[-]

在学习抓东西时，婴儿结合了视觉和运动技能这两大系统。通过两种机制和大量试错练习，我们便学会了以不同方式抓取铅笔和订书机。如今，机器人也开始以相同方式进行学习。

谷歌正在教机器人一个简单任务：从一个容器里抓起物品，再放置到另一个容器里。机器人抓东西并非头一遭，但这些机器人是在根据持续不断地反馈，学习以新方式抓取不同形状、大小、特点的物体。举例而言，他们已经学会了以不同方式抓取柔软或坚硬的物品。

其它项目(比如康奈尔的“深度抓取”)会对物品进行分析，一旦获得最佳位置，便会尝试抓取，如果失败就再试一遍。而谷歌的方式则是不断分析物品、分析机器手和物品之间的关系，使其具有更强的随机应变能力，就像人类一样。

其实，这些机器人不过是由大脑、手臂、摄像机构成。手臂由两个深度神经网络所控制，它一共有三个关节，并连接着两根用来抓东西的手指。深度神经网络是人工智能的一种流行方式，因为它们能够通过大量数据做出预测。这回，其中一个神经网络只负责看容器照片，并预测机器手是否能够正确地抓取物品；而另一个则负责了解手抓取得怎么样，并通知第一个网络做出调整。

研究人员指出，机器人并不需要根据摄像机的不同位置进行校准。只要相机能够清楚地拍到容器和手臂，神经网络便可以进行调整，继续学习抓取物品。

两个多月来，谷歌让机器人抓东西抓了80多万次。在任何给定时间里，都有6至14个机器人在努力抓取东西，而人类唯一的任务就是重新往容器里装东西。这些物品都是普通的家用品，包括办公用品、儿童玩具、海绵。

Create, Discover and Share on Gfycat

最让研究人员吃惊的结果，便是机器人学会以不同方式抓取坚硬和柔软的物品。如果它们感知到坚硬的物品，那么便会用两只手指抓取物品的边缘，并紧紧握住。但对于柔软物品(如海绵)而言，神经网络意识到将一根手指放在中间、另一根放在边缘会更轻松一些。

Create, Discover and Share on Gfycat

这批机器人以持续不断的直接反馈，帮助神经网络进行学习，其中的人类干涉非常少。这使机器手臂甚至能够抓起它从未见过的东西，成功率非常高。新物品的抓取失败率为10%到20%之间，具体取决于物品是什么；如果机器人抓取失败，那么它会再度尝试。谷歌的进展比康奈尔的“深度抓取”项目差一点——后者的坚硬物品抓取失败率为16%，毛绒玩具等柔软物品的成功率为100%。

无人驾驶汽车、自主机器人、无人机投递等未来概念都涉及机器人和自然界的交互，而教会机器人理解周围世界及其物理限制则是一个重要过程。接下来，研究人员希望在现实环境中对机器人进行测试，而非在实验室里。这意味着多种光线、各种地点、运动物体、机器人磨损。

本文译自 popsci，由 蛋花 编辑发布。

PREV : 新数学模型：描绘早期宇宙的膨胀
NEXT : 独特唱片公司：专做汪星人音乐