一种数据处理方法及相关设备与流程

1.本技术涉及人工智能领域，尤其涉及一种数据处理方法及相关设备。


背景技术：

2.人工智能(artificial intelligence，ai)是通过数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索，ai基础理论等。
3.基于自然语言处理模型的对象操控技术(例如机器人的姿态控制或者车辆的自动驾驶等)可以广泛应用于机器人的姿态控制或者车辆的自动驾驶等场景等中，以机器人为例，机器人的任务技能学习是一项具备挑战性的工作。现有自然语言操控领域下的机器人技能学习往往需要采集大量的自然语言数据，并且需要引入大量的人类在环的反馈信息，具备效率低、成本高、学习慢的问题。因此期望基于基础模型强大的推理能力快速学习机器人的复杂决策技能。
4.现有技术中，利用预训练的自然语言基础模型，通过prompt的方式人工定义任务，基础模型在输入任务约束等prompt信息之后，会输出对应的决策行为(或者可以称之为控制信息，例如为指令、脚本等)，当模型的输出行为不正确时，人类通过自然语言反馈的手段来让基础模型纠正决策输出，反复迭代至决策输出完全正确。
5.然而随着要实现的任务的复杂性越来越好，现有技术中模型的技能学习成本高、学习周期长且难以学习复杂技能。


技术实现要素：

6.本技术提供了一种数据处理方法，可以提高模型的学习效率，且从简单的子技能开始学习，逐步演化学习从简单到复杂的任务技能，可以使得模型学习到较复杂的技能。
7.第一方面，本技术提供了一种数据处理方法，所述方法包括：获取第一提示prompt信息；所述第一prompt包括第一任务的信息和目标物体的信息，所述第一任务为指定所述目标物体执行的任务；根据所述第一任务的信息和所述目标物体的信息，通过预训练模型，得到第一控制信息；所述第一控制信息用于作为所述目标物体在执行所述第一任务时的控制信息；根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果，更新所述预训练模型，得到更新后的预训练模型；获取第二prompt信息；所述第二prompt包括第二任务的信息；所述第二任务的执行复杂度高于所述第一任务；所述第二任务为指定所述目标物体执行的任务；根据所述第二任务的信息和所述目标物体的信息，通过所述更新后的预训练模型，得到第二控制信息；所述第二控制信息用于作为所述目标物
体在执行所述第二任务时的控制信息；根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果，更新所述更新后的预训练模型。
8.通过上述方式，可以提高模型的学习效率，且从简单的子技能开始学习，逐步演化学习从简单到复杂的任务技能，可以使得模型学习到较复杂的技能。
9.在一种可能的实现中，所述第一任务为执行所述第二任务时所需执行的子任务。第一任务相比第二任务来说具备更低的复杂度，也就是说第一任务为初级的任务，第二任务为相比第一任务来说更高级的任务。例如，第一任务可以为抓取的动作，第二任务可以为整理桌面的任务，又例如，第一任务可以为转向的任务，第二任务可以为避障的任务。可选的，高级任务可以通过执行多个初级的任务的组合来实现。
10.在一种可能的实现中，所述第二prompt信息还包括：指示信息，所述指示信息指示所述目标物体通过包括所述第一任务在内的多个已学习的任务的控制信息的组合来执行所述第二任务。
11.也就是说，在定义任务的时候可以通过prompt的方式告知预训练模型在学习过程中，可以不断基于已有的技能自主组合形成新的技能。即，进行更加复杂的技能学习时，都会基于先前学习得到的技能进一步演化出新的、更为复杂的技能。通过上述方式，可以提高模型的学习效率，且从简单的子技能开始学习，逐步演化学习从简单到复杂的任务技能，可以使得模型学习到较复杂的技能。
12.在一种可能的实现中，所述第一prompt信息或所述第二prompt信息还包括：奖励函数的信息；所述奖励函数的信息指示奖励函数的数值范围和/或执行结果和奖励函数的数值之间的关系；所述根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果，更新所述预训练模型，包括：根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果和所述奖励函数的信息，得到第一奖励值，并根据所述第一奖励值，更新所述预训练模型；或者，所述根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果，更新所述更新后的预训练模型，包括：根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果和所述奖励函数的信息，得到第二奖励值，并根据所述第二奖励值，更新所述更新后的预训练模型。
13.在一种可能的实现中，所述第一prompt或所述第二prompt还包括：所述目标物体所在环境的信息；所述根据所述第一任务的信息和所述目标物体的信息，通过预训练模型，得到第一控制信息，包括：根据所述第一任务的信息、所述目标物体的信息和所述环境的信息，通过预训练模型，得到第一控制信息；或者，所述根据所述第二任务的信息和所述目标物体的信息，通过所述更新后的预训练模型，得到第二控制信息，包括：根据所述第一任务的信息、所述目标物体的信息和所述环境的信息，通过所述更新后的预训练模型，得到第二控制信息。
14.在一种可能的实现中，所述根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果，更新所述预训练模型，得到更新后的预训练模型，包括：根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果和所述第一任务的信息之间的第一相似度，确定第一奖励值，并根据所述第一奖励值，更新所述预训练模型，得到更新后的预训练模型；或者，所述根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果，更新所述更新后的预训练模型，包括：根据所述目标物
体基于所述第二控制信息执行所述第二任务得到的第二执行结果和所述第二任务的信息之间的第二相似度，确定第二奖励值，并根据所述第二奖励值，更新所述更新后的预训练模型。
15.在一种可能的实现中，所述第一任务的信息包括所述第一任务相关的文字描述信息和所述第一任务相关的执行结果图像；所述第一相似度为根据所述第一执行结果和所述第一任务相关的文字描述信息之间的相似度、以及所述第一执行结果和所述第一任务相关的执行结果图像之间的相似度确定的；或者，所述第二任务的信息包括所述第二任务相关的文字描述信息和所述第二任务相关的执行结果图像；所述第二相似度为根据所述第二执行结果和所述第二任务相关的文字描述信息之间的相似度、以及所述第二执行结果和所述第二任务相关的执行结果图像之间的相似度确定的。
16.在一种可能的实现中，所述目标物体的信息包括：所述目标对象上操控组件的接口信息、和/或所述目标对象上感知组件的接口信息。
17.在一种可能的实现中，所述预训练模型为chatgpt、gpt4或者chatglm。
18.在一种可能的实现中，所述目标物体为机器人；所述第一任务和所述第二任务为机器人的姿态操控；或者，所述目标物体为车辆；所述第一任务和所述第二任务为车辆的自动驾驶。
19.第二方面，本技术提供了一种数据处理方法，所述装方法包括：
20.获取目标prompt信息；所述目标prompt包括目标任务的信息；
21.根据所述目标任务的信息，通过如第一方面任一方法得到的更新后的预训练模型，得到目标控制信息；所述目标控制信息用于作为目标物体在执行所述目标任务时的控制信息。
22.第三方面，本技术提供了一种数据处理装置，所述装置包括：
23.获取模块，用于获取第一提示prompt信息；所述第一prompt包括第一任务的信息和目标物体的信息，所述第一任务为指定所述目标物体执行的任务；
24.处理模块，用于根据所述第一任务的信息和所述目标物体的信息，通过预训练模型，得到第一控制信息；所述第一控制信息用于作为所述目标物体在执行所述第一任务时的控制信息；
25.根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果，更新所述预训练模型，得到更新后的预训练模型；
26.所述获取模块，还用于获取第二prompt信息；所述第二prompt包括第二任务的信息；所述第二任务的执行复杂度高于所述第一任务；所述第二任务为指定所述目标物体执行的任务；
27.所述处理模块，还用于根据所述第二任务的信息和所述目标物体的信息，通过所述更新后的预训练模型，得到第二控制信息；所述第二控制信息用于作为所述目标物体在执行所述第二任务时的控制信息；
28.根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果，更新所述更新后的预训练模型。
29.在一种可能的实现中，所述第一任务为执行所述第二任务时所需执行的子任务。
30.在一种可能的实现中，所述第二prompt信息还包括：
31.指示信息，所述指示信息指示所述目标物体通过包括所述第一任务在内的多个已学习的任务的控制信息的组合来执行所述第二任务。
32.在一种可能的实现中，所述第一prompt信息或所述第二prompt信息还包括：奖励函数的信息；所述奖励函数的信息指示奖励函数的数值范围和/或执行结果和奖励函数的数值之间的关系；
33.所述处理模块，具体用于根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果和所述奖励函数的信息，得到第一奖励值，并根据所述第一奖励值，更新所述预训练模型；或者，
34.所述处理模块，具体用于：
35.根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果和所述奖励函数的信息，得到第二奖励值，并根据所述第二奖励值，更新所述更新后的预训练模型。
36.在一种可能的实现中，所述第一prompt或所述第二prompt还包括：所述目标物体所在环境的信息；
37.所述处理模块，具体用于：根据所述第一任务的信息、所述目标物体的信息和所述环境的信息，通过预训练模型，得到第一控制信息；或者，
38.所述处理模块，具体用于：根据所述第一任务的信息、所述目标物体的信息和所述环境的信息，通过所述更新后的预训练模型，得到第二控制信息。
39.在一种可能的实现中，所述处理模块，具体用于：根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果和所述第一任务的信息之间的第一相似度，确定第一奖励值，并根据所述第一奖励值，更新所述预训练模型，得到更新后的预训练模型；或者，
40.所述处理模块，具体用于：根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果和所述第二任务的信息之间的第二相似度，确定第二奖励值，并根据所述第二奖励值，更新所述更新后的预训练模型。
41.在一种可能的实现中，所述第一任务的信息包括所述第一任务相关的文字描述信息和所述第一任务相关的执行结果图像；所述第一相似度为根据所述第一执行结果和所述第一任务相关的文字描述信息之间的相似度、以及所述第一执行结果和所述第一任务相关的执行结果图像之间的相似度确定的；或者，
42.所述第二任务的信息包括所述第二任务相关的文字描述信息和所述第二任务相关的执行结果图像；所述第二相似度为根据所述第二执行结果和所述第二任务相关的文字描述信息之间的相似度、以及所述第二执行结果和所述第二任务相关的执行结果图像之间的相似度确定的。
43.在一种可能的实现中，所述目标物体的信息包括：所述目标对象上操控组件的接口信息、和/或所述目标对象上感知组件的接口信息。
44.在一种可能的实现中，所述预训练模型为chatgpt、gpt4或者chatglm。
45.在一种可能的实现中，所述目标物体为机器人；所述第一任务和所述第二任务为机器人的姿态操控；或者，
46.所述目标物体为车辆；所述第一任务和所述第二任务为车辆的自动驾驶。
47.第四方面，本技术提供了一种数据处理装置，所述装置包括：
48.获取模块，用于获取目标prompt信息；所述目标prompt包括目标任务的信息；
49.处理模块，用于根据所述目标任务的信息，通过如第一方面任一方法得到的更新后的预训练模型，得到目标控制信息；所述目标控制信息用于作为目标物体在执行所述目标任务时的控制信息。
50.第五方面，本技术实施例提供了一种数据处理装置，可以包括存储器、处理器以及总线系统，其中，存储器用于存储程序，处理器用于执行存储器中的程序，以执行如上述第一方面及其任一可选的方法。
51.第六方面，本技术实施例提供了一种数据处理装置，可以包括存储器、处理器以及总线系统，其中，存储器用于存储程序，处理器用于执行存储器中的程序，以执行如上述第二方面及其任一可选的方法。
52.第七方面，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面及其任一可选的方法、或者上述第二方面及其任一可选的方法。
53.第八方面，本技术实施例提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面及其任一可选的方法、或者上述第二方面及其任一可选的方法。
54.第九方面，本技术提供了一种芯片系统，该芯片系统包括处理器，用于支持数据处理装置实现上述方面中所涉及的部分或全部功能，例如，发送或处理上述方法中所涉及的数据；或，信息。在一种可能的设计中，芯片系统还包括存储器，存储器，用于保存执行设备或训练设备必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。
附图说明
55.图1为一种应用架构示意；
56.图2为一种应用架构示意；
57.图3a为一种应用架构示意；
58.图3b为一种应用架构示意；
59.图3c为一种应用架构示意；
60.图4为本技术实施例提供的一种数据处理方法的实施例示意；
61.图5为本技术实施例提供的数据处理方法示意；
62.图6为本技术实施例提供的一种数据处理方法的实施例示意；
63.图7为本技术实施例提供的一种数据处理装置的实施例示意；
64.图8为本技术实施例提供的执行设备的一种结构示意图；
65.图9是本技术实施例提供的服务器一种结构示意图；
66.图10为本技术实施例提供的芯片的一种结构示意图。
具体实施方式
67.下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部
分使用的术语仅用于对本发明的具体实施例进行解释，而非旨在限定本发明。
68.下面结合附图，对本技术的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
69.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本技术的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
70.本文中所用用语“基本(substantially)”、“大约(about)”及类似用语用作近似用语、而并非用作程度用语，且旨在考虑到所属领域中的普通技术人员将知的测量值或计算值的固有偏差。此外，在阐述本发明实施例时使用“可(may)”是指“可能的一个或多个实施例”。本文中所用用语“使用(use)”、“正使用(using)”、及“被使用(used)”可被视为分别与用语“利用(utilize)”、“正利用(utilizing)”、及“被利用(utilized)”同义。另外，用语“示例性(exemplary)”旨在指代实例或例示。
71.首先对人工智能系统总体工作流程进行描述，请参见图1，图1示出的为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“it价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“it价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。
72.(1)基础设施
73.基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(cpu、npu、gpu、asic、fpga等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。
74.(2)数据
75.基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。
76.(3)数据处理
77.数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。
78.其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
79.推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。
80.决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功
能。
81.(4)通用能力
82.对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。
83.(5)智能产品及行业应用
84.智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。
85.随着人工智能的发展，很多需要人完成的任务逐渐被智能终端代替，则智能终端上需要配置完成任务所使用的技能，以及，针对任务的神经网络，从而实现通过智能终端完成特定任务的功能。具体的，可以为应用于可移动的智能终端中，作为示例，例如在自动驾驶领域，本来由人完成的驾驶操作可以由智能汽车代替执行，则智能汽车中需要配置有大量的驾驶技能以及针对驾驶技能的神经网络；作为另一示例，例如在货运领域，本来由人完成的搬运操作可以由搬运机器人代替执行，则搬运机器人中需要配置有大量的搬运技能以及针对搬运技能的神经网络。也可以为应用于不具有移动操作的智能终端中，作为示例，例如在配件加工的流水线上，本来由人完成的零配件抓取操作可以由智能机械手臂完成，则智能机械手臂中需要配置有抓取技能以及针对抓取技能的神经网络，其中，不同的抓取技能抓取角度、智能机械手臂的位移等可以不同；作为另一示例，例如在自动炒菜领域，本来由人完成的炒菜操作可以由智能机械手臂完成，则智能机械手臂中需要配置有原材料抓取技能、翻炒技能等炒菜技能以及针对炒菜技能的神经网络等等，此处不对其他应用场景进行穷举。
86.为了更好地理解本技术实施例的方案，下面先结合图2和图3a对本技术实施例可能的实现架构进行简单的介绍。
87.图2为本技术实施例中执行模型训练的计算系统的示意。计算系统包括通过网络通信地耦合的终端设备102(示例性的，也可以不包括终端设备102)和服务器130(也可以称之为中心节点)。其中，终端设备102可以是任何类型的计算设备，诸如，例如个人计算设备(例如，膝上型计算机或台式计算机)、移动计算设备(例如，智能电话或平板计算机)、游戏控制台或控制器、可穿戴计算设备、嵌入式计算设备或任何其他类型的计算设备。
88.终端设备102可以包括处理器112和存储器114。处理器112可以是任何合适的处理设备(例如，处理器核、微处理器、特殊应用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)、控制器、微控制器等)。存储器114可以包括但不限于是随机存储记忆体(random access memory，ram)、只读存储器(read-only memory，rom)、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、或便携式只读存储器(compact disc read-only memory，cd-rom)。存储器114可以存储由处理器112执行的数据116和指令118，以使得终端设备102执行操作。
89.在一些实施方式中，存储器114可以存储一个或多个模型120。例如，模型120可以是或可以另外包括各种机器学习模型，诸如神经网络(例如，深层神经网络)或其他类型的
机器学习模型，包括非线性模型和/或线性模型。神经网络可以包括前馈神经网络、递归神经网络(例如，长短期记忆递归神经网络)、卷积神经网络或其他形式的神经网络。
90.在一些实施方式中，一个或多个模型120可以通过网络从服务器130接收，存储在存储器114中，然后由一个或多个处理器112使用或另外实施。
91.终端设备102还可以包括接收用户输入的一个或多个用户输入组件122。例如，用户输入组件122可以是对用户输入对象(例如，手指或触笔)的触摸敏感的触敏组件(例如，触敏显示屏或触摸板)。触敏组件可以用来实施虚拟键盘。其他示例用户输入组件包括麦克风、传统键盘或用户可以提供用户输入的其他装置。
92.终端设备102还可以包括通信接口123，终端设备102可以通过通信接口123和服务器130通信连接，服务器130可以包括通信接口133，终端设备102可以通过通信接口123和服务器130的通信接口133通信连接，以此实现终端设备102和服务器130之间的数据交互。
93.服务器130可以包括处理器132和存储器134。处理器132可以是可以是任何合适的处理设备(例如，处理器核、微处理器、特殊应用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)、控制器、微控制器等)。存储器134可以包括但不限于是随机存储记忆体(random access memory，ram)、只读存储器(read-only memory，rom)、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、或便携式只读存储器(compact disc read-only memory，cd-rom)。存储器134可以存储由处理器132执行的数据136和指令138，以使得服务器130执行操作。
94.如上所述，存储器134可以存储一个或多个机器学习模型140。例如，模型140可以是或者可以另外包括各种机器学习模型。示例机器学习模型包括神经网络或其他多层非线性模型。示例神经网络包括前馈神经网络、深层神经网络、递归神经网络和卷积神经网络。
95.应理解，本技术实施例中的数据处理方法涉及ai相关的运算，在执行ai运算时，终端设备和服务器的指令执行架构不仅仅局限在图2所示的处理器结合存储器的架构。下面结合图3a对本技术实施例提供的系统架构进行详细的介绍。
96.图3a为本技术实施例提供的系统架构示意图。如图3a所示，系统架构500包括执行设备510、训练设备520、数据库530、客户设备540、数据存储系统550以及数据采集系统560。
97.执行设备510包括计算模块511、i/o接口512、预处理模块513和预处理模块514。计算模块511中可以包括目标模型/规则501，预处理模块513和预处理模块514是可选的。
98.数据采集设备560用于采集训练样本。训练样本可以包括prompt信息，例如包括目标任务(例如自动驾驶、机器人的姿态控制)的信息、目标物体的信息、目标物体所处的环境(例如仿真环境)的信息等。在采集到训练样本之后，数据采集设备560将这些训练样本存入数据库530。
99.训练设备520可以基于数据库530中维护训练样本，对待训练的神经网络(例如本技术实施例中的预训练模型等)，以得到目标模型/规则501(例如本技术实施例中的更新后的预训练模型等)。
100.需要说明的是，在实际应用中，数据库530中维护的训练样本不一定都来自于数据采集设备560的采集，也有可能是从其他设备接收得到的。另外需要说明的是，训练设备520也不一定完全基于数据库530维护的训练样本进行目标模型/规则501的训练，也有可能从
specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)、通用处理器、数字信号处理器(digital signal processing，dsp)、微处理器或微控制器等等)、或这些硬件电路的组合，例如，训练设备520可以为具有执行指令功能的硬件系统，如cpu、dsp等，或者为不具有执行指令功能的硬件系统，如asic、fpga等，或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
113.应理解，训练设备520可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合，本技术实施例提供的中和模型训练相关的部分步骤还可以通过训练设备520中不具有执行指令功能的硬件系统来实现，这里并不限定。
114.在一种可能的实现中，训练后的神经网络(例如本技术实施例中的更新后的预训练模型)可以部署在服务器上，服务器可以通过应用程序编程接口(application programming interface，api)为端侧提供服务。
115.其中，终端设备可以通过云端提供的api，将相关参数(例如prompt信息，例如包括目标物体的信息、目标物体所处的环境的信息、任务的信息)发送至服务器，服务器可以基于接收到的参数，得到处理结果(例如目标物体的控制信息)，并将处理结果返回至至终端。
116.关于终端以及服务器的描述可以上述实施例的描述，这里不再赘述。
117.如图3b示出了使用一项云平台提供的云服务的流程。
118.1.开通并购买内容审核服务。
119.2.用户可以下载内容审核服务对应的软件开发工具包(software development kit，sdk)，通常云平台提供多个开发版本的sdk，供用户根据开发环境的需求选择，例如java版本的sdk、python版本的sdk、php版本的sdk、android版本的sdk等。
120.3.用户根据需求下载对应版本的sdk到本地后，将sdk工程导入至本地开发环境，在本地开发环境中进行配置和调试，本地开发环境还可以进行其他功能的开发，使得形成一个集合了目标任务(例如自动驾驶、机器人的姿态控制)实现的应用。
121.4.应用在被使用的过程中，可以触发目标任务相关的api调用。当应用触发目标任务的功能时，发起api请求至云环境中的目标任务相关的服务的运行实例，其中，api请求中携带prompt的信息，由云环境中的运行实例对prompt的信息进行处理，获得处理结果。
122.5.云环境将处理结果返回至应用，由此完成一次的本技术实施例提供的方法调用。
123.此外，参照图3c，本技术还可以应用于部署在目标对象(例如机器人或者车辆)的在线学习场景，以机器人为例，在机器人技能在线学习场景中，例如家庭场景，用户可通过口头面对面给机器人布置一个任务，机器人会在一定的安全行为范围内对环境进行少量交互尝试(可选的，也可人类介入反馈其行为好坏，让机器人调整自己的行为)，即可学会一项新的技能，学习到的技能包更为贴近使用者的使用习惯。
124.由于本技术实施例涉及大量神经网络的应用，为了便于理解，下面先对本技术实施例涉及的相关术语及神经网络等相关概念进行介绍。
125.(1)神经网络
126.神经网络可以是由神经单元组成的，神经单元可以是指以xs(即输入数据)和截距1为输入的运算单元，该运算单元的输出可以为：
[0127][0128]
其中，s＝1、2、
……
n，n为大于1的自然数，ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入，激活函数可以是sigmoid函数。神经网络是将多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。
[0129]
(2)深度神经网络
[0130]
深度神经网络(deep neural network，dnn)，也称多层神经网络，可以理解为具有很多层隐含层的神经网络，这里的“很多”并没有特别的度量标准。从dnn按不同层的位置划分，dnn内部的神经网络可以分为三类：输入层，隐含层，输出层。一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然dnn看起来很复杂，但是就每一层的工作来说，其实并不复杂，简单来说就是如下线性关系表达式：其中，是输入向量，是输出向量，是偏移向量，w是权重矩阵(也称系数)，α()是激活函数。每一层仅仅是对输入向量经过如此简单的操作得到输出向量由于dnn层数多，则系数w和偏移向量的数量也就很多了。这些参数在dnn中的定义如下所述：以系数w为例：假设在一个三层的dnn中，第二层的第4个神经元到第三层的第2个神经元的线性系数定义为上标3代表系数w所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4。总结就是：第l-1层的第k个神经元到第l层的第j个神经元的系数定义为需要注意的是，输入层是没有w参数的。在深度神经网络中，更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言，参数越多的模型复杂度越高，“容量”也就越大，也就意味着它能完成更复杂的学习任务。训练深度神经网络的也就是学习权重矩阵的过程，其最终目的是得到训练好的深度神经网络的所有层的权重矩阵(由很多层的向量w形成的权重矩阵)。
[0131]
(3)强化学习(reinforcement learning，rl)，又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。
[0132]
强化学习的常见模型是标准的马尔可夫决策过程(markov decision process,mdp)。按给定条件，强化学习可分为基于模型的强化学习(model-based rl)和无模型强化学习(model-free rl)，以及主动强化学习(active rl)和被动强化学习(passive rl)。强化学习的变体包括逆向强化学习、阶层强化学习和部分可观测系统的强化学习。求解强化学习问题所使用的算法可分为策略搜索算法和值函数(value function)算法两类。深度学习模型可以在强化学习中得到使用，形成深度强化学习。
[0133]
(4)损失函数
[0134]
在训练深度神经网络的过程中，因为希望深度神经网络的输出尽可能的接近真正
想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为深度神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。
[0135]
(5)反向传播算法
[0136]
卷积神经网络可以采用误差反向传播(back propagation，bp)算法在训练过程中修正初始的超分辨率模型中参数的大小，使得超分辨率模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的超分辨率模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的超分辨率模型的参数，例如权重矩阵。
[0137]
(6)智能体
[0138]
智能体是人工智能领域中的一个概念，任何一个能够独立思想并能够同环境进行交互的实体都可以抽象为智能体。智能体的基本特性是：智能体能够根据环境的变化做出反应，然后自动的调整自己的行为和状态，不同的智能体还可以根据各自的意图与其他智能体进行交互。
[0139]
基于自然语言处理模型的对象操控技术(例如机器人的姿态控制或者车辆的自动驾驶等)可以广泛应用于机器人的姿态控制或者车辆的自动驾驶等场景等中，以机器人为例，机器人的任务技能学习是一项具备挑战性的工作。现有自然语言操控领域下的机器人技能学习往往需要采集大量的自然语言数据，并且需要引入大量的人类在环的反馈信息，具备效率低、成本高、学习慢的问题。因此期望基于基础模型强大的推理能力快速学习机器人的复杂决策技能。
[0140]
现有技术中，利用预训练的自然语言基础模型，通过prompt的方式定义任务，基础模型在输入任务约束等prompt信息之后，会输出对应的决策行为(或者可以称之为控制信息，例如为指令、脚本等)，当模型的输出行为不正确时，人类通过自然语言反馈的手段来让基础模型纠正决策输出，反复迭代至决策输出完全正确。
[0141]
然而随着要实现的任务的复杂性越来越好，现有技术中模型的技能学习成本高、学习周期长且难以学习复杂技能。
[0142]
为了解决上述问题，参照图4，图4为本技术实施例提供的一种数据处理方法的流程示意，如图4所示，本技术实施例提供的一种数据处理方法包括：
[0143]
401、获取第一提示prompt信息；所述第一prompt包括第一任务的信息和目标物体的信息，所述第一任务为指定所述目标物体执行的任务。
[0144]
其中，步骤401的执行主体可以为训练设备(示例性的，训练设备可以为终端设备或者服务器)，具体可以参照上述实施例中的描述，这里不再赘述。
[0145]
在一种可能的实现中，所述第一提示prompt信息中的部分或者全部可以为用户输
入的、或者基于目标物体的接口检测到的。
[0146]
在一种可能的实现中，可以通过prompt的方式定义第一任务，也就是说第一prompt信息可以包括第一任务的信息，例如，第一任务的信息可以描述出第一任务的执行效果，例如抓取某个物体、进行某个区域的整理、避障等。
[0147]
在一种可能的实现中，第一任务的信息可以为文字描述信息，也就是用文本的形式来描述第一任务，例如文字描述信息可以为“抓取桌面上摆放的花瓶”。
[0148]
在一种可能的实现中，第一任务的信息可以为图像信息，也就是用图像的形式来描述第一任务，例如图像中的图像内容可以为“一个机械臂抓取桌面上摆放的花瓶”，或者是“用手抓取桌面上摆放的花瓶”。
[0149]
在一种可能的实现中，prompt信息还可以包括目标物体的信息，例如目标物体的信息可以包括：目标物体当前的姿态(例如机器人上各个关节的状态(位置、角度、速度、加速度等)等信息)。例如目标物体的信息可以包括：所述目标对象上操控组件的接口信息、和/或所述目标对象上感知组件的接口信息，其中，这里的接口为目标对象和外接环境交互的接口，感知组件可以为目标对象上部署的传感器，操控组件可以为可移动关节等，例如目标物体的信息可以为机器人感知控制接口及其功能描述(基础的接口如开关夹爪、机械臂移动、agv移动等)。
[0150]
在一种可能的实现中，prompt信息还可以包括奖励方式的约定信息(本技术实施例可以简称为奖励函数的信息)，可选的，所述奖励函数的信息可以指示奖励函数的数值范围(例如在-5到5的范围内)。可选的，所述奖励函数的信息可以指示执行结果和奖励函数的数值之间的关系(例如奖励函数越大表示执行结果越好)。
[0151]
在一种可能的实现中，所述prompt信息还可以包括：所述目标物体所在环境的信息，例如，机器人所处环境的障碍物信息等。
[0152]
402、根据所述第一任务的信息和所述目标物体的信息，通过预训练模型，得到第一控制信息；所述第一控制信息用于作为所述目标物体在执行所述第一任务时的控制信息。
[0153]
在一种可能的实现中，所述预训练模型可以为chatgpt、gpt4或者chatglm。此外，预训练模型还可以为其他类型的大模型，本技术并不限定。
[0154]
在一种可能的实现中，预训练模型可以根据输入的目标物体的信息、第一任务的信息、目标对象所处的环境的信息等prompt信息来进行控制信息的确定，可以基于确定的控制信息来操控目标对象执行任务。
[0155]
以目标对象为机器人为例，控制信息可以为机器人上关节的转动角度等。
[0156]
403、根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果，更新所述预训练模型，得到更新后的预训练模型。
[0157]
在一种可能的实现中，可以根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果，得到第一奖励值，并根据所述第一奖励值，更新所述预训练模型。其中，第一奖励值可以用于表示第一执行结果相比第一任务来说的执行好坏。
[0158]
例如，第一执行结果可以表示通过控制信息来对目标对象进行操控后目标对象的状态信息。
[0159]
接下来介绍奖励值的确定方式的示意：
[0160]
在一种可能的实现中，可以根据第一执行结果和所述第一任务的信息之间的第一相似度，确定第一奖励值。
[0161]
在一种可能的实现中，第一执行结果可以但不限于为在通过控制信息来对目标对象进行操控后目标对象所在环境的图像(例如是实体或者仿真环境的图像，本技术也可以称之为执行结果图像)，图像中可以包括目标对象(全部或者和第一任务相关的关键部分，例如机械臂等)、以及第一任务中指示的目标对象的交互对象，例如第一任务为抓取桌面上的花瓶，则图像中可以包括但不限于机械臂、桌面以及桌面上的花瓶。
[0162]
在一种可能的实现中，可以通过第一执行结果和第一任务的信息之间的相似度来确定奖励值。例如，可以通过预设的距离计算方法来确定第一执行结果和第一任务的信息之间的相似度。
[0163]
在一种可能的实现中，所述第一任务的信息包括所述第一任务相关的文字描述信息，则所述第一相似度为所述第一执行结果和所述第一任务相关的文字描述信息之间的相似度。
[0164]
其中，用户定义任务时可以仅输入了文字信息，无对应任务的图片信息。此时对于每一步的奖励值可将任务句子的文本向量(text_embedding)与当前观测图片的向量(image_embedding)的余弦相似度作为奖励值，意味着当前视野内的信息越接近任务的文字描述信息时，奖励值越大。其中使用clip预训练模型计算任务句子的文本向量(text_embedding)和当前视野的图片的图片向量(image_embedding)。两者均为一个长度为n的1维向量。可选的，此时奖励函数reward_text定义为：
[0165][0166]
其中，text_embedding为任务文本向量，image_embedding为当前观测图片的图片向量。
[0167]
在一种可能的实现中，所述第一任务的信息包括所述第一任务相关的执行结果图像；则所述第一相似度可以为所述第一执行结果和所述第一任务相关的执行结果图像之间的相似度。
[0168]
其中，用户定义任务时可以仅仅输入了目标状态的图片，无对应任务的文字描述信息。此时对于每一步的奖励值可将任务目标状态的图片向量(goal_image_embedding)与当前观测图片的向量(image_embedding)的余弦相似度作为奖励值，意味着当前视野内的信息越接近任务的图片信息时，奖励值越大。其中可以使用clip预训练模型计算任务目标状态的图片向量(goal_image_embedding)和当前视野的图片的图片向量(image_embedding)。两者均为一个长度为n的1维向量。可选的，奖励函数reward_image可以定义为：
[0169][0170]
其中，goal_image_embedding为任务目标状态图片向量，image_embedding为当前观测图片的图片向量。
[0171]
在一种可能的实现中，所述第一任务的信息包括所述第一任务相关的文字描述信息和所述第一任务相关的执行结果图像；则所述第一相似度可以为根据所述第一执行结果
和所述第一任务相关的文字描述信息之间的相似度、以及所述第一执行结果和所述第一任务相关的执行结果图像之间的相似度确定的。
[0172]
其中，用户定义任务时可以同时输入了任务的文字描述信息和任务目标状态的图片。此时可将情况1的reward_text和情况2的reward_image综合起来考虑，对两个进行加权，此时奖励函数reward定义为：
[0173]
reward＝α
·
reward_text+(1-α)
·
reward_image；
[0174]
其中，α为一个0～1之间的权重，α越大，越侧重于文字描述，α越小，越侧重于任务目标状态图片内所指示的内容。
[0175]
应理解，以上提取文本和图片向量的模型包括但不限于clip预训练模型。
[0176]
通过上述方式，目标对象可以不断根据奖励信息和新的图片观测信息来调整自身的决策行为，以自监督的方式学习新的技能。重复执行上述步骤(多次重复执行的步骤之间可以包括不同的任务)可学习得到一系列初级的技能。
[0177]
上述自监督学习的方式使得多模态大模型可以快速学习技能，通过与预训练模型约定任务、奖励方式等，使得预训练模型可以与环境构成一个自监督的决策技能学习框架，无需人工参与反馈。由于预训练基础模型本身有较强的推理能力，对比传统的强化学习算法，本技术实施例所提出的自监督学习方式仅需少量的交互次数就可以学会一个子技能。
[0178]
404、获取第二prompt信息；所述第二prompt包括第二任务的信息；所述第二任务的执行复杂度高于所述第一任务；所述第二任务为指定所述目标物体执行的任务。
[0179]
在一种可能的实现中，所述第一任务为执行所述第二任务时所需执行的子任务。第一任务相比第二任务来说具备更低的复杂度，也就是说第一任务为初级的任务，第二任务为相比第一任务来说更高级的任务。例如，第一任务可以为抓取的动作，第二任务可以为整理桌面的任务，又例如，第一任务可以为转向的任务，第二任务可以为避障的任务。可选的，高级任务可以通过执行多个初级的任务的组合来实现。
[0180]
在一种可能的实现中，所述第二prompt信息还可以包括：指示信息，所述指示信息指示所述目标物体通过包括所述第一任务在内的多个已学习的任务的控制信息的组合来执行所述第二任务。也就是说，在定义任务的时候可以通过prompt的方式告知预训练模型在学习过程中，可以不断基于已有的技能自主组合形成新的技能。即，进行更加复杂的技能学习时，都会基于先前学习得到的技能进一步演化出新的、更为复杂的技能。通过上述方式，可以提高模型的学习效率，且从简单的子技能开始学习，逐步演化学习从简单到复杂的任务技能，可以使得模型学习到较复杂的技能。
[0181]
405、根据所述第二任务的信息和所述目标物体的信息，通过所述更新后的预训练模型，得到第二控制信息；所述第二控制信息用于作为所述目标物体在执行所述第二任务时的控制信息。
[0182]
在一种可能的实现中，可以根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果和所述奖励函数的信息，得到第二奖励值，并根据所述第二奖励值，更新所述更新后的预训练模型。
[0183]
在一种可能的实现中，可以根据所述第一任务的信息、所述目标物体的信息和所述环境的信息，通过所述更新后的预训练模型，得到第二控制信息。
[0184]
406、根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执
行结果，更新所述更新后的预训练模型。
[0185]
在一种可能的实现中，可以根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果和所述第二任务的信息之间的第二相似度，确定第二奖励值，并根据所述第二奖励值，更新所述更新后的预训练模型。
[0186]
在一种可能的实现中，所述第二任务的信息包括所述第二任务相关的文字描述信息和所述第二任务相关的执行结果图像；所述第二相似度为根据所述第二执行结果和所述第二任务相关的文字描述信息之间的相似度、以及所述第二执行结果和所述第二任务相关的执行结果图像之间的相似度确定的。
[0187]
应理解，在预训练模型学习到第二任务相关的技能之后，还可以通过prompt的方式约定比第二任务更复杂的任务，使得预训练模型基于包括第一任务以及第二任务在内的多个任务的技能组合来学习到更复杂的任务执行能力。示例性的，参照图5，图5为一种技能自主学习过程的示意。
[0188]
此外，本技术实施例除了可以直接应用在机器人决策技能学习场景，还可以应用在其他非机器人领域上，例如应用互联网领域技能学习(如测试领域测的页面自动遍历难题、低代码应用开发等)等，涉及到排列组合技能学习的，本技术实施例均可以适用。
[0189]
参照图6，图6为从模型推理角度描述的一种数据处理方法的流程示意，如图6所示，所述方法包括：
[0190]
601、获取目标prompt信息；所述目标prompt包括目标任务的信息。
[0191]
602、根据所述目标任务的信息，通过如图4介绍的数据处理方法得到的所述的更新后的预训练模型，得到目标控制信息；所述目标控制信息用于作为目标物体在执行所述目标任务时的控制信息。
[0192]
关于图6对应的实施例的介绍可以参照图4介绍的实施例中模型前馈的过程的介绍，相似之处这里不再赘述。
[0193]
参照图7，图7为本技术实施例提供的一种数据处理装置的结构示意，如图7所示，所述装置700，包括：
[0194]
获取模块701，用于获取第一提示prompt信息；所述第一prompt包括第一任务的信息和目标物体的信息，所述第一任务为指定所述目标物体执行的任务；
[0195]
其中，关于获取模块701的具体描述可以参照上述实施例中步骤401以及步骤404的描述，这里不再赘述。
[0196]
处理模块702，用于根据所述第一任务的信息和所述目标物体的信息，通过预训练模型，得到第一控制信息；所述第一控制信息用于作为所述目标物体在执行所述第一任务时的控制信息；
[0197]
根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果，更新所述预训练模型，得到更新后的预训练模型；
[0198]
所述获取模块，还用于获取第二prompt信息；所述第二prompt包括第二任务的信息；所述第二任务的执行复杂度高于所述第一任务；所述第二任务为指定所述目标物体执行的任务；
[0199]
所述处理模块，还用于根据所述第二任务的信息和所述目标物体的信息，通过所述更新后的预训练模型，得到第二控制信息；所述第二控制信息用于作为所述目标物体在
执行所述第二任务时的控制信息；
[0200]
根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果，更新所述更新后的预训练模型。
[0201]
其中，关于处理模块702的具体描述可以参照上述实施例中步骤402、步骤403、步骤405以及步骤406的描述，这里不再赘述。
[0202]
在一种可能的实现中，所述第一任务为执行所述第二任务时所需执行的子任务。
[0203]
在一种可能的实现中，所述第一prompt信息或所述第二prompt信息还包括：奖励函数的信息；所述奖励函数的信息指示奖励函数的数值范围和/或执行结果和奖励函数的数值之间的关系；
[0204]
所述处理模块，具体用于根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果和所述奖励函数的信息，得到第一奖励值，并根据所述第一奖励值，更新所述预训练模型；或者，
[0205]
所述处理模块，具体用于：
[0206]
根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果和所述奖励函数的信息，得到第二奖励值，并根据所述第二奖励值，更新所述更新后的预训练模型。
[0207]
在一种可能的实现中，所述第二prompt信息还包括：
[0208]
指示信息，所述指示信息指示所述目标物体通过包括所述第一任务在内的多个已学习的任务的控制信息的组合来执行所述第二任务。
[0209]
在一种可能的实现中，所述第一prompt或所述第二prompt还包括：所述目标物体所在环境的信息；
[0210]
所述处理模块，具体用于：根据所述第一任务的信息、所述目标物体的信息和所述环境的信息，通过预训练模型，得到第一控制信息；或者，
[0211]
所述处理模块，具体用于：根据所述第一任务的信息、所述目标物体的信息和所述环境的信息，通过所述更新后的预训练模型，得到第二控制信息。
[0212]
在一种可能的实现中，所述处理模块，具体用于：根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果和所述第一任务的信息之间的第一相似度，确定第一奖励值，并根据所述第一奖励值，更新所述预训练模型，得到更新后的预训练模型；或者，
[0213]
所述处理模块，具体用于：根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果和所述第二任务的信息之间的第二相似度，确定第二奖励值，并根据所述第二奖励值，更新所述更新后的预训练模型。
[0214]
在一种可能的实现中，所述第一任务的信息包括所述第一任务相关的文字描述信息和所述第一任务相关的执行结果图像；所述第一相似度为根据所述第一执行结果和所述第一任务相关的文字描述信息之间的相似度、以及所述第一执行结果和所述第一任务相关的执行结果图像之间的相似度确定的；或者，
[0215]
所述第二任务的信息包括所述第二任务相关的文字描述信息和所述第二任务相关的执行结果图像；所述第二相似度为根据所述第二执行结果和所述第二任务相关的文字描述信息之间的相似度、以及所述第二执行结果和所述第二任务相关的执行结果图像之间
的相似度确定的。
[0216]
在一种可能的实现中，所述目标物体的信息包括：所述目标对象上操控组件的接口信息、和/或所述目标对象上感知组件的接口信息。
[0217]
在一种可能的实现中，所述预训练模型为chatgpt、gpt4或者chatglm。
[0218]
在一种可能的实现中，所述目标物体为机器人；所述第一任务和所述第二任务为机器人的姿态操控；或者，
[0219]
所述目标物体为车辆；所述第一任务和所述第二任务为车辆的自动驾驶。
[0220]
此外，本技术实施例还提供了一种数据处理装置，所述装置包括：
[0221]
获取模块，用于获取目标prompt信息；所述目标prompt包括目标任务的信息；
[0222]
处理模块，用于根据所述目标任务的信息，通过如图4介绍的数据处理方法得到的所述的更新后的预训练模型，得到目标控制信息；所述目标控制信息用于作为目标物体在执行所述目标任务时的控制信息。
[0223]
接下来介绍本技术实施例提供的一种执行设备，请参阅图8，图8为本技术实施例提供的执行设备的一种结构示意图，执行设备800具体可以表现为手机、平板、笔记本电脑、智能穿戴设备等，此处不做限定。具体的，执行设备800包括：接收器801、发射器802、处理器803和存储器804(其中执行设备800中的处理器803的数量可以一个或多个，图8中以一个处理器为例)，其中，处理器803可以包括应用处理器8031和通信处理器8032。在本技术的一些实施例中，接收器801、发射器802、处理器803和存储器804可通过总线或其它方式连接。
[0224]
存储器804可以包括只读存储器和随机存取存储器，并向处理器803提供指令和数据。存储器804的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory，nvram)。存储器804存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。
[0225]
处理器803控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。
[0226]
上述本技术实施例揭示的方法可以应用于处理器803中，或者由处理器803实现。处理器803可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器803中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器803可以是通用处理器、数字信号处理器(digital signal processing，dsp)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器803可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器804，处理器803读取存储器804中的信息，结合其硬件完成上述方法的步骤。
[0227]
接收器801可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器802可用于输出数字或字符信息；发射器802还可用于向磁盘组发送指令，以修改磁盘组中的数据。
[0228]
本技术实施例中，在一种情况下，处理器803，用于执行图4或者图6对应实施例中的数据处理方法的步骤。
[0229]
本技术实施例还提供了一种服务器，请参阅图9，图9是本技术实施例提供的服务器一种结构示意图，具体的，服务器900由一个或多个服务器实现，服务器900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，cpu)990(例如，一个或一个以上处理器)和存储器932，一个或一个以上存储应用程序942或数据944的存储介质930(例如一个或一个以上海量存储设备)。其中，存储器932和存储介质930可以是短暂存储或持久存储。存储在存储介质930的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器990可以设置为与存储介质930通信，在服务器900上执行存储介质930中的一系列指令操作。
[0230]
服务器900还可以包括一个或一个以上电源920，一个或一个以上有线或无线网络接口950，一个或一个以上输入输出接口958；或，一个或一个以上操作系统941，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm等等。
[0231]
本技术实施例中，中央处理器990，用于执行图4或者图6对应实施例中的数据处理方法的步骤。
[0232]
本技术实施例中还提供一种包括计算机可读指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。
[0233]
本技术实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。
[0234]
本技术实施例提供的执行设备、训练设备或终端设备具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述实施例描述的数据处理方法，或者，以使训练设备内的芯片执行上述实施例中与模型训练相关的步骤。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)等。
[0235]
具体的，请参阅图10，图10为本技术实施例提供的芯片的一种结构示意图，所述芯片可以表现为神经网络处理器npu 1000，npu 1000作为协处理器挂载到主cpu(host cpu)上，由host cpu分配任务。npu的核心部分为运算电路1003，通过控制器1004控制运算电路1003提取存储器中的矩阵数据并进行乘法运算。
[0236]
在一些实现中，运算电路1003内部包括多个处理单元(process engine,pe)。在一些实现中，运算电路1003是二维脉动阵列。运算电路1003还可以是一维脉动阵列或者能够
执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1003是通用的矩阵处理器。
[0237]
举例来说，假设有输入矩阵a，权重矩阵b，输出矩阵c。运算电路从权重存储器1002中取矩阵b相应的数据，并缓存在运算电路中每一个pe上。运算电路从输入存储器1001中取矩阵a数据与矩阵b进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1008中。
[0238]
统一存储器1006用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(direct memory access controller，dmac)1005，dmac被搬运到权重存储器1002中。输入数据也通过dmac被搬运到统一存储器1006中。
[0239]
biu为bus interface unit即，总线接口单元1010，用于axi总线与dmac和取指存储器(instruction fetch buffer，ifb)1009的交互。
[0240]
总线接口单元1010(bus interface unit，简称biu)，用于取指存储器1009从外部存储器获取指令，还用于存储单元访问控制器1005从外部存储器获取输入矩阵a或者权重矩阵b的原数据。
[0241]
dmac主要用于将外部存储器ddr中的输入数据搬运到统一存储器1006或将权重数据搬运到权重存储器1002中或将输入数据数据搬运到输入存储器1001中。
[0242]
向量计算单元1007包括多个运算处理单元，在需要的情况下，对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如batch normalization(批归一化)，像素级求和，对特征平面进行上采样等。
[0243]
在一些实现中，向量计算单元1007能将经处理的输出的向量存储到统一存储器1006。例如，向量计算单元1007可以将线性函数；或，非线性函数应用到运算电路1003的输出，例如对卷积层提取的特征平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1007生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1003的激活输入，例如用于在神经网络中的后续层中的使用。
[0244]
控制器1004连接的取指存储器(instruction fetch buffer)1009，用于存储控制器1004使用的指令；
[0245]
统一存储器1006，输入存储器1001，权重存储器1002以及取指存储器1009均为on-chip存储器。外部存储器私有于该npu硬件架构。
[0246]
其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，asic，或一个或多个用于控制上述程序执行的集成电路。
[0247]
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本技术提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
[0248]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本技术可借
助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本技术而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、rom、ram、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本技术各个实施例所述的方法。
[0249]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
[0250]
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。

技术特征：
1.一种数据处理方法，其特征在于，所述方法包括：获取第一提示prompt信息；所述第一prompt包括第一任务的信息和目标物体的信息，所述第一任务为指定所述目标物体执行的任务；根据所述第一任务的信息和所述目标物体的信息，通过预训练模型，得到第一控制信息；所述第一控制信息用于作为所述目标物体在执行所述第一任务时的控制信息；根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果，更新所述预训练模型，得到更新后的预训练模型；获取第二prompt信息；所述第二prompt包括第二任务的信息；所述第二任务的执行复杂度高于所述第一任务；所述第二任务为指定所述目标物体执行的任务；根据所述第二任务的信息和所述目标物体的信息，通过所述更新后的预训练模型，得到第二控制信息；所述第二控制信息用于作为所述目标物体在执行所述第二任务时的控制信息；根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果，更新所述更新后的预训练模型。2.根据权利要求1所述的方法，其特征在于，所述第一任务为执行所述第二任务时所需执行的子任务。3.根据权利要求1或2所述的方法，其特征在于，所述第一prompt信息或所述第二prompt信息还包括：奖励函数的信息；所述奖励函数的信息指示奖励函数的数值范围和/或执行结果和奖励函数的数值之间的关系；所述根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果，更新所述预训练模型，包括：根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果和所述奖励函数的信息，得到第一奖励值，并根据所述第一奖励值，更新所述预训练模型；或者，所述根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果，更新所述更新后的预训练模型，包括：根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果和所述奖励函数的信息，得到第二奖励值，并根据所述第二奖励值，更新所述更新后的预训练模型。