編者按：2016年除了人工智能、虛擬現實技術受到了極大的關注，商用機器人逐漸出現在我們生活中，家庭陪伴機器人也越來越多，可以看到未來機器人市場前景廣闊，但也難免面臨挑戰。今天小編為大家推薦一篇去年的文章，該文章詳細介紹了目前機器人面臨的十個挑戰。

現在的機器人已經能進行各種各樣的工作了，也具有了一定程度的人工智能，但是，像“查派”一般的機器人似乎還遙遙無期，那么，哪些問題是機器人面臨的最為緊迫的挑戰呢？

一、開辟道路

在我們的生活中，從A地點移動到B地點也許是我們每天都在做的事情，而且是一件極其容易的事情，我們有不同的路徑可以到達不同的地點，可以根據道路的狀況甚至是隨個人的心情來選擇到達地點的路徑。而對一個機器人來說，主要是通過導航以及預先的設置來進行點對點的定位。但是，當預設的環境被改變后，可能就變得有些棘手了，機器人必須要能夠了解、適應新的環境，理解分析正在進入腦中的數據，重新進行自主的判斷與選擇。

目前，機器人專家的解決方法是給機器人裝備各種“技能”，通過給機器人裝備大量的傳感器、掃描儀、攝像機和其他高科技工具等多管齊下的方式來評估周圍的環境。在水下的機器人還要披上“聲吶技術”的魔法斗篷以應對水對光線的干擾。這些視覺裝備組成了一組完整的立體視覺系統，從而幫助機器人擁有廣闊的視野，便于收集詳細的環境數據。

機器人收集相關環境的數據只是成功的一半，更大的挑戰是機器人如何利用那些數據來進行決策。現在，研究人員主要是通過使用預先設定的地圖或者在機器人運動中即時構建一個映射地圖來為他們的機器人導航。而必須要將預設地圖與即時數據結合起來，才能使機器人根據環境自己開辟路徑。研究人員正在通過更強大的計算機和先進的概率算法來解決這個難題。

?

二、展示靈巧性

現實中，我們已經能看到機器人輔助各行各業的工作，比如服務機器人可以收發包裹，可以打掃衛生，甚至今年日本還有一家全機器人服務的酒店開業了；而在工業上，還有機器人在流水線或工程中進行特定的工作等。這些機器人都能展現出一定的技能，但是它們通常進行的是一種定制化的工作，并不能表現出靈巧性，不能自由順暢地行走、跳躍等。

能模仿人從一堆凌亂的東西中從容地選擇需要的東西，還能有意識地對周邊環境做出反應等靈巧性的技能，對機器人來說是十分困難的。過去幾年，研究人員在機器人的兼容設計和方面已經有了顯著的進步。兼容性越好，一個機器人的靈活性也就越高，能夠模仿人類的動作，還能夠進行一定程度的數據決策；刻板的機器則相反，缺乏靈活性。

2013年，佐治亞理工學院的研究人員制造了一個關節彈簧的機械臂，這個機械臂不僅能夠自由彎曲擺動，并且還能與環境有良好的互動，就像是人的手一樣有很好的靈活性。研究人員還為其植上一層“皮膚”，這些皮膚遍布著紅外傳感器，并配備上具有凸出成脊狀線的電子指紋，使機械臂不僅能探測到周圍的東西，還能便于機械臂抓取物體。

這個高科技手臂再配上更發達的視覺系統，一個行動敏捷的機器人就誕生了，這個機器人可以溫柔的愛撫動物，也可以在眾多的東西中選擇需要的東西，但是，這對“查派”來說仍然是不值一提。

?

