计算机：RT-2，从VLM到VLA，机器人软件体系再次进步_13页_1mb

报告分析了Google DeepMind发布的RT-2模型，这是一个视觉-语言-动作(VLA)模型，继承自RT-1，并展示了显著的泛化性能提升，从RT-1的32%提高到62%。RT-2基于视觉语言模型(VLM)如PaLI-X和PaLM-E，直接将机器人动作表示为token输出，省略了指令翻译步骤，采用了思维链推理结合长期规划。模型验证了"ViT + 类GPT + 机械"架构，强调视觉Transformer(ViT)在机器人应用中的统一性。多模态GPT的发展提升了机器人的交互、规划、泛化和感知能力，预测在未来5年内通用和行业机器人将进入日常生活，10年内实现复杂交互。投资建议关注算法和机器人公司如大华股份、海康威视等，以及硬件供应商如三花智控、绿的谐波等，同时提示技术迭代、经济下行和竞争加剧的风险。