加州伯克利电——机器人下方是一个装满各种物品的箱子，里面既有盒装即食麦片，又有小型玩具鲨鱼。用于测试机器人有两个人机器臂，它无法识别箱子里的任何一件物品，但这并不影响它工作。只见它将机器臂放入成堆的物品中，开始一件接一件的分拣物品。

杰夫·马勒（Jeff Mahler）是加州大学伯克利校区一间实验室的研究人员，也是研发这个机器人团队的成员之一。他说：“面对混乱不堪的物品堆，它找到了抓起每一件物品的最佳方式。”

 

对于人类而言，在一堆物品里拿起东西是一个简单的工作。但对于机器人来说，这可是非凡卓越的才能。具备这种能力的机器人能够为全世界最大的企业带来显著的改变。从长远角度看，这类机器人将影响劳动市场的格局，让很多人丢掉饭碗。

如今，机器人在亚马逊这样的零售巨头和富士康这样的制造公司里发挥了重要的作用。但是我们所使用的机器人只能从事非常具体特定的工作，比如将特定类型的集装箱从仓库一头搬到另一头，或者将特定类型的芯片放置于电路板上。它们无法整理分拣一堆物品，也不能胜任更为复杂的工作。亚马逊有着规模巨大的配送中心，它的主要任务就是对货品进行分拣整理。在这里，承担绝大部分工作的还是大量的人类员工。

加州大学伯克利校区的机器人非常引人注目，因为它能拿起自己从未见过的东西。马勒和其他几个来自加州大学伯克利校区的同事组成团队，共同训练机器人。他们采用的训练方式很特别：为机器人展示数百个单纯的数字化物品。经过训练之后，机器人就能拿起从未见过但却存在于数据中的物品。

加州大学伯克利校区的教授肯·戈德尔伯格（Ken Goldberg）是该校机器人实验室的负责人。他说：“我们先在模拟模型身上学习经验教训，然后再将获得的知识应用到实际工作之中。”

这个机器人远称不上完美。目前它尚处于实验室研究测试阶段，距离投入实际使用还有很长一段时间。研究人员给它装上了吸盘和平行抓握手爪（一种只有两个手指的机械手），因此它能够稳稳抓起很多类型的物品。不过，它无法在机械臂移动过程中 自由切换吸盘和平行抓握手爪。用于训练机器人的技术给机器人研究领域带来了根本性的改变。这种转变不仅能够彻底改变亚马逊仓库的工作模式，还能颠覆整个物流仓储产业。

马勒没有利用程序代码为机器人指定详细的任务和动作。相反，他和同事让机器人学会如何自行学习了解各种任务。东北大学、卡内基·梅隆大学、谷歌和OpenAI（由特斯拉首席执行官伊隆·马斯克创办的人工智能实验室）的研究人员都在开发类似的技术。很多人相信，这种机器学习能力最终将使机器人成功掌握大量工作技能，比如制造物品。

德国制造业巨头西门子公司（Siemens）的先进自动化制造技术部门主管胡安·阿帕里西奥（Juan Aparicio）表示：“这种机器人将慢慢推广到装配业和其他更为复杂的工业领域。这就是它发展的基本路线。”据悉，西门子公司出资赞助了加州大学伯克利校区的机器人研究。

从实体造型上来看，加州大学伯克利校区的机器人没有什么新奇之处。马勒和团队成员使用的是市面上常见的硬件材料，包括两个由瑞士跨国公司 ABB 制造的机械臂和一个负责测量深度的 摄像头。

真正与众不同的是软件：马勒和同事创新性的使用了神经网络（neural networks）。受人类大脑中的神经元网络的启发，研究人员发明了神经网络。它是一个复杂的算法，能够通过分析海量数据进行学习，从而掌握各项工作技能。神经网络能从数千张狗的图片中分析出狗共同之处，从而找到识别狗的模式，这样一来，神经网络就具备了识别狗的能力。

