1X 机器人 AI 副总裁 Eric Jang 最新长推，表达了他对现在流行的机器人学习方法（例如强化学习、端到端模仿、sim2real）的不满，以及对大模型在机器人领域应用的看好。

先说前情：

机器人专家 Chris Paxton 在评论一条关于提示工程现在比传统机器学习方法更有效时说，
「我觉得我看到了三个重大变化：
- 当我进入机器学习领域时，我们正在训练像隐马尔可夫模型和支持向量机这样的东西
- 然后深度学习出现了，我们正在训练模型
- 然后我们使用 Resnet 主干网络并训练更少的模型，但感知是有效的
- 现在，你只需使用 pip 安装 transformers，不用训练任何东西，它的效果仍然比以前好」

Eric Jang 转发了该帖子表示，

「我仍在消化最后一个，也就是“机器人只是一个 chatgpt 套壳”的方法。你只需让机器人做事情，就能获得很多开箱即用的通用化，而无需自己训练模型。」

「这打破了 2010 年代强化学习/模仿学习研究者的直觉，因为我们一直需要收集数据、训练模型，并创建某种数据引擎才能使任何东西正常运作。工作流程通常是：1. 收集数据，2. 从头开始训练，3. 测试是否有效。」

「4.如果有效，那么可以观察外部权重是否有助于提高样本效率。123 还限制了可以在哪些应用中部署机器人，因为这是一个先有鸡还是先有蛋的问题（需要好的策略来部署，需要部署来获取数据以训练策略）。」

「今天，一个不懂贝叶斯定理或雅可比矩阵的学生可以直接使用 API 和 HuggingFace 模型，制作一个相当引人注目的通用机器人演示，甚至不需要设置日志基础设施。如果你从来不需要训练，就不需要记录或编写数据加载器。」

「我都快说吐了，但三年后我们可能会看到：
制造通用机器人，
被高估的技能：RL、端到端模仿、数据加载、sim2real
被低估：蒸馏、轻度微调、提示工程
中性：日志记录、注释」

链接：http://t.cn/A6RAXG2i