π导航  

经过几十年的笨拙，机器人终于学会优雅地走路、跑步和抓东西了。

这样的进步标志着人工智能时代的到来。

年轻的动物奔跑穿过田野，爬树，跌倒后立刻优雅地找到了自己的脚。

和我们的灵长类表亲一样，人类也可以运用对生拇指和精细的运动技能来完成一些任务，比如毫不费力地剥开柑橘皮，或者在黑暗的走廊里寻找正确的钥匙。

虽然行走和抓取对许多生物来说都很容易，但机器人在步态移动和灵巧性方面一直臭名昭著。

直到现在。

Hwangbo等人在《科学机器人学》(Science Robotics)杂志上撰文，报告了一个有趣的证据，表明一种数据驱动的机器人软件设计方法，能够克服机器人和人工智能研究领域长期存在的一个挑战，即模拟与现实之间的差距。

几十年来，机器人专家一直在使用一种软件来引导机器人的四肢，这种软件是建立在经典控制理论(classic control theory)的预测数学模型基础上的。

然而，这种方法在引导机器人肢体完成各种形状的行走、攀爬和抓取任务这一看似简单的问题上被证明是无效的。

机器人通常在模拟中开始它的生命。

当它的引导软件在虚拟世界中表现良好时，该软件就被放置在一个机器人体内，然后送入物理世界。

在那里，机器人将不可避免地遇到无限的、难以预测的不规则环境。

这类问题的例子包括表面摩擦、结构灵活性、振动、传感器延迟和不合时宜的执行器——将能量转化为运动的装置。

不幸的是，这些组合的麻烦是不可能充分描述，提前使用数学。

因此，即使是在模拟中表现出色的机器人，在遇到一些看似很小的物理障碍后也会磕磕绊绊。

Hwangbo等人通过将经典控制理论与机器学习技术相结合，展示了一种缩小这种性能差距的方法。

研究小组首先设计了一个名为ANYmal的中型四足机器人的传统数学模型(图1)。

接下来，他们从引导机器人肢体运动的执行器中收集数据。他们将这些信息输入几个被称为神经网络的机器学习系统中，建立第二个模型——这个模型可以自动预测淀粉样机器人肢体的特殊运动。

最后，研究小组将训练好的神经网络插入到第一个模型中，并在一台标准台式电脑上运行混合模型。

混合仿真器比基于分析模型的仿真器速度快，精度高。但更重要的是，当一个运动策略在混合模拟器中进行优化，然后转移到机器人的身体，并在物理世界中进行测试，它是成功的，因为它是在模拟。这一迟来的突破标志着看似不可逾越的模拟与现实鸿沟的终结。

Hwangbo等人使用的方法暗示了机器人领域的另一个重大转变。混合模型是实现这一变化的第一步。下一步将是彻底淘汰分析模型，代之以使用从机器人真实环境中收集的数据进行训练的机器学习模型。这种纯数据的方法——称为端到端培训——正在获得动力。一些创新的应用已经被报道，包括铰接式机器人手臂、多指机械手、无人机，甚至自动驾驶汽车。

目前，机器人专家仍在学习如何利用更快的计算速度、丰富的传感器数据以及机器学习算法质量的提高。目前还不清楚大学是否应该停止教授经典控制理论。然而，我认为这已经是不祥之兆:未来的机器人专家将不再告诉机器人如何行走。相反，他们将让机器人自己学习，使用从自己身体收集的数据。

当然，仍然存在许多挑战，其中最主要的是可伸缩性的挑战。到目前为止，端到端训练已经应用到只有少量执行器的物理机器人上。执行器越少，描述机器人运动所需的参数就越少，因此模型就越简单。实现可伸缩性的途径可能包括使用更分层和模块化的机器学习体系结构。需要做进一步的研究，以了解端到端控制是否可以扩大到指导拥有数十个执行器的复杂机器，包括人形机器人7，或大型系统，如制造工厂或智能城市——使用数字技术改善市民生活的城市地区。

另一个挑战不那么技术性，而是更加个人化。对一些研究人员来说，从使用相对简单的数学模型到应用“黑匣子”机器学习系统(其中的内部工作原理未知)的转变，标志着洞察力的不幸终结，并带来失控的感觉。我不是那种研究人员。对我来说，看到机器人像孩子一样学会自己走路是一件令人满足的事情。

黄波等人提出的见解也可以从心灵之谜的角度来考虑。意识一直是人类本性中最古老的谜题之一。根据我的经验，人类对自我意识的定义是如此模糊，以至于它们对于构建机器人软件几乎没有实用价值。然而，也许事实正好相反，对机器人软件的研究可以让我们深入了解关于人类思维的古老问题。

我们可以推测，自我意识以及由此延伸出来的意识，其核心是我们抽象思考自己的能力的一种表现——自我模仿。我认为，一个人能看得越远，对未来活动的心理图景越详细，他的自我意识能力就会越强。现在，机器人能够学习自我模拟。这一突破不仅是一个实用的进步，将节省一些工程努力，而且是机器人自主时代的开始。