UQC7YTEylL5tSqLch7UaEhI0iI2JbvaKpdpRoLxZn6Tl9FNu

与大型语言模型不同，机器人领域没有现成的互联网数据。因此，他们探索了从现有资源中学习的不同策略：在线视频、远程操作、现实世界数据、模拟等。 2015 年，他们首次实现了机器人数据的 1000 倍扩展，随后几年，他们尝试了人类远程操作和低成本机器人远程操作平台。2017 年，他们提出了著名的好奇心驱动学习算法，用于构建能够自主探索和学习的智能体。2021 年和 2022 年，他们再次突破，采用大规模自适应 SIM2REAL（虚拟到现实世界训练）策略，并在机器人学习会议上获得最佳机器人系统奖。 这些成就，奠定了 Skild AI 的目标：一个通用模型，能够在任何环境中完成任何任务，而无需特定训练。有投资方认为，如果 Deepak 和 Abhinav 能实现这一目标，他们将取得类似 GPT-3 的突破，结果可能适用于几乎所有领域。