ARTICLE · 人工智能
Physical Intelligence 联创 Chelsea Finn：物理 AI 已经走到自己的 GPT 时刻
一语总结Physical Intelligence 联合创始人 Chelsea Finn 在 YC Startup School 演讲中指出，可靠性、记忆和通用模型是让机器人真正发挥作用的三大要素，并认为物理 AI 已进入类似 GPT 的时代，具备在现实世界中自主运行的能力。
Chelsea Finn 介绍了 Physical Intelligence 的最新进展，包括如何通过自动化迭代和通用价值函数提升机器人可靠性，以及如何利用多时间尺度记忆实现长时程自主。她强调，物理 AI 必须在物理世界中做出直接决策，因此对可靠性的要求远高于其他 AI 应用。此外，她还展示了如何开发一个开箱即用的通用模型，该模型在多种任务上的性能超过了专门微调的专家模型，并表现出显著的组合泛化能力。
- 物理 AI 的容错空间与此前所有 AI 都不同
物理 AI 必须在物理世界中做出直接影响的决策，因此需要极高的可靠性，远高于可以接受建议的机器学习应用。这要求系统在自主运行时犯更少的错，而 Waymo 的成功案例证明了这一点是可能的。
- 把迭代权交给系统
为了达到高可靠性，不能仅靠人手工调参，而是要让 AI 系统自己主动寻找并纠正错误。通过在多样化数据上训练通用价值函数，并让机器人从失败中快速学习，可以显著提高迭代效率，从而实现 99% 以上的可靠性。
- 没有记忆，就做不了长任务
目前大多数机器人基础模型缺乏记忆或上下文，这限制了它们执行长任务的能力。通过引入多时间尺度的记忆机制（包括短期视频记忆和长期文本摘要），机器人可以追踪任务进度，实现 10 到 15 分钟的连续自主工作。
- 把所有能力收进一个通用模型
为了实现开箱即用和组合泛化，需要训练一个单一的通用模型，而不是为每个任务微调专家模型。通过使用多样化的数据和详细的条件控制，π0.7 模型成功地在多种任务上实现了与微调模型相当甚至更好的性能，并表现出对新环境和新设备的适应能力。
Physical Intelligence 联创 Chelsea Finn：物理 AI 已经走到自己的 GPT 时刻
Chelsea Finn 介绍了 Physical Intelligence 的最新进展，包括如何通过自动化迭代和通用价值函数提升机器人可靠性，以及如何利用多时间尺度记忆实现长时程自主。她强调，物理 AI 必须在物理世界中做出直接决策，因此对可靠性的要求远高于其他 AI 应用。此外，她还展示了如何开发一个开箱即用的通用模型，该模型在多种任务上的性能超过了专门微调的专家模型，并表现出显著的组合泛化能力。
文章金句
"{"quote":"物理 AI 已经站在通用 AI 时间线的右侧，走到了属于自己的 GPT 时刻。"，"attribution":"Chelsea Finn"}
"{"quote":"真正在物理世界里运转的物理 AI，必须做出直接影响物理世界的决策。这意味着其效用在完全自主运行时才大幅提升；也因此，相较于迄今为止已部署的所有机器学习系统，物理 AI 必须犯更少的错。"，"attribution":"Chelsea Finn"}
"{"quote":"我们发现，『把模型预测动作所需的全部上下文，都通过 prompt 喂给它』，才是处理这类异质数据的关键突破口。"，"attribution":"Chelsea Finn"}