AI Weekly真正自主的家用机器人尚未出现
有一天，我们的世界可能看起来像Isaac Asimov小说中的某些东西，而不是更糟。在一个对遥远未来的流行描述中，机器人管家将关注我们的奇思妙想，并执行诸如洗碗，折叠洗衣和行走宠物等琐事。他们会照顾我们的孩子，代替门诊和医院的护士和医师助理，并在餐馆中为每种可能的饮食个性化膳食计划。
这是一个有吸引力的愿景，但这是一个艰难的事实：后勤挑战阻碍了Rosie-from-the-Jetsons般的自给自足。如今，大量机器人严重依赖启发式或手工制作的规则来执行任务。考虑一下来自Miso Robotics的汉堡翻转机器人Flippy：它的手臂比普通的工业机器人更灵巧，但是他们需要做出的动作与假设的家用机器人相比相对较少。Flippy不会“知道”关于把孩子抱到床上的第一件事，就像制作蛋奶酥或面包屑一样装备不好。
朝着真正的即插即用机器人迈进的前景 - 也就是说，能够通过有限的先验知识或指导学习技能的机器人 - 就像Nvidia AI的SimOpt这样的模型。它利用强化学习，一种培训方法，利用奖励将AI代理推向目标，将模拟工作转移到实际行动中。在相关研究中，Facebook AI和加州大学伯克利分校的科学家们使用强化模型为机器人注入了一种“触觉”，扩展了他们移动和操纵物体的能力。
即使是尖端的加固技术也不是特别有效 - 例如，训练SimOpt需要在Nvidia的FleX物理模拟引擎中进行大约9,600两小时的模拟 - 但随着分布式计算的普及，不难想象它们如何缩放。在强大的云AI加速器上运行的软件可能会合成针对域的方案 - 例如，切片蔬菜 - 直到达到基准准确度，然后将新知识传输到真实世界的机器。通过这种方式，机器人可以在一夜之间学习。
自我监督与强化学习密切相关，强化学习涉及代理任务，使AI代理能够自主学习，使得他们达到与具有较少步骤的监督模型相同(或更好)的准确性。转移学习也是如此，其中为一个任务构建的AI系统被重用作第二个任务的起点。
作为普林斯顿，哥伦比亚和Google最近演示的团队，这些技术结合起来非常强大。他们开发了TossingBot，这是一个拾取机器人，学会抓住并将物体扔进前所未见的位置。经过大约14个小时的10,000次抓握和投掷尝试后，TossingBot可以在87%的时间内牢牢抓住杂乱堆中的物体。
要说清楚的是，即使是当今最复杂的机器人系统 - 那些使用强化，转移和半监督学习的系统 - 远远不如人类婴儿那么强大。除了机械限制之外，它们是面向任务的，并不是特别通用(如前面所提到的)。
越来越多的研究体调查监督的学习，一些专家认为，可能是关键，实现真正的自治，对于事物一样物品分拣，与一些采用一种混合的方法与指导性规划对监督的数据收集。就其本身而言，Facebook正在利用部分无人监督的强化学习来通过不需要特定任务的培训的重复模拟来训练AI。但这是早期的事情。
这就是说现实世界的机器人不太可能很快赶上他们的科幻片。撇开单位经济学的问题，巨大的障碍阻碍了人类机器的发展。顽强的研究人员向前推进，他们的工作无疑将在生产系统中取得成果。但是，在短期内，不要指望机器人送货员放下您的下一个包裹进行大量的谈话。