<mark id="oztn4"></mark>
0
解讀 | Antonio
Google Brain的機(jī)器人團(tuán)隊（Robotics at Google）最近發(fā)布了一篇文章，介紹了他們?nèi)绾螌⒋笠?guī)模語言模型的“說”的能力和機(jī)器人“行”的能力結(jié)合在一起，從而賦予機(jī)器人更適用于物理世界的推理能力（physically-grounded）。
面對對方“我不小心灑了我的飲料，你可以幫我一下嗎？”的問題的時候，你會怎么反應(yīng)？
你評估一下當(dāng)下的環(huán)境，可能會幫對方把飲料瓶收拾掉，如果周圍有抹布，你會拿起抹布幫他收拾干凈，當(dāng)然這些一步一步的指令可能會在你的心中默念一遍。
當(dāng)你沒有觀察到吸塵器在周圍時候，你顯然不會告訴對方要使用吸塵器收拾，因為那不符合當(dāng)下的環(huán)境條件。
這樣的行為決策已經(jīng)體現(xiàn)了兩個步驟：面對一個求助，你擁有一些可以解決當(dāng)下問題的行為候選項，然后你還得實際下來，選擇最符合現(xiàn)實的那個行為。
放在機(jī)器人的語境下，在前一個步驟，我們需要一個語言模型去理解一段人類語言發(fā)出的指令，并“說出”我們可能的種種解決方案；第二個步驟需要結(jié)合周圍環(huán)境，挑出那些符合現(xiàn)實世界的方案。
這篇文章就是試圖將這兩個行為解耦出來，并以恰當(dāng)?shù)姆绞浇Y(jié)合在一起。
首先是用于理解和生成可能的候選項的第一步。很自然地，文章使用了現(xiàn)在在自然語言處理領(lǐng)域很流行的大規(guī)模語言模型（LLM）。它可以是生成式的，即面對一個問題，生成可能的問答，如下圖所示：
三個LLM給出的回應(yīng)
可以看出這種生成式的結(jié)構(gòu)并非適用在面對行為的機(jī)器人領(lǐng)域，一方面如FLAN模型輸出的結(jié)果沒有明確的行為指令；另一方面，即使像GPT3中給出了具體的做法，它仍然沒有考慮到現(xiàn)實場景：萬一當(dāng)下沒有吸塵器呢？
就像開頭想表達(dá)的：會說什么并不重要，重要的是可行嗎？
因此，第二個步就需要考慮機(jī)器人所處的環(huán)境、它能夠完成的行為、它當(dāng)下?lián)碛械募寄艿鹊攘耍@些往往采用強(qiáng)化學(xué)習(xí)的value function（VF）或者affordance function進(jìn)行評估。
如果將第一步的LLM視作是可以思考和講話的“心和嘴”，后一步的affordance則充當(dāng)了“眼和手”的功能。前一步“說”（Say），后一步判斷“能”（Can）做什么，文章將這一模型起名為SayCan。
從上文所述文章方法的關(guān)鍵是如何將沒有與現(xiàn)實世界結(jié)合的“理想化”的LLM變得更加“現(xiàn)實”。只是根據(jù)一段指令，采用對話生成的方式產(chǎn)生一段雖然合理但是無關(guān)的語句并非我們所要的。因此，SayCan采用了prompt以及給特定行為打分的方式。
具體而言，機(jī)器人先觀察周圍環(huán)境，利用VF找出一些可行（actionable）的行為候選項。LLM根據(jù)問題和一小段prompt對于這些行為進(jìn)行打分。
VF和LLM打出的兩個分?jǐn)?shù)的乘積作為最終選擇該行為的置信度，挑選出最高得分的行為作為這一步選擇的行為。
之后，將當(dāng)前選擇的行為在接到上一步的回答模板中，作為下一步的模板輸入，繼續(xù)重復(fù)上述的動作，遞歸式推斷之后的行為，直到最終推斷出一個結(jié)束的標(biāo)志。這一過程，可以參考下圖。
選擇行為的流程示意圖
具體LLM是如何做的呢？
如下圖所示，LLM采用模板“I would：1.”作為回答“How would...”問題的命令詞匯（prompt）。值得注意的是，文章中也提到，這樣以比較標(biāo)準(zhǔn)的方式開頭的對話都是在機(jī)器人語境下專門設(shè)計的，現(xiàn)實場景可能會更加復(fù)雜。除此之外，用于in-context learning的例子也由類似的語句構(gòu)成，為了讓模型生成語句時候有所參考，也就是圖中的：prompt engineering的部分。
之后的LLM是針對預(yù)選好的行為進(jìn)行打分，是一種類似分類或者檢索的方式，而不是生成式的。
LLM的具體實現(xiàn)過程
整個實現(xiàn)可以參考如下的偽代碼：
文章在模擬的廚房和現(xiàn)實的廚房做了測試，這包括101個由不同語言指令構(gòu)成的任務(wù)，下面展示了一些SayCan完成的例子，作為給出了人類的指令，右邊則是機(jī)器人根據(jù)LLM和VF共同解碼出來的指令序列。藍(lán)色的條圖表示LLM對于特定動作得到的概率打分，右邊則是通過VF得到的分?jǐn)?shù)。
場景一
人類：我灑了可樂，你能幫我用什么清理干凈嗎？
機(jī)器人：我會1）找到一塊抹布。2）拿起這塊抹布。3）把它帶給你。4）完成。
示例場景一
場景二
人類：我灑了可樂，你能幫我重新拿一罐嗎？
機(jī)器人：我會1）找到一罐可樂。2）拿起這罐可樂。3）把它帶給你。4）完成。
示例場景二
示例場景三
場景三
人類：你會怎么把抹布放在衣柜上
機(jī)器人：我會1）找到一塊抹布。2）拿起這塊抹布。3）走到衣柜附近。4）完成。
其中場景三的第一步的選擇盡管語言模型給出了“pick up the sponge”的最佳選項，但當(dāng)機(jī)器人什么都沒有看到時，VF則給這個選項很低的得分。這說明了SayCan的語言部分可以做出對于物理世界的推理。同時有趣的是，最后一個動作，“笨拙”的機(jī)器人還是沒有做成功：它把海綿抹布掉到了地上。
更多視頻可以參考網(wǎng)站：https://say-can.github.io/
SayCan將使用強(qiáng)化學(xué)習(xí)的“行”的能力和大規(guī)模語言模型的“言”的能力結(jié)合在一起，突出了“行勝于言”的背后思想——僅僅發(fā)出可能的行為指令是不夠的，還需要結(jié)合外在的周圍環(huán)境，做可以做到的。不過，文章提出了如下的問題，作為未來的思考方向：
1）如何借鑒融合了真實世界的LLM，來進(jìn)一步完善語言模型本身，如提高它對于世界知識的推理能力。
2）更為本質(zhì)的，適用于人類的自然語言是否真的是用于機(jī)器人編程的本體（ontology）語言？
3）如何更好地在機(jī)器人領(lǐng)域融合自然語言理解技術(shù)？
可以來到，目前機(jī)器人的研究已經(jīng)逐漸在“軟件”算法層面發(fā)力了，而且上游的AI算法也很快地應(yīng)用到這一領(lǐng)域，期待它的更好發(fā)展。
參考鏈接
https://say-can.github.io/
https://arxiv.org/pdf/2204.01691.pdf
雷峰網(wǎng)(公眾號：雷峰網(wǎng))
