Gato от DeepMind — это настоящий «мастер на все руки» в мире ИИ, способный выполнять сотни разноплановых задач с одними и теми же весами нейросети. Эта мультимодальная модель легко переключается между игрой в Atari, подписями к фото и управлением роборукой, приближая нас к созданию универсального искусственного интеллекта.
Inspired by progress in large-scale language modeling, we apply a similar approach towards building a single generalist agent beyond the realm of text outputs. The agent, which we refer to as Gato, works as a multi-modal, multi-task, multi-embodiment generalist policy. The same network with the same weights can play Atari, caption images, chat, stack blocks with a real robot arm and much more, deciding based on its context whether to output text, joint torques, button presses, or other tokens. In this report we describe the model and the data, and document the current capabilities of Gato.