一位优秀的相声演员需要吹拉弹唱样样在行，类似地，一个优秀的机器人模型也应能适应多样化的机器人形态和不同的任务，但目前大多数机器人模型都只能控制一种形态的机器人执行一类任务。现在 Octo（八爪鱼）来了！

在机器人学习方面，一种常用方法是收集针对特定机器人和任务的数据集，然后用其来训练策略。但是，如果使用这种方法来从头开始学习，每一个任务都需要收集足够数据，并且所得策略的泛化能力通常也不佳。

原理上讲，从其它机器人和任务收集的经验能提供可能的解决方案，能让模型看到多种多样的机器人控制问题，而这些问题也许能提升机器人在下游任务上的泛化能力和性能。但是，即便现在已经出现了能处理多种自然语言和计算机视觉任务的通用模型，构建「通用机器人模型」依然困难重重。

要为机器人训练一个统一的控制策略非常困难，其中涉及诸多难点，包括操作不同的机器人机体、传感器配置、动作空间、任务规范、环境和计算预算。

为了实现这一目标，已经出现了一些「机器人基础模型」相关研究成果；它们的做法是直接将机器人观察映射成动作，然后通过零样本或少样本方式泛化至新领域或新机器人。这些模型通常被称为「通才机器人策略（generalist robot policy）」，简称 GRP，这强调了机器人跨多种任务、环境和机器人系统执行低阶视觉运动控制的能力。

举些例子：GNM（