1700044513
机器人研发的艺术
1700044514
1700044515
为了对研发智能化移动机器人的过程有更深入的了解，我们前往机器人研究的圣地——宾夕法尼亚州匹兹堡市的卡内基·梅隆大学（Carnegie Mellon University）。
1700044516
1700044517
几十年来，卡内基·梅隆大学一直是机器人研究和自动驾驶汽车研究的最前沿阵地。威廉·“瑞德”·惠特克教授（Prof. William“Red”Whittaker）是机器人研究领域的传奇人物，他带领卡内基·梅隆大学的塔坦参赛队（Tartan）分别于2004年、2005年和2007年获得了政府资助的DARPA（国防部先进研究项目局，美国国防部的下属研究机构）的挑战赛冠军。有些人认为正是这一赛事的举办加速了无人驾驶汽车的发展。2015年2月，共享出行公司Uber也急切地加入了自主研发自动化驾驶汽车的大军，将研发中心设在匹兹堡，并从卡内基·梅隆大学的机器人学系、计算机系以及国家机器人工程中心（National Robotics Engineering Center，NREC）招募了四十多人的研发团队。
1700044518
1700044519
NREC离大学主校区有1英里，享受联邦政府和企业的多项资金补贴，是卡内基·梅隆大学机器人学院对外的一个运营机构。我们前去拜访之时，Uber的触角还未伸到这里。在为写作此书进行调查时，很幸运的是恰巧我先前的一个学生布莱恩·扎雅克（Brian Zajac）就是NREC的硬件研发人员，他“大方”地带领我们参观了一下机构内部。NREC的使命是基于卡内基·梅隆大学计算机科学家和机器人学家的学术研究成果，研发制造可以应用于实际工作的机器人原型机。NREC研发的很多机器人或自动化车辆原本主要应用于军事领域，尤其是用于灾难复原工作，但真正批量化生产的是应用于工业领域的。
1700044520
1700044521
那天早上，我们开车去NREC，刚进停车场就闻到了一股工厂里的味道，这无疑在提醒我们已经离开了学术研究的象牙塔。坐落于阿勒格尼河（Allegheny River）岸边的一栋饱受风雨洗礼的红色砖墙建筑，曾经是车辆维修厂房，现如今就是NREC的主楼。尽管时过境迁，但匹兹堡市曾经辉煌的制造业所遗留下的痕迹还是随处可见。穿过停车场时，我们看到成堆废弃的车轮胎旁还停着几辆生锈的废弃牵引车。与布莱恩在大厅寒暄几句后，我们就开始参观这里展出的NREC的早期项目成果。参观者进入大厅后首先看到的一个作品就是“驮马（Workhorse）”，由惠特克及其他卡内基·梅隆大学的研究者于1979年设计制造的一个灾难恢复机器人，主要用于帮助清理三里岛核电站事故后的废墟。虽然它看起来只是一堆架在六轮小车上的不锈钢管，但曾经作出贡献的它业已退役，骄傲地挺立在总服务台旁边。
1700044522
1700044523
正式参观开始了，布莱恩领着我们穿过了总服务台后边的一扇门，进入NREC内部大片的办公室、实验室聚集区。随着布莱恩登上一架螺旋楼梯后，我们进入了一个光线良好的、有两层楼高的中央大厅，那里是整个建筑的中心。过去，当这里还是火车修理车间的时候，工程师会将有问题的车头拉到这片空地进行修理。现在，这里成了机器人建造的地方。
1700044524
1700044525
大厅的天花板上和墙上挂着几台退役的机器人，其中有一个八足机器人，它在鼎盛时期曾大胆地闯入阿拉斯加州的活火山；另一个退役机器人SensaBot曾被用于监控充满危险的油田。现在它们被几个轨道滑索固定着，在那里见证着下一代机器人的发展变迁。在我们逗留期间，可以看到悬在头顶上的SensaBot在墙上偶尔一上一下地滑动，展现着它是如何像运动员般轻松自如地在台阶上跳上跳下的。
1700044526
1700044527
