Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind3. Oktober 2023 · Q003199

Scaling up learning across many different robot types

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt einen robotertypübergreifenden Datensatz mit Daten von 22 Robotern und die darauf trainierten Modelle RT-1-X und RT-2-X vor. Laut den berichteten Tests verbesserten sich Erfolgsraten gegenüber den jeweiligen Vergleichsmodellen; RT-2-X erzielte bei bestimmten neuen Fähigkeiten etwa dreimal so viele Erfolge wie RT-2. Die Autoren veröffentlichen Ressourcen für die Forschung und benennen Grenzen, darunter den Bedarf an leistungsfähigen Modellen und offene Fragen zur Wirkung unterschiedlicher Trainingsdaten.

Mittel

Der Bericht beschreibt Open X-Embodiment, einen gemeinsam mit 33 akademischen Laboren erstellten Datensatz mit Daten von 22 Robotertypen. Er umfasse über eine Million Durchläufe, 150.000 Aufgaben und mehr als 500 Fähigkeiten. Ziel ist, Robotern Wissen über einzelne Systeme und Aufgaben hinweg zugänglich zu machen.

Die Forschenden trainierten RT-1-X und RT-2-X mit diesen vielfältigen Daten. In Tests an fünf Forschungslaboren erzielte RT-1-X laut Bericht durchschnittlich 63 Prozent Erfolg gegenüber 41 Prozent bei den jeweiligen Vergleichsverfahren – ein relativer Vorteil von 50 Prozent. RT-2-X war bei sogenannten neu auftretenden Fähigkeiten etwa dreimal so erfolgreich wie RT-2 und zeigte unter anderem ein besseres Verständnis räumlicher Anweisungen. Der Bericht schränkt ein, dass solche Verbesserungen eine ausreichend leistungsfähige Modellarchitektur voraussetzen.

Datensatz und RT-1-X-Checkpoint werden für die Forschung bereitgestellt. Die Autoren sehen darin eine Möglichkeit, die Robotikforschung zu beschleunigen. Sie betonen zugleich, dass das Feld noch früh ist, und nennen die Wirkung verschiedener Datenmischungen sowie die Entstehung der verbesserten Verallgemeinerung als offene Fragen. Die Leistungsangaben sind Ergebnisse der beschriebenen Versuche und werden im Bericht von den beteiligten Forschenden berichtet.

Ausführlich lesen

Der Bericht stellt Open X-Embodiment und die RT-X-Modelle von Google DeepMind vor. Seine Ausgangsthese lautet, dass Roboter zwar oft auf einzelne Aufgaben spezialisiert sind, sich aber nur schwer auf andere Aufgaben, Umgebungen oder Robotertypen übertragen lassen. Um Wissen aus verschiedenen Robotersystemen zusammenzuführen, habe DeepMind gemeinsam mit 33 akademischen Laboren Daten von 22 Robotertypen gesammelt.

Der daraus entstandene Datensatz Open X-Embodiment umfasst laut Bericht mehr als 500 Fähigkeiten, 150.000 Aufgaben und über eine Million Durchläufe. Die Daten stammen aus mehr als 20 Forschungseinrichtungen. Die Autoren beschreiben ihn als den umfassendsten Datensatz seiner Art. Er soll das Training allgemeinerer Robotermodelle ermöglichen; die Abbildungen zeigen unter anderem, dass bestimmte Roboter und Fähigkeiten stärker vertreten sind als andere.

Für die Auswertung trainierten die Forschenden RT-1-X auf Grundlage des Robotikmodells RT-1 und RT-2-X auf Grundlage des Vision-Language-Action-Modells RT-2. Der Bericht zufolge profitierten beide Modelle von den vielfältigeren, robotertypübergreifenden Trainingsdaten. In Tests an fünf Forschungslaboren erreichte RT-1-X im Mittel eine Erfolgsrate von 63 Prozent gegenüber 41 Prozent bei den jeweils eigens für die Aufgaben entwickelten Vergleichsverfahren. Die Autoren beziffern den durchschnittlichen relativen Leistungszuwachs auf 50 Prozent. Die Ergebnisse beziehen sich auf diese Tests und Vergleichsverfahren.

Bei Aufgaben, deren Gegenstände oder Fähigkeiten in den ursprünglichen RT-2-Daten nicht vorkamen, aber in Daten eines anderen Roboters enthalten waren, habe RT-2-X etwa dreimal so häufig Erfolg gehabt wie RT-2. Als Beispiel nennt der Bericht räumliche Anweisungen: Das Modell könne seine Bewegung danach unterscheiden, ob ein Apfel „neben“ oder „auf“ einem Tuch abgelegt werden soll. Der behauptete Zugewinn an Aufgabenbreite trete laut Bericht nur bei einer ausreichend leistungsfähigen Modellarchitektur auf.

