机器人学中的神经缩放定律

神经缩放定律推动了机器学习领域的重大进展，尤其是在语言建模和计算机视觉等领域。然而，尽管基础模型在机器人学中的应用日益广泛，但该领域内神经缩放定律的探索仍相对不足。本文是首次系统量化机器人基础模型（RFMs）和大语言模型（LLMs）在机器人任务中神经缩放定律的综合性研究。通过对327篇研究论文的元分析，我们探究了数据规模、模型规模和计算资源如何影响一系列多样化机器人任务的下游性能。与先前缩放定律研究一致，我们的结果表明，机器人模型的性能随资源增加而提升，遵循幂律关系。令人鼓舞的是，机器人任务性能的提升速度显著快于语言任务。这表明，尽管当前下游机器人任务的性能通常处于中等至较差水平，但增加数据和计算量很可能在未来显著提升性能。同样与先前缩放定律研究一致，我们还观察到随着模型规模扩大，新的机器人能力开始涌现。