在这个机器人大观园里，我们首先驻足观看到的是一个名叫CHIMP（CMU Highly Intelligent Mobile Platform，卡内基·梅隆大学高级智能移动平台，缩写后被命名为“黑猩猩”）的明星作品，它重达443磅，有5英尺高，是一个身形魁梧、浑身泛着红色金属光泽的灾难恢复机器人。为了建造CHIMP，25名软硬件工程师共同工作了一年多。我们的向导布莱恩当时就是那个项目团队的首席硬件工程师之一，他那时刚当爸爸，因此他还打趣对我们说CHIMP其实是他的另一个孩子。
1700044528
1700044529
我们发现CHIMP只是DARPA资助的一个持续性大项目的一部分，而那个大项目的目标就是研发能够在对人体有危险的或有毒的环境中独立工作的灾害应对机器人。三年来，DARPA资助了多所大学及研究实验室里的多个类似项目。
1700044530
1700044531
为了检验资助项目的实用性，DARPA在2012年至2015年间连续举办了三届名为“DARPA机器人挑战赛（Robotics Challenges）”的竞赛。来自世界各地的参赛队伍都可以在这个竞赛里展现自己机器人的实力。机器人挑战赛会在专门设计的场地里进行，场地会尽可能模仿自然灾害发生后的情景设计——有着散落在地的混凝土块，顶上压垮的钢筋横梁会挡住房门。参赛的机器人必须在没有人类直接现场监管的情况下完成一系列指定的灾难恢复相关任务，比如关掉金属阀门，在墙上挖洞，清理残骸，爬楼梯，或者使用电动工具。普通人自然可以轻松地完成这些任务，但想要编写人工智能软件来引导机器人的身体动作并进行稳定的人工识别则十分困难，因此对于机器人而言，这些任务十分艰难。
1700044532
1700044533
在2013年的第一届DARPA灾难应对竞赛中，参赛的机器人（包括CHIMP）中没有一个能完成所有的指定任务。但近年来，硬件传感器和电脑变得越来越快、越来越小，人工智能软件发展飞快，这些技术的进步不仅加速了无人驾驶汽车的成熟，也有助于灾害恢复机器人的发展——在2015年的DARPA竞赛中，CHIMP和另外两个机器人用了不到一小时就完成了所有任务。CHIMP在全球最顶尖的25个机器人中位列第三，这个名次为NREC的研发者赢得了50万美元的现金奖励。
1700044534
1700044535
布莱恩对我们说，现在仍能目睹CHIMP的运动展示，但仅限于一些简单动作。为了准备演示，CHIMP团队的研发人员忙乎了起来，开始启动机器人的操作系统。几个NREC工程师聚集在一块显示屏前，共同注视着一个十分复杂的操作界面。与此同时，CHIMP还在原地佝偻地趴着，它那淡定的姿态掩盖了背后复杂的过程——尖端的工程学技术要调动并协调它的肢体动作，软件要将它那伟岸的钢铁之躯连贯运作起来。
1700044536
1700044537
CHIMP热身完毕后，我们见证了它机械之躯的“华美”动作。它有两个强有力的类似猿猴的胳膊，可以展开变成履带、收回变成躯干的机器腿，以及精巧的可以自由伸缩的钳形手指。它身上的一系列传感器会将从环境中采集的数据及时传递，交由操作系统快速处理。
1700044538
1700044539
最后，过了十分钟，CHIMP的操作系统终于启动完成了。突然，它开始移动了。就像人类的运动员要热身一样，黑色的机械手臂伸缩了几下，逐渐地，CHIMP复活了。
1700044540
1700044541
CHIMP团队的机器人专家密切地监控着它的动作，飞速在键盘上输入各种指令。当CHIMP的传感器对环境检测完后，操作员给了它一个简单的指令：“前进十英尺。”接收指令后，CHIMP依据周围的环境建立了一个3D数字模型，然后开始计划并执行下一步动作。
1700044542
1700044543
计算建模完成后，CHIMP粗壮的机械腿流畅地变形为坦克履带，然后缓慢地向前滚动了几英尺。再后来，它举起手臂掉了个头，顺滑而自然地原路返回到开始的地方。回到起始点后，CHIMP的坦克履带又收回成躯干。演示完成后，它就关机了，再一次安静地趴在那里。
