强化学习专家Sergey Levine：机器人基础模型训练必须依赖真实世界数据

随着大模型规模扩大，训练所需数据量激增，尤其在机器人领域（如视觉-语言-行动模型）需大量真实交互数据，成本高昂。研究者尝试使用仿真、人类视频、手持设备等替代数据降低成本，但加州大学伯克利分校副教授 Sergey Levine 指出，这些方法本质上是折中方案，难以兼顾成本与效果。替代数据依赖人为设定，限制模型策略空间，且随模型能力增强，其与真实数据差异更明显，泛化能力受损。作者强调，真实世界数据仍是构建具备广泛泛化能力机器人模型的关键，替代数据应作为补充而非替代。他将此类折中方案比喻为“叉勺”，指出其在通用场景中效果有限，并警示将人为直觉硬编码进系统终将成为性能瓶颈。
来源：https://mp.weixin.qq.com/s/CUlPh9luiytC2DyEbiFehw