跑、爬、摔、爬是野生动物与生俱来的本能。在我们出生后，我们掌握这些动作或者需要训练是相对缓慢的，但作为一种补偿，我们拥有非常精细的手部运动技能，可以轻松自如地操作各种工具。
众所周知，无论是优雅地行走还是自然地抓取，机器人这方面的表现一直不尽如人意，步态运动的协调性和机器人手的灵巧性一直是业界的难题。
但是现在，事情在一点一点的改变。
根据《自然》杂志最近的一篇新闻和观点文章，几十年后，机器人最后在机器学习的帮助下，我开始自然而然的掌握了走路、跑步、抓东西的技能。这一突破被认为拉开了具有“身体灵活性”的人工智能时代的序幕，同时也开启了一个“机器人自主的时代。"
机器人生活比你想象的要难。
一个机器人我们的“生活”从模拟开始。
机器人工程师首先会看引导软件在虚拟世界中的表现是否良好。如果它是令人满意的，软件将被投入。机器人体内，应用于物理世界。
但是在物质世界里，看似很小的障碍会让机器人在困境中，他们不可避免地会遇到“现实世界”带来的无数巨大问题——那些不可预测的表面摩擦、结构弹性、振动和机器人这些障碍几乎没有一个是数学模型可以预先假设的，比如传感器延时，执行器转换不良等等。
在过去的几十年里，工程师们一直试图通过基于预测数学模型(经典控制论)的软件进行引导。机器人进行体育活动。然而，这种方法是指导性的机器人当执行极其简单的任务，如行走、攀爬和抓取不同形状的物体时，四肢被证明是无效的。
机器人即使你在模拟环境中游刃有余，进入真实的物理世界，也会像一个无知的孩子一样跌跌撞撞。
机器学习可能会弥合模拟和现实之间的差距。
当人们习惯了机器人经过几十年的蹒跚学步，科学家们突然点燃了希望。
最近，苏黎世联邦理工学院机器人科学中的系统实验室团队机器人发表在《科学》杂志上的最新论文给出了使用数据驱动方法设计的新证据。机器人软件，很有希望解决。机器人科学和人工智能研究长期面临的巨大问题——模拟与现实的差距。
团队演示的方法是将经典控制论与机器学习技术相结合。他们首先设计了四足动物。机器人传统的数学模型，并给出机器人接下来，从启动开始，将其命名为“ANYmal”机器人从肢体运动的执行器采集数据，输入到多个人工智能神经网络系统中，建立第二个模型。
这个机器学习模型可以自动预测“AMYmal”机器人身体运动。只要将训练好的神经网络插入第一个模型，就可以在计算机上模拟运行混合模型。
该团队发现，这种通过数据驱动方法设计的软件有了很大的改进。机器人运动技能——更快更精准。此外，运动策略首先在模拟器中优化，然后转移到机器人体内在现实世界中测试，最后，机器人性能和仿真性能一样好。
混合模式是变革的第一步。
这一成就被认为是机器人而人工智能的重要突破，预示着模拟与现实之间曾经不可逾越的鸿沟正在被弥合。
也预示着人工智能的新一轮重大变革，混合模式是这一变革的第一步。之后，所有分析模型都将面临“下岗”。
及格机器人在真实环境中收集的数据用于训练机器学习模型——这种方法也被称为“端到端训练”。它正缓慢而坚定地照进现实，并已应用于诸如关节机械手、多指机械手、无人机，甚至无人驾驶汽车。
也许在不久的将来，机器人工程师将不再需要“讲述”机器人怎么走，怎么抢，却让机器人利用自己收集的资料自学。
但是，在现阶段，它也有一定的挑战。最重要的是优化可扩展性，以确定“端到端训练”是否可以扩展到指导具有几十个执行器的复杂机器，如人形机器人。机器人制造工厂、智慧城市等大型系统，然后用数字技术帮助人类有效提高生活质量。
《自然》的观点文章认为，对于人类来说，大脑对未来行动的思考越清晰，自我认知能力就越高。如今，机器人它在学习的道路上走得更远了，这不仅是一个具有实际意义的突破，也标志着科学家们开辟了“机器人自主的时代。"