 

过去五年里，这类算法从根本上改变了互联网巨头们构建在线服务的模式，促使各类产品飞速升级发展。从图片识别、语音识别到互联网搜索，所有东西都在神经网络的影响下出现巨变。同样，神经网络也能推动机器人技术的进步。

研究伊始，加州大学伯克利校区的研究团队在网上疯狂的寻找 CAD（computer-aided design，计算机辅助设计的简称）模型。这些模型以数字化的方式反映生活中的实体物品。在进行实验或者开发新物品时，工程师、物理学家和设计师构建了各种 CAD 模型。马勒和同事们收集了很多数字化的物品，最终构建起一个容量超过 700 万件物品的数据库。接着他们模拟出每一件物品的真实情况，让机器臂知道拿起物品的精准抓握点在哪里。

这是一个浩大的工程，但整个过程几乎是全自动化的。研究团队将 CAD 模型输入神经网络之后，神经网络便学会了在任何形状的数字化物体身上识别相似点。研究团队将神经网络接入机器人之后，机器人便能在任何实体物品身上识别相似点。

面对一个圆柱形（或者至少某些部分是曲面）的日常物体时——比如说抹刀、订书机、圆柱形容器、果脆圈（Froot Loops，美国颇受小朋友欢迎的水果味早餐麦圈——译者注）或者一管牙膏——机器人通常能够将其抓起。一般来说，抓起成功率在 90% 以上。如果物品的形状更加复杂（比如玩具鲨鱼），抓起成功率便会下降。

除此之外，研究团队还仿照出一大堆随机物体并将其输入神经网络。如此一来，神经网络便学会从成堆的实体物品中抓起某一件物品。布朗大学和东北大学的研究人员正在进行类似的研究。他们希望将这类成果与其他技术方法进行结合。

与西门子和丰田研究中心一样，亚马逊也为加州大学伯克利校区的机器人研究工作提供了大量资金。实际上，亚马逊迫切希望这类机器人早日投入使用。在过去的三年中，该公司举办了一项由众多科研人员参加的比赛。参赛者要利用机器人成功“抓起物品和放下物品”。但是，像加州大学伯克利校区研发的这种机器学习技术具备很强的推广能力。最终他们能将此类技术推广到很多其他领域，比如制造业和家用机器人领域。

布朗大学教授斯蒂芬妮·特莱克斯（Stefanie Tellex）表示：“能够成功拿起物品我们对拥有机械臂机器人的第一个要求。具备这个能力之后，它才能做出许多更为复杂的动作。如果机器人不能成功拿起物品，那么其他的一切都无从谈起。”

这些研究向我们展示了机器人在数字世界学习任务后如何将其适用到现实世界中来。加州大学伯克利校区的机器人装有可以测量深度的 摄像头，能够捕捉三维图像。这些三维图像与研究团队训练神经网络时所使用的 CAD 模型非常类似。

其他研究人员正在研发帮助机器人直接从实际经验中学习的技术。谷歌研究出一种叫做强化学习（reinforcement learning）的算法技术。使用该算法之后，机器人就能通过反复尝试而学会开门。但是这种实际训练既浪费时间又消耗金钱。相比之下，数字化训练才是高效划算的模式。

因此，一些组织机构希望利用复杂的虚拟世界来训练机器人：先让它们在数字游戏中得到训练，然后再在现实环境中实际操作。如果系统能够在《侠盗猎车手》（Grand Theft Auto）这样的赛车游戏中学会开车，它就能在现实世界的道路上掌控汽车飞驰前进。

当然，这基本上还停留在理论层面。但在加州大学伯克利校区和东北大学这样的地方，研究人员已经证明数字化训练的确能帮助机器人更好的在现实世界中学习和掌握技能。

东北大学教授罗伯·普莱特（Rob Platt）说：“这是一个挑战，但我们正在想办法一步步克服困难。”