加州伯克利電——機器人下方是一個裝滿各種物品的箱子，里面既有盒裝即食麥片，又有小型玩具鯊魚。用于測試機器人有兩個人機器臂，它無法識別箱子里的任何一件物品，但這并不影響它工作。只見它將機器臂放入成堆的物品中，開始一件接一件的分揀物品。

　　杰夫·馬勒（Jeff Mahler）是加州大學伯克利校區一間實驗室的研究人員，也是研發這個機器人團隊的成員之一。他說：“面對混亂不堪的物品堆，它找到了抓起每一件物品的最佳方式。”

杰夫·馬勒（左）和肯·戈爾德伯格在加州大學伯克利校區研究如何能讓機器人自己學會處理各種任務。

　　對于人類而言，在一堆物品里拿起東西是一個簡單的工作。但對于機器人來說，這可是非凡卓越的才能。具備這種能力的機器人能夠為全世界最大的企業帶來顯著的改變。從長遠角度看，這類機器人將影響勞動市場的格局，讓很多人丟掉飯碗。

　　如今，機器人在亞馬遜這樣的零售巨頭和富士康這樣的制造公司里發揮了重要的作用。但是我們所使用的機器人只能從事非常具體特定的工作，比如將特定類型的集裝箱從倉庫一頭搬到另一頭，或者將特定類型的芯片放置于電路板上。它們無法整理分揀一堆物品，也不能勝任更為復雜的工作。亞馬遜有著規模巨大的配送中心，它的主要任務就是對貨品進行分揀整理。在這里，承擔絕大部分工作的還是大量的人類員工。

　　加州大學伯克利校區的機器人非常引人注目，因為它能拿起自己從未見過的東西。馬勒和其他幾個來自加州大學伯克利校區的同事組成團隊，共同訓練機器人。他們采用的訓練方式很特別：為機器人展示數百個單純的數字化物品。經過訓練之后，機器人就能拿起從未見過但卻存在于數據中的物品。

　　加州大學伯克利校區的教授肯·戈德爾伯格（Ken Goldberg）是該校機器人實驗室的負責人。他說：“我們先在模擬模型身上學習經驗教訓，然后再將獲得的知識應用到實際工作之中。”

　　這個機器人遠稱不上完美。目前它尚處于實驗室研究測試階段，距離投入實際使用還有很長一段時間。研究人員給它裝上了吸盤和平行抓握手爪（一種只有兩個手指的機械手），因此它能夠穩穩抓起很多類型的物品。不過，它無法在機械臂移動過程中自由切換吸盤和平行抓握手爪。用于訓練機器人的技術給機器人研究領域帶來了根本性的改變。這種轉變不僅能夠徹底改變亞馬遜倉庫的工作模式，還能顛覆整個物流倉儲產業。

　　馬勒沒有利用程序代碼為機器人指定詳細的任務和動作。相反，他和同事讓機器人學會如何自行學習了解各種任務。東北大學、卡內基·梅隆大學、谷歌和OpenAI（由特斯拉首席執行官伊隆·馬斯克創辦的人工智能實驗室）的研究人員都在開發類似的技術。很多人相信，這種機器學習能力最終將使機器人成功掌握大量工作技能，比如制造物品。

　　德國制造業巨頭西門子公司（Siemens）的先進自動化制造技術部門主管胡安·阿帕里西奧（Juan Aparicio）表示：“這種機器人將慢慢推廣到裝配業和其他更為復雜的工業領域。這就是它發展的基本路線。”據悉，西門子公司出資贊助了加州大學伯克利校區的機器人研究。

　　從實體造型上來看，加州大學伯克利校區的機器人沒有什么新奇之處。馬勒和團隊成員使用的是市面上常見的硬件材料，包括兩個由瑞士跨國公司 ABB 制造的機械臂和一個負責測量深度的攝像頭。

　　真正與眾不同的是軟件：馬勒和同事創新性的使用了神經網絡（neural networks）。受人類大腦中的神經元網絡的啟發，研究人員發明了神經網絡。它是一個復雜的算法，能夠通過分析海量數據進行學習，從而掌握各項工作技能。神經網絡能從數千張狗的圖片中分析出狗共同之處，從而找到識別狗的模式，這樣一來，神經網絡就具備了識別狗的能力。

