能独当一面的家用机器人，什么时候才会出现？

药明康德编译整理（来源：venturebeat.com）

图片来源：pixababy

人类社会的未来或许真的会印证著名科幻作家艾萨克 · 阿西莫夫的小说中那些奇妙的想象和预言，当然，指的是其中好的那些。关于未来世界广为人知的描述有很多，其中之一就包括机器人管家将无微不至的照顾我们的日常生活，比如如洗碗、叠衣服和遛狗。机器管家会照顾我们的孩子，取代护士和助理医师在诊所和医院中的角色，还会为每个人的三餐定制个性化的饮食计划。

毫无疑问这是个令人神往的前景，但首先要面对的严酷挑战是: 机器人如何学会自己解决问题？无法解决这个问题，我们就永远无法拥有像《杰森一家》中机器女佣萝西那样的机器人管家（译者注：《杰森一家》是著名动画剧集《摩登原始人》的未来版，描述了杰森一家在未来世界的生活）。目前大多数机器人严重依赖于启发式算法或是事前编码的程序来执行任务。Miso Robotic 公司推出过一款机器人叫Flippy，用于在加利福尼亚州帕萨迪纳的汉堡店来做肉饼烤制时的翻面工作，Flippy拥有远比一般工业机器人更为灵活的手臂，但比我们想象中的机器人管家差得还是太远。Flippy永远不会知道哄孩子上床睡觉首先该做什么，就好比它不会做蛋奶酥和蔬菜沙拉一样。

图片来源：pixababy

英伟达公司开发的人工智能系统SimOpt，向着实现真正的即插即用机器人迈出了坚实的一步——机器人能够在有限的基本知识或指令下自学技能。它利用强化学习——一种通过奖励（或惩罚）来驱使人工智能朝着目标前进的机器学习方法，让机器人把模拟进行的工作转化为在现实世界中实际行动，进而完成真正的工作任务。在相关研究中，脸书公司（Facebook）和加州大学伯克利分校（University of California，Berkeley）的人工智能科学家们利用强化学习得到的模型赋予了机器人"触觉"，扩展了它们移动和操纵物体的能力。

即便是目前最前沿的强化学习技术也并不是特别灵光——比如，在英伟达的 FleX 物理模拟引擎中，训练 SimOpt 需要9600次两小时规模的模拟。但是随着分布式计算的普及，不难想象时长将会大大缩短。在算力强大的云计算人工智能加速器上可以针对特定的场景来做模拟（例如切菜），直到精度达到最低要求，然后将所得的算法转移到现实世界的机器上。通过这种方式，机器人将会迅速的掌握全新技能。

监督式学习是另一种机器学习的方法，监督式学习和强化学习结合的技术势头很猛，它包括通过代理任务，使人工智能能够自主学习，从而达到与监督学习模型相当甚至更好的准确性，而且所需步骤更少。类似的，另一种机器学习方法迁移学习也是如此，迁移学习可以把前一个任务算法用于解决下一个问题，打个比方，如果一个人学会了骑自行车，那么他就可以套用经验来学会开摩托车。

最近，由普林斯顿大学、哥伦比亚大学和谷歌组成的团队印证了将多种技术结合起来的强大力量。团队开发了一款名为TossingBot 的机器人，TossingBot可以学习如何抓取物体并把它们扔进盒子里。经过14个小时的10000次抓握和投掷尝试后，TossingBot 从一堆杂物中准确抓取目标物品的成功率达到了87%。

需要清醒的意识到，无论是使用强化学习、迁移学习、半监督学习或是其他什么机器学习方法，即使是目前最复杂的机器人系统，也远远不及人类婴儿的能力。除了机械的限制，机器学习都是以（具体）任务为导向的，正如前文所提到的，机器人做不到举一反三，更别提多才多能了。

越来越多的研究机构展开了对非监督式学习的研究，一些专家坚信这是实现人工智能具备真正自主性的关键，拿对象排序问题来举例，就可以将无监督的数据收集与人工干预结合起来。就其本身而言，Facebook 正在利用部分的无监督强化学习来训练人工智能通过重复模拟而不是针对特定任务的模拟来学习技能，但目前还只是很初步的研究。

讲了这么多，就是想指出现实生活中还不太可能用上科幻世界中那样的机器人。撇开单位经济效益不谈，距离造出功能强大的机器人依然存在巨大障碍。 顽强的研究人员不会就此放弃，他们的工作无疑将在制造业中产出累累硕果。 不过在短期内，就不要指望你的下一个快递会由机器人送上门并且还和你聊上那么几句了。

参考资料

[1]https://venturebeat.com/2019/05/24/ai-weekly-truly-autonomous-home-robots-arent-within-sight-yet/