1700044544
1700044546
运动中的人工智能
1700044547
1700044548
CHIMP是个超强的移动机器人，可以达到奥林匹克运动员的水平。但可惜的是，这些先进的灾害应对机器人——即使如CHIMP这样精心打造的，也不经意间透露出人工智能研究过程中的拦路虎之一：把一台电脑的棋艺调教到世界大师水平是容易的，但教会一个机器人从一堆瓦砾中走过却要困难得多。机器人学家汉斯·莫拉维克（Hans Moravec）将这种看似简单任务自动化过程中遇到的困难进行了简洁的归纳，提出了著名的“莫拉维克悖论（Moravec’s Paradox）”。他发现“想让电脑在智力测验或国际象棋上达到成人的水平是相对简单的，但如果想让它达到一岁儿童的感知能力和移动水平，则困难许多，甚至无法实现”。
1700044549
1700044550
莫拉维克悖论还展现了一个长期存在于人工智能研究者和机器人学家之间的分歧。几十年来，人工智能研究一直寻求模拟人类智能，研发的软件则力图完成人们通常视为高智力表现的任务，如下棋、解谜或数学计算。与此同时，机器人学家追求的是另一个目标，创造能够观察并理解周围环境的人工生命机体，使其技能水平和流畅性至少不输于人类婴儿。
1700044551
1700044552
我们人类感觉简单的活动，如“关阀门、捡起工具以及在墙上凿洞”，其实背后是需要超大量计算能力支撑的。就好比从水面上看鸭子游动感觉很轻松，但实际上它的腿在水下猛烈地拍打，为了让机器人的肢体做出自然的动作，它的软件系统要持续进行大量复杂的计算。结果就是类似CHIMP及其灾难恢复机器人伙伴尽管可以在危害人类的物理环境里工作，但它们的反应时间非常慢，甚至赶不上一个低级生命体的条件反射弧。
1700044553
1700044554
观看DARPA竞赛录像，可以看到机器人在完成任务时的速度很慢，而且节奏不自然。它们的动作之所以缓慢，是因为即使仅仅调动一个的简单动作——例如穿越房间并抓起扳手，相应的软件代码也需要整个机器人系统运行一分多钟才能完成。另一个看似简单的活动——环视房间，检测障碍物并计划出穿行路线，同样也会占用大量的运算资源。想要“感知”周围的环境，机器人的视觉系统要扫描环境，然后中央处理器要处理大量信息流以查找参考模式和有意义的信息。当机器人操作系统确认好周遭环境并设定好一个恰当的反应后，身体不同部分的动作调动还需要额外的数据分析，因此也就耗用更多的时间。
1700044555
1700044556
巴西科学家苏珊娜·埃尔库拉诺-乌瑟尔博士（Dr. Suzana Herculano-Houzel）针对引导运动、感知和反应的软件系统为什么会如此耗费资源以及难以研发，给出了一些见解。她研究发现，那些长期被我们视为仅能体现智力低级水平的活动，才是生物大脑真正难以掌握的。之所以普遍被误解，是因为经历了数百万年的进化，我们的大脑对于投放大量认知资源解决这类问题的流程已经超级熟悉了。
1700044557
1700044558
埃尔库拉诺-乌瑟尔博士设计了一种技术来检测哺乳动物大脑中的神经元数量。经过数年的潜心研究，她发现人类大脑中包含大约860亿个神经元。然而，与很多脑科学家曾认为的观点不符的是，大量的神经元主要用于监控基本的身体机能和条件反射过程，而非高级的认知功能。
1700044559
1700044560
人类的小脑位于脑后的部位，平均含有690亿个神经元，主要负责管理身体的基本功能和运动平衡。相反，埃尔库拉诺-乌瑟尔博士的研究发现剩下的160多亿个神经元位于大脑皮层——承担所谓高级功能的区域，如自我意识、问题解决以及抽象思维。我们应该从人类神经元的分布状态中认识到，机器人的大脑也应该将大量运算能力贡献于知觉和动作的管理。
1700044561
[
上一页 ]
[ :1.700044512e+09 ]
[
下一页 ]