人形态无关的共享表示。
简单讲，就是在你的策略模型中间放置一个可扩展的Transformer，不用从头开始训练！
论文地址：https://arxiv.org/pdf/2409.20537
研究人员将不同本体视觉输入对齐到统一的token序列，再处理这些token以控制不同任务的机器人。
最后发现，HPT优于多个基准模型，并在模拟器基准和真实世界环境中，将未见任务微调策略性能，提升20%。
值得一提的是，这项研究被NeurIPS 2024接收为Spotlight。
在真实环

原文链接：何恺明新作出炉！异构预训练Transformer颠覆本体视觉学习范式，AI性能暴涨超20%