机器人产业方法论怎样去重新的认识

提到机器人，大家脑海中第一时间会浮现出怎样的事物？

大概率情况下，要么是工业级/服务级机器人，以机械臂、简单驱动型为主角，不讲究外形美观，动作也往往不怎么连贯，常常被冠以“人工智障”的美称；

要么则是仿人机器人，它们总是出没在伯克利或波士顿动力等高大上的实验室里，能够以七十二般武艺让人类忍不住发出“灭绝警告”，但必需的编程和持续作业能力，以及技能的泛化程度，却都达不到大规模应用的可能。

人与智能机器之间，有没有第三种可能呢？

其实早在1960年，约瑟夫·利克莱德（J. C. R. Licklider）就曾提出了一个观点——人机共生（Man-computer symbiosis）。

简单来说，就是人类和电子设备以亲密合作的方式生活在一起，甚至结成紧密的联盟。两者的结合，可以创造一种高产且生机勃勃的合作关系。

“人类机器命运共同体”，听起来是不是很心动？可惜的是，目前目前还很少见到人机共生体（man-computer symbioses）的出现。所以，最近中国机器人产业中出现的“发球机器人”，就引起了我们的注意。

原因无他，这或许是人机共生“星星之火”燎原的起点。

点燃人机共生的星火：发球机器人的初蹄

首先有必要解释一下，为什么说发球机器人，体现出了“人机共生”的现实趋势。

这款发球机器人，起源于新松机器人与乒乓球学院一次偶然的谈话。

当前的乒乓球运动存在一些亟待解决的问题：

一是效率。助教为专业运动员喂球时，往往在速度、旋转、落点控制、频率等方面，难以达到高水平选手的训练需求；

二是统一。一旦助教出现疲惫、状态不佳等情况，就会直接影响速度、旋转等参数，影响训练特定技战术动作的一致性，运动员很难形成最佳的肌肉记忆；

三是反馈。乒乓球是一项实时性非常高的运动，往往一秒之间几个来回，过快的球速与落点的不确定性，也导致教练往往只能凭借经验来反馈，很难通过量化来优化教学，一些特定动作也就无法有效分析和复现。

四是普及。乒乓球的另一个身份是“国球”，中国有众多的爱好者和青少年参与到这项运动中来，但不同地域、不同水平的教练却参差不齐，自然也就无法满足更多人群享受乒乓球这项运动的愿望。

能不能通过智能技术的引入，来解决上述问题呢？

深耕深度学习算法的庞伯特，就以新松的机器人研发技术和中国乒乓球学院的海量专业数据和课程，研发出了可以自主决策的人工智能发球机器人。

而让庞伯特机器人得以胜任发球工作的几大核心：

首先是感知。通过高速双目立体视觉系统，机器人能够捕捉高速运动下的乒乓球位置，并形成球的轨迹，通过轨迹分析，在毫秒内判断球速以及球的旋转方向，让乒乓球技术转化为可视的数据，实时调整，精准化训练。

其次是决策：在轨迹分析的基础上，庞伯特同时对人体动作进行捕捉，通过与预设的动作角度进行比对，分析运动员动作是否到位。结合轨迹和动作两个因素，判断运动员的水平，推荐课程。对于个人爱好者来说，相当于拥有了一个专业教练+陪练。

再次是运动。庞伯特机器人具有类人化结构，不同于市面上以挤压方式进行发球的设备，庞伯特能够高度模拟类人化的发球方式，模拟人类发球时对球方向和旋转，实现两跳发球。而利用不同的球拍胶面，还能打出不一样的球，这些都能更好地辅助人类运动员进行训练。

显然，庞伯特机器人正在将技术思维（technical thinking）与人类智慧相结合，为人机共生打开了新的窗口。

逃离恐怖谷：发球机器人昭示三重改变

从庞伯特机器人的实践中不难看出，如果在人和机器之间建立共生关系，那么二者的合作互动显然会大大改善很多现有问题。

由此也可以总结出，共生型机器人与大众常见的传统机器人有何不同之处：

首先，尽管所有人造系统都是为了帮助人类，但传统的自动化机器人更多的是为了实现“人类增强”，而共生型机器人则是为了“与人类更好地生活在一起”。

还是以发球机器人为例，传统的发球设备只是机械地扩展某项技能，比如取代人的手臂来进行发球，往往需要人类助教来完成那些需要主动决策、调整、制定标准等工作，在效率和功能上并没有带来质的改变。

而庞伯特机器人的特殊之处，就在于通过深度学习算法的引入，在智能程度上赋予了机器人新的高度。比如实时高通量的数据收集与处理；高效精准专业的预判决策；个性定制化的训练反馈与指导；乒乓球运动的随机性又要求算法具备一定的泛化能力和高鲁棒性……这些都是庞伯特机器人能够成为乒乓球运动伙伴的关键。

