机械手臂的进化过程

游戏中界，游戏玩家早已了解各种各样仿生技术身体和机械外骨骼，玩科幻游戏好长时间了，乃至有一点觉得到这类技术性早已无所不在。但事实上，科学家们正在继续研究机器人手臂，甚至没有意识到霍华德在大爆炸中的大胆想法。

尽管一个机器人手臂和五个机器人手指并不像人类那么灵活，但是研究人员在世界上最顶尖的人工智能实验室越来越接近于制造模仿真人手的机器人手臂。

在ElonMusk和其他几位硅谷名人共同创建的Openai实验室，研究人员创建了一个名为Dactyl的机器人手臂。它看起来像卢克天行者的机械假肢在最新的星球大战电影：它的机械手指可以弯曲或伸展像人类的手指。

你可以让Dactyl向你展示字母组成块的一面，如红色O、橙色P或蓝色I，这将显示你，然后旋转、扭曲和以灵活的方式翻转构成块。

对对人类来说非常简单，但对于机器来说，这是一项伟大的成就：机器人手臂，达克龙，基本上是靠自己学习如何做到这一点。研究人员使用数学方法让达克蒂尔学习，相信他们可以训练机器人手臂和其他机器来完成更复杂的任务。

这个聪明的手臂代表过去几年机器人学研究的巨大飞跃。但直到最近，研究人员一直试图让更简单的机器人手臂掌握更简单的任务。

这个系统是由加州大学伯克利分校机器人实验室Autolab的研究人员创建的，它代表了几年前技术的局限性。这台机器配备了一个两指夹子，可以取出螺丝刀或钳子等东西，并将它们分成不同的容器。

Piers比五个手指更容易控制，而创建操作钳所需的软件也不那么困难。它可以处理一些不太熟悉的物体。例如，它可能不知道什么是餐馆式番茄酱瓶，但它知道这个瓶子的形状像螺丝刀。但是如果这台机器遇到了与之前不同的东西——例如一个塑料手镯——它可能工作不好。

每个人都想要一个可以接收任何东西的机器人，包括从未见过的东西。这是Autolab的其他研究人员在过去几年里建造的机器人。

这个系统仍然使用简单的硬件：一个夹子和一个吸盘。但是它可以拾取各种随机的东西，从剪刀到塑料玩具恐龙。

该系统得益于机器学习的巨大进步。伯克利分校的研究人员对10,000多个物体的物理模型进行了建模，并为每个物体确定了最佳选择。然后，系统采用神经网络算法对所有这些数据进行分析，学习识别每个项目的最佳方法。在过去，研究人员必须对机器人进行编程，让它们完成每项任务。但现在，它可以自己学习这些任务。

当面对一个塑料野足玩具时，系统意识到它应该用钳子来接。但当它遇到番茄酱瓶子时，它会选择吸杯。这个机械手可以成功地捡起多件随机物品。

它并不完美，但是由于系统本身可以学习，它的进展速度比旧机器快得多。

伯克利分校的研究人员利用最新的机器学习技术，集成了一个机器人系统，可以在两周内做床。机器人可能无法完全完成医院的工作，但它代表了重大的进步。
现在，通过分析数据，系统可以学会在短时间内建床。在学习时，系统会分析铺床过程中的每一个动作。

 
在伯克利的bair实验室，另一个系统正在使用其他学习方法。这个机器人手臂可以用夹子推动物体并预测它应该在哪里。这意味着它可以像你我一样把玩具移到桌子上。

这个系统通过分析大量的视频图像来学习这种行为，这些图像显示了物体是如何被移动的。通过这种方式，它可以处理这种任务带来的不确定性以及一些意想不到的动作。

这些都是简单的任务，机器只能在特定条件下处理它们。它们失败的次数并不比成功的次数少。但驱动这些系统的机器学习方法表明，在未来几年内将会继续取得很大的进步。

和Openai研究人员一样，华盛顿大学的研究人员正在训练与人类拥有相同手指和关节的机器人手臂。

这比训练一个夹钳或吸盘要困难得多，一个模拟人类的手应该能够以多种不同的方式移动。因此，华盛顿的研究人员通过模拟周围的环境来训练他们的机器手臂。

在openai，研究人员正在以同样的方式训练他们的dactyl操作器，而且该系统在旋转字母块时已经累积了大约100年的训练。这一数字模拟在成千上万的计算机芯片上同时运行，得以将训练时间压缩到两天。它通过反复的尝试和犯错来学习这些任务。一旦它了解了模拟仿真工作中，它就能将这种专业知识运用到现实世界中。

许多研究人员质疑这样的模拟是否离开了理论结果，但正如伯克利和其他实验室的研究人员所证明的，openai团队已经证明了这一点。她们在仿真模拟中引入了一些偶然性，这更改了手和块中间的磨擦，乃至更改了仿真模拟重力。在一个模拟的世界里，在学会处理这种随机性之后，操纵者可以处理现实世界的不确定性。

Dactyl今日能做的是转动一个正方体，可是科学研究工作人员已经探索如何把这种关键技术于更繁杂的每日任务。比如制造业，无人驾驶飞机，甚至是无人驾驶汽车。