雖然一隻機械手臂和五個機械手指還不能達到與人類一樣的靈活度，但在世界頂級的人工智能實驗室裡，研究人員正越來越接近於創造出能夠模仿真實人手的機械手臂。
旋轉
在由埃隆·馬斯克和其他幾個硅谷知名人士共同創建的OpenAI實驗室中，研究人員製造了一款名為 Dactyl 的機械手臂。它看起來很像最新的星球大戰電影中的盧克·天行者的機械假體：它的機械手指能夠像人的手指一樣彎曲或伸直。
你可以讓Dactyl為你展示字母積木的某一面——比方說紅色的O，橙色的P或藍色的I——它會向你展示，然後用靈活的方式旋轉、扭動和翻轉積木。
圖：Dactyl機械手展示字母積木（2倍速播放）
這對於人類來說非常簡單，但對於一臺機器來說，這是一個非常了不起的成就：機械手臂Dactyl在很大程度上是靠自己來學習如何完成這項任務的。研究人員利用數學的方法讓Dactyl學習，他們相信可以通過訓練讓機械手臂和其他機器來完成更復雜的任務。
圖：Dactyl機械手（1倍速播放）
這隻靈巧的手臂代表了過去幾年機器人研究的巨大飛躍。但直到最近，研究人員仍在努力讓更簡單的機械手臂來掌握更簡單的任務。
抓取
這個系統是由加州大學伯克利分校的機器人實驗室Autolab的研究人員創建的，它在幾年前代表了技術的極限。機器配有一個兩根手指的“鉗子”，可以拿起像螺絲起子或鉗子一樣的物件，然後把它們分類到不同容器裡。
圖：Autolab研發的機械手（2倍速播放）
鉗子比五個手指更容易控制，而製造一個操作夾鉗所需的軟件也不那麼困難。它可以處理一些不太熟悉的物體。比如，它可能不知道什麼是餐館式的番茄醬瓶子，但是它知道瓶子的形狀和螺絲起子類似。但是，如果這臺機器遇到的東西與它之前所遇到的不同——比如一個塑料手鐲——可能就會處理的不太好。
圖：Autolab研發的機械手（2倍速播放）
拾取
大家都希望有一個能撿起任何東西的機器人，包括它以前從未見過的東西。這是其他Autolab的研究人員在過去幾年裡所建立的機器人。
圖：Autolab研發的機械手（2倍速播放）
這個系統仍然使用簡單的硬件：一個夾子和一個吸盤。但它可以撿起各種各樣的隨機物品——從剪刀到塑料玩具恐龍。
圖：機械手撿拾物品（2倍速播放）
該系統得益於機器學習的巨大進步。伯克利的研究人員對超過1萬個物體的物理模型進行了建模，確定了每一個物體的最佳選擇。然後，系統使用神經網絡算法分析了所有這些數據，並學會了識別每個物品的最佳方式。在過去，研究人員必須對機器人進行編程，讓它們完成每項任務。但現在，它可以自己學習這些任務。
圖：機械手撿拾物品（2倍速播放）
當面對一個塑料尤達玩具時，系統會意識到它應該用鉗子把玩具撿起來。但當它遇到番茄醬瓶子時，它會選擇吸杯。這個機械手可以成功地撿起多件隨機物品。
圖：機械手撿拾物品（2倍速播放）
它並不完美，但是由於系統可以自己學習，它的進步速度比過去的機器快得多。
圖：機械手撿拾物品（2倍速播放）
鋪床
伯克利的研究人員利用最新的機器學習技術，在短短兩週的時間內就整合完成了可以鋪床的機器人系統。這個機器人也許還不能完美地完成醫院的工作，但它已經代表了顯著的進步。
圖：機器人模擬鋪床（2倍速播放）
現在，只要通過分析數據，這個系統就可以在一小段時間內學會鋪床。在學習時，系統會分析鋪床過程中的每一個動作。
圖：機器人模擬鋪床（2倍速播放）
移動
在伯克利的BAIR實驗室裡，另一個系統正在應用其它的學習方法。這個機械手臂可以用一個夾子推動物體，並預測它應該在的位置。這意味著它可以像你我一樣把玩具移到桌子上。
圖：機器人移動物體（2倍速播放）
這個系統通過分析大量的視頻圖像來學習這種行為，這些圖像顯示了物體是如何被移動的。通過這種方式，它可以處理這種任務帶來的不確定性以及一些意想不到的動作。
圖：機器人移動物體（2倍速播放）
未來
這些都是簡單的任務，而且機器只能在特定條件下處理它們。它們失敗的次數並不比成功的次數少。但驅動這些系統的機器學習方法表明，在未來幾年內將會繼續取得很大的進步。
和OpenAI的研究人員一樣，華盛頓大學的研究人員正在訓練機器手臂，這些機械手臂擁有與人類相同的手指和關節。
圖：研究人員正在訓練機械手臂（2倍速播放）
這比訓練一個夾鉗或吸盤要困難得多，一個模擬人類的手應該能夠以多種不同的方式移動。因此，華盛頓的研究人員通過模擬周圍的環境來訓練他們的機器手臂。
圖：研究人員正在訓練機械手臂（2倍速播放）
在OpenAI，研究人員正在以同樣的方式訓練他們的 Dactyl 機械手，這個系統旋轉字母積木的過程積累了大約100年的訓練經驗。這一數字模擬在成千上萬的計算機芯片上同時運行，得以將訓練時間壓縮到兩天。它通過反覆的嘗試和犯錯來學習這些任務。一旦它瞭解了模擬時的工作原理，它就可以將這些知識應用到現實世界中。
圖：研究人員正在訓練機械手臂（2倍速播放）
許多研究人員質疑這種模擬訓練是否使成果只停留在理論層面，但就像伯克利和其他實驗室的研究人員一樣，OpenAI團隊已經證明了這一點。他們在模擬訓練中引入了一定的隨機性——它們改變了手和木塊之間的摩擦力，甚至改變了模擬的重力。在模擬的世界中，學會處理這種隨機性後，機械手就可以處理真實世界的不確定性。
今天，Dactyl所能做的只是旋轉一個方塊，但研究人員正在探索如何將這些技術應用於更復雜的任務。比如製造業，無人駕駛飛機，甚至是無人駕駛汽車。
閱讀更多 中蘊管業 的文章