三、與人類自由交談

作為計算機科學的奠基者之一，圖靈曾在1950年做出了一個大膽的預言：總有一天，機器人可以流利地與人談話，甚至我們都沒意識到是在和機器人聊天。可惜的是，圖靈沒能看到他的期望變成現實，這是因為語音識別與自然語言的處理不一樣，它比自然語言處理更加復雜。在自然語言處理中，我們的大腦會從談話間的語句中抽取出談話所表達的含義。

最初，科學家認為這就像是將簡單的語法規則嵌入到機器的記憶內存中一樣簡單。但是對任何一門特定語言的復雜語法進行簡單復制被證明是不可能的，所以就目前的情況來看，讓機器人能像人類一樣自由的交流是難以實現的。即使為機器人提供了詞語的含義與規則，語言學習對它們來說仍然是一項艱巨的任務。因為人類的大腦思維是難以搬進機器人大腦的，有一個具體的例子能表示這種情況：對不同的單詞，例如“new（新的）”和“knew（知道）”，或者是“bank（銀行）”和“bank（堤岸）”，人類可以理解這些詞匯的差異性，但是科學家卻沒能將這些功能分解成離散的、可識別的規則，因此，在對機器人的語法嵌入上難以做到與人類語言功能類似的效果。

現在許多機器人的語言處理是在統計數據的基礎上進行的，科學家給它們植入大量的文本集合，被稱為語料庫，然后讓它們的“大腦”將長文本分解成若干的小塊，并進行文本分類，找出哪些詞語會經常組合在一起，這些詞語的組合順序是怎樣的。這就需要機器人在統計分析的基礎上學習一門語言了。例如，對一個機器人來說，詞匯“蝙蝠”會有詞匯“飛”或者是“翅膀”搭配，“蝙蝠”就指的是會飛的哺乳動物，而“球棒”后面跟著的詞匯“球”或者“手套”指的是團隊運動。但是，僅僅這樣就能使機器人實現與人自由的交談嗎？

四、獲得新技能

如果一個從來沒有打過高爾夫球的人想學習如何揮桿，他可能會去閱讀有關的書并嘗試揮桿，或者他可能會看一個老練的高爾夫球手的揮桿動作來學習。如果學習新的行為，這是一種更快更容易的方法。

在《超能查派》中，我們可以看到“查派”能不斷學習新技能并能完美應用這些技能。他不僅能唱歌跳舞，能舞刀弄劍，還能展現高超的駕駛技術。但是，機器人專家卻面臨著這樣的困境，當他們試圖制造一個能夠自主學習新技能的機器人，就需要將一個活動分解成不同的精確的步驟，然后將相關信息通過編程植入機器人大腦。這種做法是假設了活動的每個方面都能被識別、描述和編碼，然而事實證明，這并不是那么容易的。例如，高爾夫球的揮桿有一些特定的方面可能難以被描述，比如手腕和肘部相互間的力量作用就難以用語言形象地描述。這些微妙的細節更容易通過演示來交流而不是通過講述的方式。

最近這些年，研究人員已經有一些教導機器人模擬人類操作的成功經驗，他們稱這些為模擬學習或是示范學習。機器人通過裝在身上的廣角變焦鏡頭來看到人類演示的特定過程或是活動全程。然后由算法處理這些數據來產生一個數學函數，將視覺映射到實際行動中。當然，機器人在示范學習中必須能夠忽視人類行為的某些方面---例如撓癢、眨眼等個人問題，這是機器人與人類處理方式的不同所在。

?

五、學習欺騙

對機器人來說，學習如何欺騙一個人或者是欺騙別的機器人是一個巨大的挑戰。欺騙是需要想象的——這是將外部不存在的對象形成具體的想法或是圖像的能力，而這種能力正是機器人缺乏的。機器人比較擅長處理從傳感器、相機或是掃描儀中輸入的數據，并將這些數據根據人類的設置轉換成特定的思維或者圖像，但是并不擅長理解傳感器數據之外的東西。

“查派”在成長歷程中，經歷了人類的謊言與欺騙，從茫然不知，成長到了形同熟諳人情世故的“人”。雖然現在的機器人還難以做到如此驚人的效果，但是，佐治亞理工學院的研究人員在實驗中已經實現了能夠將松鼠的一些欺騙技能傳授給機器人。首先，他們研究了絨毛嚙齒類動物是如何通過引導競爭者去不同的地方來保護它們埋藏的食品場所；然后，研究人員將那些行為編碼成簡單的規則并加載到機器人的大腦中，機器人就能夠使用算法來判定在什么樣的情況下欺騙起作用，并且能夠提供一個虛假的交流來誤導機器人伙伴離開它們的藏身之處。假以時日，在人工智能的不斷發展下，這種技能也許會日趨成熟。想象一下，我們將如何應對一個會撒謊的機器人？