复合型机器人

随着科技创新成为时代主旋律，我相信诸如“自动驾驶取代司机”、“超过50%的工作岗位将被AI取代”和“机器人“大规模安装，无人工厂成真”之类的新闻标题早已充斥你的手机屏幕。

然而，这个专业术语的滥用，往往会在不经意间混淆大众。"机器人”和“人工智能”(AI)。

机器人技术是AI的一部分吗？艾是机器人技术的一部分？这两个名词有什么区别？通过今天的文章，我们来回答这些问题。

人工智能正当其时

首先，机器人和人工智能根本不是一回事，目的大相径庭。甚至可以说这两个领域几乎是完全独立的。

人工智能(AI)是计算机科学的一个分支，它涉及开发计算机程序来完成原本需要人类智能完成的任务。AI算法可以解决学习、感知、问题解决、语言理解和/或逻辑推理。

人工智能有两类:通用一般艾(AGI)和狭艾(狭艾)，有时从通用远远优于人类的超级AI，已经从人工智能中分化出来。

广义的人工智能是指等于或高于人类智能的整个系统，可以完成各种任务，从下棋到在商店里迎接顾客，再到创作艺术作品，除了马斯克这样的乐观主义者，大多数专家认为我们距离看到可以超越人类的AI还有几十年的时间。

呈现，实现通用人工智能最根本的障碍是，人类首先需要了解所谓的“智能”是如何工作的。然而，这是一个巨大的问题，需要脑科学的突破。

但是，人类在狭义的人工智能领域已经取得了长足的进步。在现代世界中，狭义人工智能(或弱人工智能)被用于许多方面，这些系统可以在严格的参数内执行离散任务，例如:

图像识别:最典型的是公安机关的“天网”系统；

自然语言处理:苹果Siri、阿里巴巴天猫精灵、百度小迪等AI助手的语音识别；

信息检索；各大搜索引擎；

使用逻辑或证据进行推理:金融机构用于注销抵押贷款或确定欺诈的可能性。

不难发现，这些任务可以归纳为三种智能:感知、推理和交流，大多数AI程序都与大众的想象力有关。机器人控制”无关紧要。

以苹果的Siri语音助手为例。首先，它使用语音识别算法来捕捉人们的问题(“感知”)，然后使用自然语言处理来理解这一串单词的含义并确定一个答案(“推理”)，最后使用自然语言来生成这个答案并传达给用户(“交流”)。

人工智能的历史演变

那么人工智能系统是怎么走到这一步的呢？

自从艾伦·图灵和他同时代的人在20世纪40年代研制出第一台复杂计算机以来，思维机器的概念就已经存在了。

1956年的达特茅斯学院会议被普遍认为是人工智能发展的里程碑。当时，计算机科学家聚集在一起，在“人工智能之父”马文·明斯基的推动下，将人工智能作为一个独立的领域进行研究。

然而，尽管早期科学家们的广泛热情和各行各业的大量资金支持，人工智能的初步进展仍然令人震惊和失望。

DARPA(美国国防部高级研究计划局)在20世纪60年代向大学系统投资了数百万美元，希望机器翻译能够增强其反间谍能力。然而，由于机器翻译领域缺乏进展，他们的态度变得消极。

与此同时，在英国，1973年由詹姆斯·莱特希尔领导的一个关于人工智能的政府委员会提出了严重的质疑，认为人工智能的研究领域只会逐渐发展。

因此，美国、英国甚至整个西方世界的政府资助都大大减少了。

整个20世纪，人工智能在决策者和公众意识中的地位一直起伏不定。往往一个新的开发会引发一波热潮和资本涌动，但由于承诺的创新没有实现，人们的兴趣急剧下降，会导致失去资源支持。

为什么人工智能在20世纪进展如此缓慢？究其原因，与研究人员在开发软件时使用的方法有关。

20世纪的大多数人工智能应用都采取了专家系统的形式，这些系统基于一系列精心制定的“如果-那么”规则，可以指导基本决策。

尽管专家系统对于处理复杂的任务(比如从ATM机取钱)很有用，但是它们很难处理不易编码的请求。

例如，很难编写规则来确定一个类似人类的物体是人体模型还是真人，或者磁共振扫描(MRI)上的黑色图案是肿瘤还是良性组织。这些任务往往依赖于难以表达的“隐性知识”。

只有新的人工智能方法投入使用，才取得了重大突破，而机器学习就是这种“新方法”中最具代表性的一种。

机器学习不需要从零开始编写规则，而是利用已有的数据来“训练”算法(例如，图像被标记为人体模型或真人，核磁共振扫描被标记为恶性或良性肿瘤)。

相反，每当这些算法检测到一个模式，它们就会创建一个模式。通用规则来理解未来的输入，从而形成良性循环。目前，机器学习算法已经应用于许多领域，从发现银行欺诈交易到在招聘员工时帮助人力资源团队筛选简历申请。

