Octo

是什么

Octo 是一个开源的通用机器人策略（generalist robot policy）。所谓策略，指机器人系统里根据感知到的信息决定下一步做什么动作的那部分程序；所谓通用，指同一套策略要覆盖多种任务、多种机器人和多种场景，而不是为某一台机器、某一件具体的事单独写一套控制程序。作者用 80 万条机器人轨迹训练了它^[1]。

怎么做的

作者把 Octo 描述为一个大型的、基于 Transformer 的扩散策略（diffusion policy），支持灵活的任务指定（task specification）以及灵活的观测空间与动作空间^[1]。这句话里包含三个要点。Transformer 是一种以注意力机制为核心的神经网络结构，它让模型可以相互权衡输入中不同部分的分量，而不是严格按顺序处理。扩散策略的思路则是从噪声出发、一步步去噪，逐步得到一个可执行的动作，而不是一次性把动作算出来。灵活的任务指定，意味着模型没有把「告诉机器人要做什么」的方式写死；灵活的观测空间与动作空间，意味着它能接受不同维度的输入、输出不同维度的动作——这一点很重要，因为不同机器人的传感器数量和关节数量并不一样，模型不该为此改动结构。Physical Intelligence 把 Octo 描述为一个 9300 万参数、使用扩散输出的模型^[2]；参数量是衡量模型规模的粗略指标，按这个指标看，Octo 属于偏小的模型。

开箱即用与微调

作者说 Octo 可以直接控制多种机器人（out of the box），并支持高效地微调（fine-tuning）到新的机器人配置^[1]。微调指在已经训练好的权重基础上，用较少的新数据继续训练，以适配某个具体场景，而不必从头训练。作者公开了预训练检查点（checkpoint，即保存下来的模型权重），以及完整的训练与微调流程^[1]。因此，采用它的人既可以从一个现成的策略出发做适配，也能重走一遍它是怎么被造出来的过程。

结果与局限

这项工作在 Robotics: Science and Systems 2024 上发表^[1]。另一份评测出现在 Physical Intelligence 对自己模型 π0 的介绍里，Octo 在那里被用作对比对象：在该团队较难的操作任务上，包括较难的收拾餐桌、叠衬衫和从烤面包机里取吐司，Octo 的得分为零；在最简单的收拾餐桌任务上，Octo 得分 0.043，而 π0 为 0.971^[2]。分数接近零意味着任务基本没有完成。这些数字来自另一个团队自己设定的任务，涉及较精细的操作，并不是 Octo 作者自己对它的评测。

在发展中的位置

Octo 的主要贡献，是把一个通用策略和一次开放的发布放在一起：预训练检查点以及完整的训练、微调流程都被公开了^[1]，别人可以从已有的权重出发，而不必自己去训练一个通用机器人策略。它的设计取向——以 Transformer 为主干、用扩散方式输出动作、兼容不同维度的观测与动作空间——属于「用一个模型作为许多机器人和许多任务的起点」这一路工作。在后来的通用机器人策略介绍中，它作为对比基线出现，用来衡量更新的模型^[2]。