| 随着人工智能的发展，机器已经可以完成更多的操作，然而让机器人如人脑一样的思考仍遥遥无期。同时，业内对“深度学习有帮助机器人大脑进化的可能”已达成共识。这里我们看Derrick Harris对“Robotics: Science and Systems”会议内容的总结。 以下为译文： 下次你看到机器人给人递咖啡，问简单的问题，甚至开车，千万不要大惊小怪。 是的，很多所谓的智能或学习机器人仍然只能做简单的事情，它们不能按照人的大脑的方式工作。然而机器学习确实很难，大多数人工智能事实上非常工程化。发现人类与机器人之间的正确的交互方式可能更难。
然而，深度学习（当今人工智能研究员的常用手段）可能成为机器人大脑的进化途径。本月早些时候，我参加了 Robotics: Science and Systems会议，对研究机器人技术的数量印象深刻，机器人技术似乎都可以用深度学习技术解决，在过去的几年，深度学习技术因为Google、Facebook 以及Microsoft而出名。 大会几乎涉及机器人智能的所有方面，从使用“Tell Me Dave”的工具来训练机器人助手完成家务，到教机器人选择从点A到点B的最佳路径。研究人员讨论了在自动驾驶车辆上的应用，从分析土壤类型以增加越野车牵引，到学习地理位置的潜在特征（为了在白天、黑夜、下雨或者下雪天识别它们）。
我最喜欢的一个演讲是关于机器人“ikeabot”的，它专注于组装家具。它的研究人员正在试图找出机器人和人类同事交流的最佳过程。事实证明，这比教机器人了解物体或者如何适应装配过程需要的多得多。例如，机器人如何请求帮助会影响人类同事的工作效率和工作流程，甚至会让他们感觉，他们正在和机器人一起工作，而不仅仅在它旁边。 据使机器人更聪明。无论何种输入（语音、视觉或某种环境传感器），机器人都依靠数据来做出正确的决定。研究人员为训练人工智能模型和创建算法使用的数据越多越好，他们的机器人就越聪明。 好消息是有很多好的可用数据。坏消息是很难训练这些模型。 基本上，机器学习的研究人员往往需要花费几年的时间来确定属性、特征或重点模型，并编写代码使计算机能够理解这些特征。为了创建一个能够识别椅子的机器人（或算法），需要利用成千上万的图像训练计算机视觉系统，这中间有很多的工作要做。 这是人工智能的新方法（包括深度学习）起作用了。我们已经在许多场合解释过，目前人们在系统方面付出很多努力，这些系统让他们了解所获取的数据的特点。写这些算法和优化这些系统很不容易（这就是为什么深度学习领域的专家享受着顶级的薪酬待遇），但是他们可以帮助消除大量繁琐并费时的手工劳动。 事实上，在机器人技术大会上，Andrew Ng指出深度学习（不仅限于深度神经网络）是吸收和分析大数据的最好方法。Ng作为Coursera的合作创始人出名，在2011年领衔Google Brain项目，并在斯坦福大学教授机器学习。最近，他加入了中国搜索巨头百度，成为其首席科学家。 但Ng也了解机器人。事实上，自从2002年加入斯坦福学院，他的大部分研究都集中在将机器学习应用于机器人，让它们行走、飞翔以及看得更清楚。就是这项工作，或者是它的局限性激励他花这么多时间来研究深度学习。 他说：“如果想在机器人技术上取得进展，就必须把所有时间都用在深度学习上。” |
