【8月3日消息】虽然一只机械手臂和五个机械手指还不能够达到与人类一样的灵活度，但在世界顶级的AI实验室里，研究人员正越来越接近于创造出能够模仿真实人手的机械手臂。

  在由埃隆·马斯克和其他几个硅谷知名人士共同创建的OpenAI实验室中，研究人员制造了一款名为 Dactyl 的机械手臂。它看上去很像最新的星球大战电影中的卢克·天行者的机械假体：它的机械手指能够像人的手指一样弯曲或伸直。

  你可以让Dactyl为你展示字母积木的某一面——比方说红色的O，橙色的P或蓝色的I——它会向你展示，然后用灵活的方式旋转、扭动和翻转积木。

  这对于人类来说格外的简单，但对于一台机器来说，这是一个非常了不起的成就：机械手臂Dactyl在很大程度上是靠自己来学习怎么样完成这项任务的。研究人员利用数学的方法让Dactyl学习，他们相信能够最终靠训练让机械手臂和其他机器来完成更复杂的任务。

  这只灵巧的手臂代表了过去几年机器人研究的巨大飞跃。但直到最近，研究人员仍在努力让更简单的机械手臂来掌握更简单的任务。

  这个系统是由加州大学伯克利分校的机器人实验室Autolab的研究人员创建的，它在几年前代表了技术的极限。机器配有一个两根手指的“钳子”，可以拿起像螺丝起子或钳子一样的物件，然后把它们分类到不同容器里。

  钳子比五个手指更容易控制，而制造一个操作夹钳所需的软件也不那么困难。它能处理一些不太熟悉的物体。比如，它可能不了解什么是餐馆式的番茄酱瓶子，但是它知道瓶子的形状和螺丝起子类似。但是，如果这台机器遇到的东西与它之前所遇到的不同——比如一个塑料手镯——可能就会处理的不太好。

  大家都希望有一个能捡起任何东西的机器人，包括它以前从未见过的东西。这是其他Autolab的研究人员在过去几年里所建立的机器人。

  这个系统仍然使用简单的硬件：一个夹子和一个吸盘。但它可以捡起各种各样的随机物品——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。伯克利的研究人员对超过1万个物体的物理模型进行了建模，确定了每一个物体的最佳选择。然后，系统使用神经网络算法分析了所有这一些数据，并学会了识别每个物品的最佳方式。在过去，研究人员一定对机器人进行编程，让它们完成每项任务。但现在，它能自己学习这些任务。

  当面对一个塑料尤达玩具时，系统会意识到它应该用钳子把玩具捡起来。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。

  伯克利的研究人员利用最新的机器学习技术，在短短两周的时间内就整合完成了可以铺床的机器人系统。这个机器人也许还不能完美地完成医院的工作，但它已经代表了显著的进步。

  现在，只要通过分析数据，这个系统就可以在一小段时间内学会铺床。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实验室里，另一个系统正在应用其它的学习方法。这个机械手臂可以用一个夹子推动物体，并预测它应该在的位置。这在某种程度上预示着它可以像你我一样把玩具移到桌子上。

  这个系统通过一系列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。通过这一种方式，它能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，而且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的研究人员一样，华盛顿大学的研究人员正在训练机器手臂，这些机械手臂拥有与人类相同的手指和关节。

  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 机械手，这个系统旋转字母积木的过程积累了大约100年的训练经验。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。一旦它了解了模拟时的工作原理，它就可以将这些知识应用到现实世界中。

  许多研究人员质疑这种模拟训练是否使成果只停留在理论层面，但就像伯克利和其他实验室的研究人员一样，OpenAI团队已经证明了这一点。他们在模拟训练中引入了一定的随机性——它们改变了手和木块之间的摩擦力，甚至改变了模拟的重力。在模拟的世界中，学会处理这种随机性后，机械手就能处理真实世界的不确定性。

  今天，Dactyl所能做的只是旋转一个方块，但研究人员正在探索如何将这些技术应用于更复杂的任务。比如制造业，无人驾驶飞机，甚至是无人驾驶汽车。