在过去的十年里，机器学习一直主导着人工智能领域。但近年来，人们的注意力转向了机器学习的一个子领域——深度学习。

深度学习系统由“人工神经网络”组成，它有多层，每层都被赋予理解图像、声音或文本中不同模式的任务。

第一层可以识别原始图案，例如图像中物体的轮廓，而第二层可以用于识别图像中的色带。数据通过多层输入，直到系统可以将模式聚类成不同的类别，如对象或单词。根据伦敦大学国王学院的一项研究，在使用核磁共振扫描的原始数据时，深度学习技术将大脑年龄评估的准确性提高了一倍以上。

除了上述方法，其他重要的人工智能方法还包括监督学习、强化学习和迁移学习:

监督学习:算法可以从一开始就通过监督或无监督学习来训练。

监督学习意味着算法被给定标记的数据，它们从这些数据中提取模式以得到一个通用来了解未来的数据。大多数机器学习和深度学习算法都是使用监督过程进行训练的。

无监督学习是指给算法提供未标记的数据，自己发现模式。例子包括营销。公司使用人群分割，以及一些网络安全软件。

强化学习:有些算法只编写或训练一次，而强化学习利用正反馈机制，在使用过程中不断调整和改进算法。

短视频和网购中的推荐系统就是强化学习的一个例子。每次消费者购买一件产品(一本书、一张唱片或一件衣服)，算法都会自动调整，以便在未来的推荐中考虑这些行为。

迁移学习(Transfer learning):迁移学习(Transfer learning)是指将一个领域开发的算法修改到另一个领域使用，不需要从零开始，也不需要使用大量的原始数据和标签数据作为来源。

需要注意的是，上述人工智能方法并不一定相互排斥，往往可以组合使用。

机器人许多

先说人工智能再来说。机器人(机器人学).机器人科学包括设计、制造和编程可以与物理世界互动的物理。机器人。机器人只有一小部分技术涉及人工智能。

通常，组合物机器人有三个重要因素:

机器人通过传感器和执行器与物理世界互动；

机器人是可编程的；

机器人通常是自主或半自主的。

所以拖拉机、建筑挖掘机、缝纫机虽然有运动部件，能完成手工任务，但需要人类长期(如果不是连续)的监督，所以不属于它们。机器人。

相比之下，仓库中的拣选和包装机器，以及提升和搬运病人的“护理”机器人“，都是在部分自主的情况下完成任务的，所以他们会被归为。机器人。

"机器人“克隆人”一词最早出现在1921年卡雷尔·恰佩克写的一部科幻剧里，该剧讲述了在一个社会里，克隆人被当作奴隶对待，结果机器人推翻大师的故事。

直到20世纪50年代，机器人这还是科幻小说的专利，在当时是世界首创。工业机器人公司Unimation刚刚成立。它发明了一种重量近2吨的突破性机械臂，可以根据预先编程的指令取放物品。搬运非常适合重物。

1961年，尤尼马特机器人存在通用汽车公司首次亮相，它是用来运输热压铸金属零件，并把他们焊接到车身部件。

不久之后，在1969年，机器人先驱Victor Scheinman开发了斯坦福手臂，这是世界上第一个电动关节。机器人手臂。它被视为机器人技术上的突破，因为它在6个轴上操作，与之前的相比。单轴或者两轴机运动自由度更大。

斯坦福臂标志着关节类型机器人在革命之初，它改变了制造业装配线，并推动包括库卡和ABB。机器人许多企业，包括机器人公司的发展。

多年来，联合式机器人承诺从焊接钢有多种功能，从组装汽车到油漆白色家电。国际的机器人国际机器人联合会估计，目前全球工业机器人这个数字是270万台。

走出围栏机器人

20世纪的大部分时间里，机器人该行业仍然专注于关节式机械手。然而，正如在人工智能领域一样，在千年之交，事情开始发生变化。

本田公司阿西莫机器人它于2000年首次亮相，是首批可以两条腿走路、识别手势和回答问题的人形机器之一。

三年后，KIVA系统公司(亚马逊现在。机器人公司)设置为提供移动机器人可用于复杂的配送货物和托盘在仓库中穿梭。

21世纪初也是自动驾驶汽车从实验室测试转向道路测试的时期。特别具有象征意义的是2004年的DARPA挑战赛，这是同类比赛中的第一次。任何能让自动驾驶汽车跑完230公里赛道的人都可以获得100万美元的奖金。

