①之前机器东说念主往往无法主管我方从未见过的东西，也难以末端“从‘灭尽的动物’到‘塑料恐龙’的逻辑飞跃”；
②手脚一款新式视觉-谈话-动作（VLA）模子，RT-2不错从集合、机器东说念主数据中学习，并将这些学问动荡为机器东说念主截止的通用领导；
③RT-2具备三大智力：象征清醒、推理和东说念主类识别。
一个单臂机器东说念主“站”在桌前，桌上放着三个塑料动物玩物：狮子、鲸鱼与恐龙。收到“捡起灭尽的动物”领导后，这个机器东说念主“想考”了顷刻间，然后甚而机械臂，掀开爪子，握起了恐龙。
这是谷歌最新一款机器东说念主模子Robotic Transformer 2（机器东说念主变形金刚2，RT-2）。
上文这个“握起恐龙”的动作关于东说念主类而言安若泰山，关于机器东说念主而言却号称一个艰苦飞跃——之前机器东说念主往往无法主管我方从未见过的东西，也难以末端从“灭尽的动物”到“塑料恐龙”的逻辑飞跃。
手脚一款新式视觉-谈话-动作（vision-language-action，VLA）模子，RT-2不错从集合、机器东说念主数据中学习，并将这些学问动荡为机器东说念主截止的通用领导。
相较于其他机器东说念主连络，RT-2的中枢上风在于，其不仅能径直继承“东说念主话”领导，听懂“东说念主话”、清醒“东说念主话”，还能作念出相应推理，并转为机器东说念主能清醒的分阶段领导，从而作念搬动作完成任务。
RT-2完成的每一项任务，齐条目其清醒视觉语义想法、并通过截止机器东说念主末端操作这些想法。
举例接到“捡起桌子上快掉下去的袋子”、“将香蕉搬动到2加1的总额处”这种领导时，51优配机器东说念主需要对相应物体/场景推论任务，而这些物体与场景它从未在机器东说念主数据中见过，需要从集合数据中动荡取得相须学问。
总体而言，RT-2具备三大智力：象征清醒（Symbol understanding）、推理（Reasoning）和东说念主类识别（Human recognition）。
（1）象征清醒是指RT-2不错从视觉谈话预磨砺中更始了语义学问，而这些语义学问在机器东说念主数据中并不存在。这类领导示例包括“将苹果移到3号位置”或“将可乐罐推到心形上”。
图|象征清醒领导示例
（2）推理则是将VLM的多样推聪颖力用于任务截止，包括视觉推理（“将苹果移到交流阵势的杯子里”）、数学推理（“将X移到2加1之和的隔邻”）、多谈话清醒（“mueve la manzana al vaso verde”，西班牙语）。
图|推理领导示例
（3）东说念主类识别所以东说念主类为中心的清醒和识别智力，RT-2不错完成“将可乐罐移到戴眼镜的东说念主身边”这类任务。
图|东说念主类识别领导示例
此外，连络东说念主员还将机器东说念主截止与想维链推理贯串合。领先用当然谈话描画机器东说念主行将选拔的动作的蓄意，然后是“动作”和动作象征。
举例鄙人图中，RT-2继承到的条目是“我想钉个钉子，场景里什么东西可能能用上？”，RT-2动荡得出了“石头。动作：1 129 138 122 132 132 106 127”的领导，并提起了石头。
RT-2还能更好地适用于不同的、机器此前没见过的场景。比起在大型数据集上预磨砺的RT-1、Visual Cortex（VC-1）等模子，RT-2泛化智力大幅提高，较前者提高了3倍过剩。
加利福尼亚大学伯克利分校的机器东说念主学评释Ken Goldberg示意，机器东说念主的聪颖性仍够不上东说念主类水平，在一些基本任务上也会失败，但谷歌附近东说念主工智能谈话模子，赋予机器东说念主推理温文风转舵的生手段，是一个很有但愿的肆虐。