谷歌起草首部机器人宪法，保障人类安全

谷歌起草首部机器人宪法，保障人类安全

安全问题，一直是机器人的核心与焦点命题。

近日，谷歌DeepMind团队发布了三项重要进展：自动化机器人训练系统AutoRT、机器人速度优化系统SARA-RT和机器人泛化系统RT-Trajectory，这三项新系统分别从数据采集、决策速度和泛化能力等方面，帮助提升现实世界中机器人的智能水平。

（1）AutoRT：自动化机器人数据收集系统

AutoRT是一个机器人的数据自动采集系统。它整合了大规模的基础模型，如大型语言模型（LLM)、视觉语言模型(VLM)和机器人控制模型(RT-1、RT-2)，通过这一系统，机器人可以部署到全新环境中，并采集各类训练数据。

它可以同时控制多台装备摄像头和机械臂的机器人，使其在不同环境中完成各种任务，收集数据。

研究人员花费7个月时间，利用AutoRT系统控制机器人在办公室内完成任务，已经收集了涵盖77000次试验和6650个独特任务的多样化数据，同时控制最多可达52台机器人。

AutoRT的优势在于，借助大规模基础模型的力量，可以显著提升机器人对人类语言指令的理解能力，并通过收集更丰富的数据，来训练机器人适应实际复杂环境。

（2）SARA-RT：加速机器人决策速度

SARA-RT优化了著名的Transformer模型在机器人领域的应用，使得机器人可以做出更快速的决策。

之前基于Transformer的机器人控制模型RT-2，其决策速度受到计算需求的制约，SARA-RT通过一种新的微调方法，将Transformer的二次复杂度降低到线性复杂度，大幅减少了计算量，使机器人的决策速度提高14%，同时准确率还提高10%。

这种可扩展的注意力机制，为将Transformer应用到更大规模的机器人中提供了可能。结合数十亿参数量的大型机器人模型，SARA-RT可以实现更快决策和更好性能。

（3）RT-Trajectory：提高机器人动作泛化能力

RT-Trajectory则在提高机器人泛化能力上有重要进展。对人类来说，擦桌子等动作简单直观，但机器人需要把抽象指令转化为具体运动。

RT-Trajectory通过解释机器人的具体动作，来帮助其深入理解如何完成一个任务，而不仅是简单匹配指令和动作。它会自动为训练视频中的机器人运动添加2D轮廓，作为视觉提示，辅助模型学习。

测试结果表明，在未见训练数据的41项新任务中，RT-Trajectory控制的机械臂任务成功率达到63%，较先进的RT-2模型提高一倍以上。这表明机器人的泛化能力得到显著提升。

起草首部机器人宪法，机器人也有价值底线

在推出一系列重要系统进展的同时，谷歌DeepMind团队还起草了世界上第一部面向智能机器人的宪法。

这部机器人宪法的灵感来源于科幻小说家阿西莫夫的“机器人三定律”，主要核心是确保机器人不伤害人类。DeepMind将这一机器人宪法集成到AutoRT系统中，成为保障人类安全的关键组成部分。

具体来看，机器人宪法为LLM模型设置了护栏，确保其生成的任务建议不涉及人类、动物、尖锐物品等不安全内容，同时编程限制了机器人关节的力，并添加了人类控制的物理开关。

这无疑是科技发展史上的一个里程碑事件

之前围绕着AI伦理的讨论多集中在算法本身是否存在偏见等问题上，很少涉及AI尤其是具有物理形态的智能机器人应该遵循哪些道德规范。

首部机器人宪法体现了技术应该为人类服务的理念，而非单纯追求功能、效率，同时它也为未来机器人大规模应用时如何规避风险，保障人类安全和权益提供了宝贵借鉴。

当然，作为第一步的尝试，这部机器人宪法还较为简单和原则，如何使其拥有更严密的逻辑体系，覆盖机器人可能的各种情形和伦理难题，还需要广泛讨论和不断完善。但第一步已经迈出，其影响力绝不会限于技术层面，也将推动人类思考我们应该如何与智能机器人共处。

人类文明进步史，是一个不断学习、探索、犯错、修正的过程，当我们站在技术发展的新阶段，应当以积极、审慎的态度继续探索新可能。人与机器人的未来如何，你怎么看？