Die Autoren veröffentlichen den Datensatz und einen RT-1-X-Modellcheckpoint für die Forschung. Sie führen die Zusammenarbeit und den offenen Austausch als Mittel an, Forschung zu beschleunigen und Zugangshürden zu senken. Zugleich beschreiben sie die Robotik als noch frühes Forschungsfeld und sprechen von sicheren, aber begrenzten Modellen. Der Bericht benennt offene Fragen: wie unterschiedliche Mischungen von Trainingsdaten die Übertragung beeinflussen und wie sich die verbesserten Fähigkeiten genau erklären lassen. Eine Verbindung mit selbstverbesserndem Lernen wird als mögliche künftige Richtung skizziert. Die Aussagen und Leistungswerte stammen aus dem Bericht der beteiligten Forschenden; unabhängige Bestätigungen oder umfassende Aussagen über den Einsatz außerhalb der beschriebenen Versuche enthält der Text nicht.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Beide Zusammenfassungen (kurz und mittel) wurden geprüft; das Urteil gilt für beide. Die Zahlen 63 Prozent, 41 Prozent, 50 Prozent, dreifache Wirksamkeit und über eine Million Episoden stimmen mit dem Bericht überein.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Bericht stellt fest, dass RT-2 mit Daten mehrerer Verkörperungen trainiert bei realen Roboterfähigkeiten etwa dreimal so erfolgreich war
  • Ausgangsproblem: Roboter sind Spezialisten, und für jede Aufgabe, jeden Roboter und jede Umgebung muss bisher neu trainiert werden

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 27 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
    • clef 100 %kein Bezug
    • Luna 39 %einzelne zitierbare Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

  2. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 35 %gleiches Oberthema, hilft nicht
    • JEV 22 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 52 %einzelne zitierbare Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 53 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 61 %einzelne zitierbare Belege
    • JEV 29 %nur am Rande erwähnt
    • amos 34 %nur am Rande erwähnt
    • SubQ 42 %gleiches Oberthema, hilft nicht
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 44 %gleiches Oberthema, hilft nicht

    • SF-T3-T01 Welches messbare Zeichen, also welche beobachtbare Änderung in der Fähigkeit eines Modells, die Abläufe zu verbessern, mit denen seine eigenen Fähigkeiten entwickelt werden, würden Labore und Staaten gemeinsam als Beginn der Selbstverbesserung anerkennen, und wer darf im Labor danach suchen? Welche beobachtbare Änderung markiert den Schritt von beaufsichtigter automatisierter Forschung zu voll selbstständiger Selbstverbesserung, und welche öffentliche Stelle darf diesen Schritt nach Prüfung der Belege für menschliche Kontrolle erlauben oder ablehnen? Luna: Stufe 3 · 33 % · Hintergrund, keine Belege
    • SF-T3-T08 Welche kontrollierten Versuche können Labore heute machen, um Selbstverbesserung nachzubilden, ohne eine unbeabsichtigte Beschleunigung zu riskieren? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 46 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-V3-T04 Wer muss Rechenschaft ablegen, wenn ein Modell Werte auf Lagen überträgt, die beim Training niemand vorhergesehen hat: das Modell, das Labor oder der Mensch, der das Ziel gesetzt hat? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 29 %Hintergrund, keine Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 51 %Hintergrund, keine Belege
    • JEV 30 %nur am Rande erwähnt
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht

Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 77 %einzelne zitierbare Belege
    • JEV 61 %einzelne zitierbare Belege
    • amos 27 %einzelne zitierbare Belege
    • SubQ 34 %gleiches Oberthema, hilft nicht
    • drex 24 %einzelne zitierbare Belege
    • d3-ultra 30 %nur am Rande erwähnt
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-H2-T01 Was unterscheidet das Veröffentlichen von Modellgewichten (den gelernten Parametern) oder von Agentenwerkzeugen mit offenem Quellcode vom Freisetzen einer Waffe: die Absicht des Akteurs, die Selbstständigkeit des Modells, seine Verwendung oder der Schaden, den es von sich aus anrichten kann? Und können Staaten diese Grenze gemeinsam festschreiben, bevor ein offenes Modell im Mittelpunkt eines schweren Vorfalls steht? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • SF-H2-T04 Wie sollen Staaten mit Open-Source-Modellen aus einem Land umgehen, die in einem anderen schädlich genutzt werden könnten, ohne legitime Forschungszusammenarbeit zu verhindern? Luna: Stufe 3 · 44 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 69 %umfangreiche Belege
    • JEV 43 %beantwortet teilweise oder widerspricht
    • amos 32 %einzelne zitierbare Belege
    • SubQ 33 %gleiches Oberthema, hilft nicht
    • drex 29 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 52 %Hintergrund, keine Belege
    • JEV 29 %einzelne zitierbare Belege
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-O2-T05 Welche öffentlichen Zusagen eines Spitzenlabors macht die juristische Person, die bei einem Bruch verklagt würde, und welche nur das Forschungsteam, und veröffentlichen die Labore das für jede Zusage? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege
Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 31 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 29 %nur am Rande erwähnt
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-E1-T04 Wie bekommen Staaten, in denen kein Spitzenlabor sitzt, einen echten Platz beim Setzen internationaler technischer KI-Normen, damit KI in der Praxis ein gemeinsames Gut bleibt und nicht nur wenige Regierungen und Firmen die Regeln schreiben? Luna: Stufe 3 · 38 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 76 %einzelne zitierbare Belege
    • JEV 50 %einzelne zitierbare Belege
    • amos 24 %einzelne zitierbare Belege
    • SubQ 40 %gleiches Oberthema, hilft nicht
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra 37 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →