机器人面临的十大紧迫挑战

编者按：2016年除了人工智能、虚拟现实技术受到了极大的关注，商用机器人逐渐出现在我们生活中，家庭陪伴机器人也越来越多，可以看到未来机器人市场前景广阔，但也难免面临挑战。今天小编为大家推荐一篇去年的文章，该文章详细介绍了目前机器人面临的十个挑战。

现在的机器人已经能进行各种各样的工作了，也具有了一定程度的人工智能，但是，像“查派”一般的机器人似乎还遥遥无期，那么，哪些问题是机器人面临的最为紧迫的挑战呢？

一、开辟道路

在我们的生活中，从A地点移动到B地点也许是我们每天都在做的事情，而且是一件极其容易的事情，我们有不同的路径可以到达不同的地点，可以根据道路的状况甚至是随个人的心情来选择到达地点的路径。而对一个机器人来说，主要是通过导航以及预先的设置来进行点对点的定位。但是，当预设的环境被改变后，可能就变得有些棘手了，机器人必须要能够了解、适应新的环境，理解分析正在进入脑中的数据，重新进行自主的判断与选择。

目前，机器人专家的解决方法是给机器人装备各种“技能”，通过给机器人装备大量的传感器、扫描仪、摄像机和其他高科技工具等多管齐下的方式来评估周围的环境。在水下的机器人还要披上“声呐技术”的魔法斗篷以应对水对光线的干扰。这些视觉装备组成了一组完整的立体视觉系统，从而帮助机器人拥有广阔的视野，便于收集详细的环境数据。

机器人收集相关环境的数据只是成功的一半，更大的挑战是机器人如何利用那些数据来进行决策。现在，研究人员主要是通过使用预先设定的地图或者在机器人运动中即时构建一个映射地图来为他们的机器人导航。而必须要将预设地图与即时数据结合起来，才能使机器人根据环境自己开辟路径。研究人员正在通过更强大的计算机和先进的概率算法来解决这个难题。

 

二、展示灵巧性

现实中，我们已经能看到机器人辅助各行各业的工作，比如服务机器人可以收发包裹，可以打扫卫生，甚至今年日本还有一家全机器人服务的酒店开业了；而在工业上，还有机器人在流水线或工程中进行特定的工作等。这些机器人都能展现出一定的技能，但是它们通常进行的是一种定制化的工作，并不能表现出灵巧性，不能自由顺畅地行走、跳跃等。

能模仿人从一堆凌乱的东西中从容地选择需要的东西，还能有意识地对周边环境做出反应等灵巧性的技能，对机器人来说是十分困难的。过去几年，研究人员在机器人的兼容设计和方面已经有了显著的进步。兼容性越好，一个机器人的灵活性也就越高，能够模仿人类的动作，还能够进行一定程度的数据决策；刻板的机器则相反，缺乏灵活性。

2013年，佐治亚理工学院的研究人员制造了一个关节d簧的机械臂，这个机械臂不仅能够自由弯曲摆动，并且还能与环境有良好的互动，就像是人的手一样有很好的灵活性。研究人员还为其植上一层“皮肤”，这些皮肤遍布着红外传感器，并配备上具有凸出成脊状线的电子指纹，使机械臂不仅能探测到周围的东西，还能便于机械臂抓取物体。

这个高科技手臂再配上更发达的视觉系统，一个行动敏捷的机器人就诞生了，这个机器人可以温柔的爱抚动物，也可以在众多的东西中选择需要的东西，但是，这对“查派”来说仍然是不值一提。

 

三、与人类自由交谈

作为计算机科学的奠基者之一，图灵曾在1950年做出了一个大胆的预言：总有一天，机器人可以流利地与人谈话，甚至我们都没意识到是在和机器人聊天。可惜的是，图灵没能看到他的期望变成现实，这是因为语音识别与自然语言的处理不一样，它比自然语言处理更加复杂。在自然语言处理中，我们的大脑会从谈话间的语句中抽取出谈话所表达的含义。