4.根据权利要求1至3任一所述的方法，其特征在于，所述第二prompt信息还包括：指示信息，所述指示信息指示所述目标物体通过包括所述第一任务在内的多个已学习的任务的控制信息的组合来执行所述第二任务。5.根据权利要求1至4任一所述的方法，其特征在于，所述根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果，更新所述预训练模型，得到更新后的预训练模型，包括：根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果和所述第一任务的信息之间的第一相似度，确定第一奖励值，并根据所述第一奖励值，更新所述预训练模型，得到更新后的预训练模型；或者，所述根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果，更新所述更新后的预训练模型，包括：根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果和所述第二任务的信息之间的第二相似度，确定第二奖励
值，并根据所述第二奖励值，更新所述更新后的预训练模型。6.根据权利要求5所述的方法，其特征在于，所述第一任务的信息包括所述第一任务相关的文字描述信息和所述第一任务相关的执行结果图像；所述第一相似度为根据所述第一执行结果和所述第一任务相关的文字描述信息之间的相似度、以及所述第一执行结果和所述第一任务相关的执行结果图像之间的相似度确定的；或者，所述第二任务的信息包括所述第二任务相关的文字描述信息和所述第二任务相关的执行结果图像；所述第二相似度为根据所述第二执行结果和所述第二任务相关的文字描述信息之间的相似度、以及所述第二执行结果和所述第二任务相关的执行结果图像之间的相似度确定的。7.根据权利要求1至6任一所述的方法，其特征在于，所述目标物体的信息包括：所述目标对象上操控组件的接口信息、和/或所述目标对象上感知组件的接口信息。8.根据权利要求1至7任一所述的方法，其特征在于，所述预训练模型为chatgpt、gpt4或者chatglm。9.根据权利要求1至8任一所述的方法，其特征在于，所述目标物体为机器人；所述第一任务和所述第二任务为机器人的姿态操控；或者，所述目标物体为车辆；所述第一任务和所述第二任务为车辆的自动驾驶。10.一种数据处理方法，其特征在于，所述方法包括：获取目标prompt信息；所述目标prompt包括目标任务的信息；根据所述目标任务的信息，通过如权利要求1至9任一方法得到的更新后的预训练模型，得到目标控制信息；所述目标控制信息用于作为目标物体在执行所述目标任务时的控制信息。11.一种数据处理装置，其特征在于，所述装置包括：获取模块，用于获取第一提示prompt信息；所述第一prompt包括第一任务的信息和目标物体的信息，所述第一任务为指定所述目标物体执行的任务；处理模块，用于根据所述第一任务的信息和所述目标物体的信息，通过预训练模型，得到第一控制信息；所述第一控制信息用于作为所述目标物体在执行所述第一任务时的控制信息；根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果，更新所述预训练模型，得到更新后的预训练模型；所述获取模块，还用于获取第二prompt信息；所述第二prompt包括第二任务的信息；所述第二任务的执行复杂度高于所述第一任务；所述第二任务为指定所述目标物体执行的任务；所述处理模块，还用于根据所述第二任务的信息和所述目标物体的信息，通过所述更新后的预训练模型，得到第二控制信息；所述第二控制信息用于作为所述目标物体在执行所述第二任务时的控制信息；根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果，更新所述更新后的预训练模型。12.根据权利要求11所述的装置，其特征在于，所述第一任务为执行所述第二任务时所需执行的子任务。
13.根据权利要求11或12所述的装置，其特征在于，所述第一prompt信息或所述第二prompt信息还包括：奖励函数的信息；所述奖励函数的信息指示奖励函数的数值范围和/或执行结果和奖励函数的数值之间的关系；所述处理模块，具体用于根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果和所述奖励函数的信息，得到第一奖励值，并根据所述第一奖励值，更新所述预训练模型；或者，所述处理模块，具体用于：根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果和所述奖励函数的信息，得到第二奖励值，并根据所述第二奖励值，更新所述更新后的预训练模型。14.根据权利要求11至13任一所述的装置，其特征在于，所述第二prompt信息还包括：指示信息，所述指示信息指示所述目标物体通过包括所述第一任务在内的多个已学习的任务的控制信息的组合来执行所述第二任务。15.根据权利要求11至14任一所述的装置，其特征在于，所述处理模块，具体用于：根据所述目标物体基于所述第一控制信息执行所述第一任务得到的第一执行结果和所述第一任务的信息之间的第一相似度，确定第一奖励值，并根据所述第一奖励值，更新所述预训练模型，得到更新后的预训练模型；或者，所述处理模块，具体用于：根据所述目标物体基于所述第二控制信息执行所述第二任务得到的第二执行结果和所述第二任务的信息之间的第二相似度，确定第二奖励值，并根据所述第二奖励值，更新所述更新后的预训练模型。16.根据权利要求15所述的装置，其特征在于，所述第一任务的信息包括所述第一任务相关的文字描述信息和所述第一任务相关的执行结果图像；所述第一相似度为根据所述第一执行结果和所述第一任务相关的文字描述信息之间的相似度、以及所述第一执行结果和所述第一任务相关的执行结果图像之间的相似度确定的；或者，所述第二任务的信息包括所述第二任务相关的文字描述信息和所述第二任务相关的执行结果图像；所述第二相似度为根据所述第二执行结果和所述第二任务相关的文字描述信息之间的相似度、以及所述第二执行结果和所述第二任务相关的执行结果图像之间的相似度确定的。17.根据权利要求11至16任一所述的装置，其特征在于，所述目标物体的信息包括：所述目标对象上操控组件的接口信息、和/或所述目标对象上感知组件的接口信息。18.根据权利要求11至17任一所述的装置，其特征在于，所述预训练模型为chatgpt、gpt4或者chatglm。19.根据权利要求11至18任一所述的装置，其特征在于，所述目标物体为机器人；所述第一任务和所述第二任务为机器人的姿态操控；或者，所述目标物体为车辆；所述第一任务和所述第二任务为车辆的自动驾驶。20.一种数据处理装置，其特征在于，所述装置包括：获取模块，用于获取目标prompt信息；所述目标prompt包括目标任务的信息；处理模块，用于根据所述目标任务的信息，通过如权利要求1至9任一方法得到的更新后的预训练模型，得到目标控制信息；所述目标控制信息用于作为目标物体在执行所述目
标任务时的控制信息。21.一种数据处理装置，其特征在于，所述装置包括存储器和处理器；所述存储器存储有代码，所述处理器被配置为获取所述代码，并执行如权利要求1至10任一所述的方法。22.一种计算机可读存储介质，其特征在于，包括计算机可读指令，当所述计算机可读指令在计算机设备上运行时，使得所述计算机设备执行权利要求1至10任一项所述的方法。23.一种计算机程序产品，其特征在于，包括计算机可读指令，当所述计算机可读指令在计算机设备上运行时，使得所述计算机设备执行如权利要求1至10任一所述的方法。

技术总结
一种数据处理方法，涉及人工智能领域，方法包括：获取第一提示prompt信息；第一prompt包括第一任务的信息；根据第一任务的信息，通过预训练模型，得到第一控制信息；根据目标物体基于第一控制信息执行第一任务得到的第一执行结果，更新预训练模型，得到更新后的预训练模型；获取第二prompt信息；第二prompt包括第二任务的信息；第二任务的执行复杂度高于第一任务；根据第二任务的信息和目标物体的信息，通过更新后的预训练模型，得到第二控制信息；根据目标物体基于第二控制信息执行第二任务得到的第二执行结果，更新更新后的预训练模型。本申请可以从简单的子技能开始学习，逐步演化学习从简单到复杂的任务技能，可以使得模型学习到较复杂的技能。型学习到较复杂的技能。型学习到较复杂的技能。


技术研发人员：薛喜地 黄国位 谢念
受保护的技术使用者：华为技术有限公司
技术研发日：2023.05.30
技术公布日：2023/10/15