人類幼童啟發機器人學習的新方法
摘要
在機器人學習領域，正在迎來一個令人振奮的時刻。多年來，組織一直在建立複雜的資料集，並開創各種不同的方式來教導系統執行新任務。我們似乎即將取得一些關鍵突破，能夠展示技術在處理即時適應和學習的能力方面的真實應用。在過去的一年裡，我們見證了許多令人着迷的研究成果。例如，卡內基梅隆大學去年 6 月展示了 VRB（視覺機器人橋接）系統，該系統能夠將 YouTube 影片的學習應用到不同的環境中，從而使程式設計師不需要考慮每一種可能的變化。上個月，Google 的 DeepMind 機器人團隊展示了自己令人矚目的成果 RT-2（機器人轉換器 2），該系統能夠在執行任務時忽略細節。例如，在拋棄垃圾這個例子中，程式設計師不必教導機器人識別特定的垃圾、撿起垃圾並將其拋棄，即可完成一個對人類而言看似簡單的任務。與人類學習的對比
最近卡內基梅隆大學的研究突出了將其工作與人類學習的早期階段進行比較。具體而言，研究人員將機器人人工智慧（AI）代理與三歲幼童進行了比較。根據上下文，學習的程度被分為主動學習和被動學習兩個類別。在這裡被動學習指的是透過觀看影片或在前述資料集上訓練系統來教導系統執行任務。而主動學習則與其名字一致，即透過實際執行任務並不斷調整直至成功。象徵性地，卡內基梅隆大學與 Meta AI（是的，就是 Meta）共同努力開發了 RoboAgent，結合了這兩種學習型別，就像人類一樣。這意味着觀察透過網際網路執行的任務，再透過遠端操作機器人進行主動學習。研究團隊表示該系統能夠將一個環境的學習應用到另一個環境中，就像上面提到的 VRB 系統那樣。卡內基梅隆大學的機器人學院的 Shubham Tulsiani 說：“具備這種學習能力的代理人使我們更接近一個能夠在不同的未知場景中完成各種任務並不斷進化的通用機器人。” 卡內基梅隆大學的 Abhinav Gupta 說：“RoboAgent 能夠實現比其他技術更豐富的技能複雜性。我們展示了比任何單個現實機器人代理實現的更多技能的多樣性，而且具有獨特的對未知情景的泛化以及效率上的優勢。”潛力與挑戰
這一切對於打造和部署具有多功能性的機器人系統，並最終實現通用機器人目標來說都具有巨大的潛力。我們的目標是創造能夠超越我們一般認為的高度結構化環境中的重複機器的技術。當然實際的現實應用和擴充套件遠比想像中困難。在這些機器人學習方法上，我們還只是起步，但我們正在經歷一個令人興奮的時期，這也是新興多功能系統的發展期。結論
從學術研究到實用應用，機器人學習的進展悄然取得了一些重大突破和成就。將機器學習與兒童的學習相對比，不僅豐富了我們對人工智慧的理解，也為機器人的未來發展開啟了無限的可能性。然而無論是作為開發者還是消費者，我們都需要謹慎對待這一技術的應用。對於透明度、道德和安全等問題，我們需要進行更多的討論和探索。機器人學習的概念在不久的將來將成為我們日常生活的一部分，因此我們應該以關注和開放的態度迎接這一技術帶來的變革。關鍵詞：人工智慧、哈佛科學家、小孩子王、機器人學習、新靈感
ArtificialIntelligence-哈佛科學家,小孩子王,機器人學習,新靈感