加州大學伯克利校區的機器人能夠拿起自己從未見過的不規則物體，比如玩具鯊魚。

　　過去五年里，這類算法從根本上改變了互聯網巨頭們構建在線服務的模式，促使各類產品飛速升級發展。從圖片識別、語音識別到互聯網搜索，所有東西都在神經網絡的影響下出現巨變。同樣，神經網絡也能推動機器人技術的進步。

　　研究伊始，加州大學伯克利校區的研究團隊在網上瘋狂的尋找 CAD（computer-aided design，計算機輔助設計的簡稱）模型。這些模型以數字化的方式反映生活中的實體物品。在進行實驗或者開發新物品時，工程師、物理學家和設計師構建了各種 CAD 模型。馬勒和同事們收集了很多數字化的物品，最終構建起一個容量超過 700 萬件物品的數據庫。接著他們模擬出每一件物品的真實情況，讓機器臂知道拿起物品的精準抓握點在哪里。

　　這是一個浩大的工程，但整個過程幾乎是全自動化的。研究團隊將 CAD 模型輸入神經網絡之后，神經網絡便學會了在任何形狀的數字化物體身上識別相似點。研究團隊將神經網絡接入機器人之后，機器人便能在任何實體物品身上識別相似點。

　　面對一個圓柱形（或者至少某些部分是曲面）的日常物體時——比如說抹刀、訂書機、圓柱形容器、果脆圈（Froot Loops，美國頗受小朋友歡迎的水果味早餐麥圈——譯者注）或者一管牙膏——機器人通常能夠將其抓起。一般來說，抓起成功率在 90% 以上。如果物品的形狀更加復雜（比如玩具鯊魚），抓起成功率便會下降。

　　除此之外，研究團隊還仿照出一大堆隨機物體并將其輸入神經網絡。如此一來，神經網絡便學會從成堆的實體物品中抓起某一件物品。布朗大學和東北大學的研究人員正在進行類似的研究。他們希望將這類成果與其他技術方法進行結合。

　　與西門子和豐田研究中心一樣，亞馬遜也為加州大學伯克利校區的機器人研究工作提供了大量資金。實際上，亞馬遜迫切希望這類機器人早日投入使用。在過去的三年中，該公司舉辦了一項由眾多科研人員參加的比賽。參賽者要利用機器人成功“抓起物品和放下物品”。但是，像加州大學伯克利校區研發的這種機器學習技術具備很強的推廣能力。最終他們能將此類技術推廣到很多其他領域，比如制造業和家用機器人領域。

　　布朗大學教授斯蒂芬妮·特萊克斯（Stefanie Tellex）表示：“能夠成功拿起物品我們對擁有機械臂機器人的第一個要求。具備這個能力之后，它才能做出許多更為復雜的動作。如果機器人不能成功拿起物品，那么其他的一切都無從談起。”

　　這些研究向我們展示了機器人在數字世界學習任務后如何將其適用到現實世界中來。加州大學伯克利校區的機器人裝有可以測量深度的攝像頭，能夠捕捉三維圖像。這些三維圖像與研究團隊訓練神經網絡時所使用的 CAD 模型非常類似。

　　其他研究人員正在研發幫助機器人直接從實際經驗中學習的技術。谷歌研究出一種叫做強化學習（reinforcement learning）的算法技術。使用該算法之后，機器人就能通過反復嘗試而學會開門。但是這種實際訓練既浪費時間又消耗金錢。相比之下，數字化訓練才是高效劃算的模式。

　　因此，一些組織機構希望利用復雜的虛擬世界來訓練機器人：先讓它們在數字游戲中得到訓練，然后再在現實環境中實際操作。如果系統能夠在《俠盜獵車手》（Grand Theft Auto）這樣的賽車游戲中學會開車，它就能在現實世界的道路上掌控汽車飛馳前進。

　　當然，這基本上還停留在理論層面。但在加州大學伯克利校區和東北大學這樣的地方，研究人員已經證明數字化訓練的確能幫助機器人更好的在現實世界中學習和掌握技能。

　　東北大學教授羅伯·普萊特（Rob Platt）說：“這是一個挑戰，但我們正在想辦法一步步克服困難。”