第二，共生型机器人必须具备可“实时”（real TIme）进行的思考过程。

传统的机器人可以根据预先设定的程序处理数据。比如餐厅服务机器人，输入店内地图、设定好传送菜程序之后只能按部就班地工作，有的甚至连避让行人都做不到，因为提前设定会导致一旦出现不可预见的情况，整个过程就会停止。

但球类运动可不一样，乒乓球的高速运动需要发球者做出毫秒级的判断，像人一样快速思考、分析、决策、反应。对于人类来说都可能要靠直觉来完成的事情，对机器与人之间的耦合要求要紧密的多。

让机器能够做出决策和控制复杂的情况，而不依赖于预先确定的程序，就是庞伯特机器人向我们展示的现实图景。

最后，共生型机器人有机会重构机器人行业的商业方法论。

长期以来，传统机器人市场的商业逻辑，要么是“人工+智能”，用真人来 *** 控机器人模型，以达到模拟强人工智能的效果；要么是长期砸钱在天顶技术上，比如波士顿动力的机器人虽然炫酷，却因商业化困难而卖身给软银。

但庞伯特机器人所代表的共生型机器人却开启了另一种模式，通过“真AI算法”+聚焦实用场景来切入市场。

我们注意到，除了发球机器人之外，庞伯特还打造了对打机器人。

将深度学习神经网络与强化学习相结合，让对打机器人和发球机器人能够通过大量复杂环境的交互，运用各自的人工智能算法平台，不断得到反馈，互相学习到新的技能与策略，机器人之间的对战也能不断提升算法模型的复杂度与智能度。

同时，一旦高性能算法模块被拼图一样使用，就能够以低成本、小型化、高效率的方式快速打开市场，未来不止于乒乓球这一项运动，更多场景都可以通过轨迹分析、动作分析、终端显示等集成模块带来改变。

从这个角度看，庞伯特机器人正在重新确立人与机器、甚至是机器与机器的关系，即一种共生伙伴关系（symbiotic partnership）。在这一美好的画面中，机器会为人类提供见解和决策，而人类则能更有效地进行智力活动与创造。

打开产业智能的价值图景：挖掘人机共生的富矿

正如国际人工智能联合大会前主席Francesca Rossi所说，人机共生是未来人类使用AI的最好方式。

那么，作为人类和机器的预期前景，其中是否也埋藏着商业价值的富矿呢？

答案是肯定的。

以庞伯特机器人为例，未来就有可能缔造出不少新的产业机遇。

比如说，通过与海量运动员对战，发球机器人可以积累专业领域的数据，不断优化算法，快速提升自身的击打能力和策略，衍生出个性化的对战方式，来帮助运动员更好地进行训练。并将其输出为可量化、可视化的训练标准，让乒乓球的专业教育门槛下沉到普通人生活当中。

再比如，分析决策算法的持续迭代，有望推广到新的运动和行业中去，以基础化的能力支撑起千行万业的智能化需求，成为“新基建”中不可或缺的一员。举个例子，当机器人与城市智慧健康系统结合，是否能够作为市民健康的关键终端，来提供行而有效、可连可控的运动网络呢？

从这个角度延展开来，庞伯特机器人不仅能够输出算法模块，还能够向其他行业输出软硬件合一的整体智能解决方案。通过算法、硬件、人的交互，完成一次人机共谋的大变革。

站在万物智能、人机共生的起点，不难预见人类和机器之间密切耦合的未来。与智能生命伙伴共舞，是人类必然的未来。而目睹了庞伯特机器人的我们，也正在经历种植AI的进行时。

过去的数年间，让深度学习摆脱需要大量输入和人工的有监督学习，一直是人类研究者努力的方向，为此推动了许多新的技术进展，比如：

借助meta learning元学习算法，机器获得了“泛化”，能够举一反三，学习协同性地处理多种任务；

借助Reinforcement Learning强化学习，机器懂得了“决策”，通过不断地自我学习与回馈来抵达高级智能。

而这些能“拟人”的机器学习方法，也让AI获得了前所未有的能力，打败柯洁李世石的DeepMind阿尔法狗、在DOTA2中团灭人类电竞选手的OpenAI Five、自动驾驶，乃至通用人工智能AGI，都是通过让机器模仿人类对世界的认知方式，以不断探索、试错、改进的方式，与环境进行实时交互，进而提高自己的能力。

天地有正气，杂然赋流形。今天，庞伯特也试图让机器人“自行进化”，启动了一场发球机器人教对打机器人打乒乓的“先锋实验”。

通过两台机器人之间的相互“较量”，让机器人身处在一个不可预期的环境中，依靠人工智能算法平台主动生成一些标记和标签来做决策判断，独立解决多个非线性的逻辑问题，通过“行动-评价”的强化学习机制来改进自身，适应新的环境，从而发展机器人间的校验标准。这会为成为机器人社会意识的起点吗？

责任编辑：ct