虽然这些机器人它们的功能、大小、环境各不相同，但都有一个共同点:移动性。20世纪的发音机器人往往只能固定在一个地方，但在21世纪。机器人它已经在动了

驱动因素之一是人工智能和机器人技术和复杂软件的共生使得物理机器能够处理不可预测的环境和事件。例如，强化学习意味着机器人现在我们可以模仿和学习人类。此外，将数据存储在云中意味着机器人可用于其他网络。机器人学习和分享经验。

另一方面，机器人技术进步也得益于硬件创新。传感器的改进使得机器人具有非结构化环境下导航所需的视觉感知能力。与这些传感器的能力相匹配的是丰富且不断增长的物理世界数据库，包括新的3D图像数据集，如谷歌或百度的3D街景地图。

最后，材料科学也在飞速发展。硅胶和蜘蛛丝等更好的材料使机器人外观看起来更锐利，而由压电晶体管制成的“机械毛发”却像人的皮肤一样敏感。此外，液压泵也得到了改进，不仅摩擦极小，还能达到极佳的控制水平。

综合以上因素，结果是机器人不再局限于工厂，而是可以在医院漫游在各种环境，如病房，商店和城市街道。

更好的是，甚至在工厂里，机器人它也在进化。最新的机器叫做“协作机器人(co-bots)，旨在与人类工人合作，例如从材料箱中挑选零件，从生产线中取出有缺陷的产品，并完成简单的任务，例如拧紧，粘合和焊接。

此外，它们还非常容易重新编程，因此对小批量生产企业非常有吸引力，它们还具有扭矩传感器，在人体接触下可以保持不动。麻省理工学院和宝马公司合作研究发现，机器人和人类一起协作它比人类单独工作的效率高85%。

纵览全局机器人随着科技的发展，我们可以看到现在的物理学。机器人有五种主要类型:

铰接式机器人(移动机器人):固定机器人它的手臂至少有三个旋转关节机器人通常出现在工业在环境中协作机器人它是铰接的机器人的最新版本。

移动机器人(移动机器人):轮式或者履带式机器人货物和人可以从一个目的地运输到另一个目的地。自动驾驶汽车正在移动机器人能力的顶峰。

人形机器人(人形机器人):身体上与人类相似，并试图模仿他们的能力。机器人。软银声称其Pepper机器人是第一个能识别人类情绪并据此调整行为的人。机器人。

假肢机器人(预测机器人):可穿戴还是可操作机器人让人们获得更多的权力，包括残疾人或从事危险工作的工人。更熟悉的名词是“外骨骼”。

蛇一般的机器人蛇形机器人:蛇形机器人由许多零件和关节组成。机器人，可以极其灵活地移动。因为蛇的形状机器人能够穿越困难的地形并在狭窄的空间内移动，所以在工业它已被应用于探测、搜索和救援任务。

人工智能机器人：机器人AI桥牌

从上面的描述可以看出，它们中的大多数机器人没有一个是“聪明”的。就算用AI来控制机器人人工智能算法只是更大。机器人系统的一部分，它还包括传感器，执行器和非人工智能程序。

直到现在，他们所有人工业机器人只能被编程执行一系列重复动作，这显然不需要人工智能。然而，非智力机器人的功能相当有限。

当你想做机器人当执行更复杂的任务时，人工智能算法是必要的。

例如，仓储机器人可以使用路径搜索算法在仓库中导航；无人机可能会在电池快用完的时候使用自主导航返航；自动驾驶汽车可能会结合人工智能算法来检测和避免道路上的潜在危险。这些都是人工智能机器人的例子。

未来会怎样？

如果你问我关于人工智能和机器人这两项技术在未来几年、几十年如何发展，恐怕很难给出很好的答案。深度学习算法可能会走进死胡同，模仿人。机器人也可能只是幻想。

一些观察人士提出，全球人工智能泡沫正在扩大，而且机器人“人工”的程度超过“智能”的程度。

但我们可以肯定地说，只要计算能力、数据采集和存储、通用基础设施和研究投资没有停止，因此这些技术将以这样或那样的方式继续发展。在那之后，我们应该对AI更加警惕，机器人以及两者结合的社会影响。