计算机专题研究：RT-2：谷歌具身智能新突破_11页_1mb

谷歌具身智能RT-2技术突破分析

谷歌于2023年7月推出具身智能模型RT-2，作为RT系列的第二代产品，定位为视觉语言动作（VLA）模型，实现视觉语言模型与机器人动作的结合。

具身智能概述

具身智能是AI下一个浪潮，指能够理解、推理物理世界并与之互动的智能系统。谷歌依托GoogleBrain和DeepMind两大机构，延续性研究具身智能技术路线，包括视觉语言模型PaLM-E、机器人模型RoboCat等。

RT-1与RT-2技术发展

• RT-1：吸收机器人轨迹数据的Transformer架构模型，主体包含EfficientNet卷积神经网络、Token学习器和Transformer，收集13万台机器人13万条数据，覆盖700+任务，具备良好泛化能力。
• RT-2：
  1. 结合VLM的语义推理和机器人动作数据
  2. 将机器人动作拆解为文本token，与视觉语言数据联合微调
  3. 部署于多TPU云服务，支持1-5Hz运行频率
  4. 基于PaLM-E与PaLI-X的实验证明，RT-2具有更强泛化和涌现能力

技术架构与创新点

1. 架构组成：
   • 卷积神经网络（EfficientNet）处理图像
   • Token学习器提取语义特征
   • Transformer预测机器人动作序列（包括臂移动、基部移动、模式切换等）
2. 训练方法创新：
   • 将机器人动作量化为8位整数字符串
   • 视觉语言数据与机器人动作数据混合微调
3. 推理部署：
   • 专用协议通过TPU云服务实现实时推理
   • RT-2-PaLI-X-55B支持高达5Hz运行频率

数据来源与动作映射

1. 数据获取模式：
   • 真实数据（Google耗时17月收集13万条）
   • 真实+合成数据
   • 完全合成数据（如NVIDIA Optimus）
   • 语义推理替代感知（斯坦福VoxPoser）
2. 动作映射方式：
   • 高层级预测（PaLM-E等）需借助底层策略
   • 低层级预测（RT-2等）可直接映射机器动作

泛化与涌现能力

实验表明RT-2优于基线模型：

• 泛化能力：对新物体、新场景表现出色
• 涌现能力：可完成训练数据中未出现的符号推理任务
• 支持思维链（CoT）推理，提升复杂任务处理能力

投资机会

机器人作为大模型重要入口，推荐相关标的：

• 柏楚电子（688188）
• 中科创达（300496）
• 萤石网络

风险提示

1. 宏观经济波动
2. 技术研发不及预期
3. 行业变革节奏变化
4. 投资建议不构成法律效力

免责声明与分析师声明为报告重要组成部分，请务必一同阅读。