分布式具身主义

来自 AI 研究立场图谱百科

分布式具身主义:一个学习系统应该同时栖居于许多身体之中,把整个机器人队伍的经验汇入一个共享的心智。

主张

分布式具身主义认为,机器人学习的正确单位是机队,而不是单台机器人。一台机器积累经验很慢,但运行同一策略的许多机械臂、车辆或无人机可以并行采集,喂给一个共享模型,于是一个身体学到的东西,所有身体都会。心智在权重上是集中的,在经验上是分布的:它有数不清的手,每只手都是数据源。

它位于 World 一端的最边缘,因为学习来自物理交互;同时深入 Harness 半区,因为让它运转的是一整套基础设施:机队日志、数据管线、跨本体动作空间和持续更新。它的超级革命色号说明,这和“一台机器人、一个控制器、一个实验室”的经典图景有多么不同。

论据

  • 并行采集抓取尝试的机械臂集群,产出的真实数据远超任何单台机器人,学到的手眼协调还能泛化到新物体上。
  • 汇聚多种机器人本体的示教数据训练出的策略,能正向迁移到贡献数据较少的机器人上。
  • 机队学习把部署本身变成了数据采集,系统用得越多就越强。

批评

  • 不同身体的运动学、传感器和失效模式各不相同,跨本体共享策略的收益常常不如预期。
  • 在整个机队同步更新,有把一条错误经验同时推送给所有机器人的风险。
  • 运营大规模机队昂贵且后勤繁重,这让这条路线集中在少数资金雄厚的机构手里。

代表作

关系

怎样测出它

在完整版或专业版里落到这一格:x ≈ +1.00,y ≈ −0.61,范式 ≈ +0.87。

这是初稿。欢迎通过 pull request 修正或补充更好的论据。 在 GitHub 上编辑这个词条 编辑它的数据