最初，科学家认为这就像是将简单的语法规则嵌入到机器的记忆内存中一样简单。但是对任何一门特定语言的复杂语法进行简单复制被证明是不可能的，所以就目前的情况来看，让机器人能像人类一样自由的交流是难以实现的。即使为机器人提供了词语的含义与规则，语言学习对它们来说仍然是一项艰巨的任务。因为人类的大脑思维是难以搬进机器人大脑的，有一个具体的例子能表示这种情况：对不同的单词，例如“new（新的）”和“knew（知道）”，或者是“bank（银行）”和“bank（堤岸）”，人类可以理解这些词汇的差异性，但是科学家却没能将这些功能分解成离散的、可识别的规则，因此，在对机器人的语法嵌入上难以做到与人类语言功能类似的效果。

现在许多机器人的语言处理是在统计数据的基础上进行的，科学家给它们植入大量的文本集合，被称为语料库，然后让它们的“大脑”将长文本分解成若干的小块，并进行文本分类，找出哪些词语会经常组合在一起，这些词语的组合顺序是怎样的。这就需要机器人在统计分析的基础上学习一门语言了。例如，对一个机器人来说，词汇“蝙蝠”会有词汇“飞”或者是“翅膀”搭配，“蝙蝠”就指的是会飞的哺乳动物，而“球棒”后面跟着的词汇“球”或者“手套”指的是团队运动。但是，仅仅这样就能使机器人实现与人自由的交谈吗？

四、获得新技能

如果一个从来没有打过高尔夫球的人想学习如何挥杆，他可能会去阅读有关的书并尝试挥杆，或者他可能会看一个老练的高尔夫球手的挥杆动作来学习。如果学习新的行为，这是一种更快更容易的方法。

在《超能查派》中，我们可以看到“查派”能不断学习新技能并能完美应用这些技能。他不仅能唱歌跳舞，能舞刀弄剑，还能展现高超的驾驶技术。但是，机器人专家却面临着这样的困境，当他们试图制造一个能够自主学习新技能的机器人，就需要将一个活动分解成不同的精确的步骤，然后将相关信息通过编程植入机器人大脑。这种做法是假设了活动的每个方面都能被识别、描述和编码，然而事实证明，这并不是那么容易的。例如，高尔夫球的挥杆有一些特定的方面可能难以被描述，比如手腕和肘部相互间的力量作用就难以用语言形象地描述。这些微妙的细节更容易通过演示来交流而不是通过讲述的方式。

最近这些年，研究人员已经有一些教导机器人模拟人类 *** 作的成功经验，他们称这些为模拟学习或是示范学习。机器人通过装在身上的广角变焦镜头来看到人类演示的特定过程或是活动全程。然后由算法处理这些数据来产生一个数学函数，将视觉映射到实际行动中。当然，机器人在示范学习中必须能够忽视人类行为的某些方面---例如挠痒、眨眼等个人问题，这是机器人与人类处理方式的不同所在。

 

五、学习欺骗

对机器人来说，学习如何欺骗一个人或者是欺骗别的机器人是一个巨大的挑战。欺骗是需要想象的——这是将外部不存在的对象形成具体的想法或是图像的能力，而这种能力正是机器人缺乏的。机器人比较擅长处理从传感器、相机或是扫描仪中输入的数据，并将这些数据根据人类的设置转换成特定的思维或者图像，但是并不擅长理解传感器数据之外的东西。

“查派”在成长历程中，经历了人类的谎言与欺骗，从茫然不知，成长到了形同熟谙人情世故的“人”。虽然现在的机器人还难以做到如此惊人的效果，但是，佐治亚理工学院的研究人员在实验中已经实现了能够将松鼠的一些欺骗技能传授给机器人。首先，他们研究了绒毛啮齿类动物是如何通过引导竞争者去不同的地方来保护它们埋藏的食品场所；然后，研究人员将那些行为编码成简单的规则并加载到机器人的大脑中，机器人就能够使用算法来判定在什么样的情况下欺骗起作用，并且能够提供一个虚假的交流来误导机器人伙伴离开它们的藏身之处。假以时日，在人工智能的不断发展下，这种技能也许会日趋成熟。想象一下，我们将如何应对一个会撒谎的机器人？