DeepMind联手超过30个学术实验室，发展跨型态机器人学习资源，收集多种不同型态的机器人资料，创建了一个称为Open X-Embodiment资料集，并且以此资料集训练了机器人Transformer模型RT-X，该模型可以在多种机器人型态间传递技能，核心目标是要让单一模型可以控制不同类型的机器人。

过去，当机器人、任务或是环境稍有变化，研究人员就需要重新训练机器人模型，而为了解决更改单一变数，就要从头开始训练模型的麻烦，DeepMind想要发展通用机器人技术，而训练通用机器人模型，建立多样化机器人演示资料集是关键步骤，如此才能使模型可以控制不同类型的机器人，遵循不同的指令，对复杂的任务进行基本推理，并且有效地泛化技能。

不过，这对单一实验室来说是非常耗费资源的工作，於是DeepMind肩负起建立Open X-Embodiment资料集的任务，和33个学术实验室合作，从22个型态的机器人收集资料，资料集范围涵盖500种技能和15万项任务，总计超过100万个场景。这是目前同类型中，最完善的机器人资料集。

而RT-X则是以DeepMind的RT-1和RT-2机器人Transformer模型，所训练的通用机器人模型，RT-1是DeepMind大规模用於真实世界的机器人控制模型，进一步训练成为RT-1-X，而RT-2则是视觉、语言与动作（VLA）模型，可以从网路和机器人资料中学习，DeepMind使用该模型训练出RT-2-X。

透过引入更多样化和跨型态的训练资料集，RT-1-X和RT-2-X达到更佳的性能，相较於只在特定领域训练的模型，RT-X展示更高的泛化和新增技能的能力。当研究人员将RT-1-X与专为特定任务开发的模型进行比较时，他们发现利用Open X-Embodiment资料集训练的RT-1-X，在性能上平均超越原始模型50％。

此外，研究人员也深入探讨机器人之间的知识转移。他们进行一系列的实验，其中涉及的技能和物体在RT-2资料集中不存在，但是在其他机器人资料集中出现，而实验结果发现，RT-2-X模型在新技能方面的表现是RT-2模型的3倍。这代表结合多平台的资料进行训练，RT-2-X成功学习到原始资料集中所没有的技能（下图）。

这篇研究的重要性在於，透过使用更多样化的资料和先进模型，研究人员可以开发出更有用的辅助机器人，同时，还证明了跨型态机器人通用模型的可行性，能够大幅提升DeepMind和各种机器人的运作表现。DeepMind目前已向社群公开Open X-Embodiment资料集和RT-1-X模型，以促进机器人技术的研究。