[[379103]]

隨著科技創(chuàng)新成為時代主旋律，相信諸如“自動駕駛?cè)〈緳C”、“50%以上的工作崗位將會被AI取代”以及“機器人大規(guī)模列裝，無人工廠成真”之類的新聞標題早已充斥著各位的手機屏幕。

但這種技術(shù)名詞的濫用往往會在不經(jīng)意間使大眾混淆“機器人”與“人工智能”（AI）兩個概念。

機器人技術(shù)是AI的一部分嗎？AI是機器人技術(shù)的一部分嗎？這兩個名詞的區(qū)別是什么？通過今天的這篇文章，我們來解答這些問題。

人工智能正當時

首先要說明的是，機器人和人工智能完全不是一回事，二者的目的非常不同。甚至可以說，這兩個領(lǐng)域幾乎是完全各自獨立的。

人工智能（AI）是計算機科學的一個分支，它涉及開發(fā)計算機程序來完成原本需要人類智慧的任務(wù)。AI算法可以解決學習、感知、解決問題、語言理解和/或邏輯推理。

人工智能有兩大類：通用人工智能（General AI，AGI）和狹義人工智能（Narrow AI）,有時還會從通用人工智能中分化出遠超人類的超人工智能（Super AI）。

廣義人工智能指的是與人類智力相當或更高的整體系統(tǒng)，它可以完成各種任務(wù)，從下棋到在商店里招呼顧客，再到創(chuàng)作藝術(shù)品。除了馬斯克這樣的樂觀主義者外，大多數(shù)專家認為，我們距離看到可以超越人類的AI還有幾十年的時間。

當下，實現(xiàn)通用人工智能最根本的障礙是，人類首選需要了解所謂的“智能”是如何運作的，然而這是一個巨大的難題，亟待腦科學方面的突破。

但人類在狹義人工智能領(lǐng)域已經(jīng)取得了相當大的進展。在現(xiàn)代世界中，狹義人工智能（或弱人工智能）被用于許多方面，這些系統(tǒng)可以在嚴格的參數(shù)內(nèi)執(zhí)行離散的任務(wù)，例如：

圖像識別（Image recognition）：最典型的是公安機關(guān)的“天網(wǎng)”系統(tǒng)；

自然語言處理（Natural language processing）：蘋果的Siri、阿里巴巴的“天貓精靈”和百度的“小度”等AI助手的語音識別；

信息檢索（Information retrieval）；各大搜索引擎；

利用邏輯或證據(jù)進行推理（Reasoning using logic or evidence）：金融機構(gòu)用于抵押貸款核銷或確定欺詐的可能性。

不難發(fā)現(xiàn)，這些任務(wù)可以歸納為三類智能：感知、推理和溝通，而且大多數(shù)AI程序與大眾想象中的“機器人控制”并無關(guān)系。

以蘋果的Siri語音助手為例，首先，它使用語音識別算法來捕捉人們的問話（“感知”），然后使用自然語言處理來理解這串詞的含義并確定一個答案（“推理”），最后使用自然語言生成這個答案并將其轉(zhuǎn)達給用戶（“溝通”）。

[[379106]]

人工智能的歷史演進

那么人工智能系統(tǒng)是如何走到這一步的呢？

自從20世紀40年代艾倫·圖靈（Alan Turing）和他同時代的科學家開發(fā)出第一臺復(fù)雜的計算機以來，思維機器的概念就已經(jīng)存在了。

艾倫·圖靈

[[379107]]

1956年的達特茅斯學院大會通常被認為是AI發(fā)展的里程碑時刻，當時計算機科學家們聚集在一起，在“人工智能之父”馬文·明斯基（Marvin Minsky）的推動下，將人工智能作為一個獨立的領(lǐng)域進行研究。

馬文·明斯基

[[379108]]

然而，盡管早期該領(lǐng)域獲得了科學家的廣泛熱情和各界大量資金支持，但人工智能的最初進展依然步履蹣跚，慢的令人失望。

DARPA（美國國防部高級研究計劃局）曾在20世紀60年代向高校體系投入了數(shù)百萬美元，希望機器翻譯能夠增強其反間諜能力，但由于機器翻譯領(lǐng)域缺乏進展，他們的態(tài)度也變得消極。

與此同時，在英國，1973年由詹姆斯·萊特希爾（James Lighthill）領(lǐng)導(dǎo)的一個人工智能政府委員會提出了嚴重的質(zhì)疑，認為人工智能研究領(lǐng)域只會以漸進的速度發(fā)展。

其結(jié)果是，美英兩國乃至整個西方世界的政府資助被大幅削減。

整個20世紀，人工智能在政策制定者和公眾意識中的地位一直是起起伏伏。往往是一個新的發(fā)展會引發(fā)一波熱情和資金的激增，但由于承諾的創(chuàng)新未能實現(xiàn)，人們的興趣又急劇下降，進而導(dǎo)致失去資源支持。

為什么人工智能在20世紀進展如此緩慢？究其原因與研究人員在開發(fā)軟件時采用的方法有關(guān)。

20世紀的大多數(shù)人工智能應(yīng)用都采取了專家系統(tǒng)的形式，這些系統(tǒng)基于一系列精心開發(fā)的“if-then”規(guī)則，可以指導(dǎo)基本的決策。

雖然專家系統(tǒng)對于處理一個包含的任務(wù)很有用（比如在 ATM 機中取錢），但它們卻很難處理那些不容易被編入規(guī)則的請求。

例如，很難編寫規(guī)則來確定一個類似人類的物體是人體模型還是真人，或者核磁共振掃描（MRI）上的深色圖案是腫瘤還是良性組織。這些任務(wù)往往依賴于那些難以表述的“隱性知識”。

只有當新的人工智能方法投入使用時，才取得了重大突破，而機器學習（Machine Learning）就是這類“新方法”中最具代表性的一個。

機器學習不需要從頭開始編寫規(guī)則，而是通過使用現(xiàn)有的數(shù)據(jù)（例如，圖像被標記為人體模型或真人，MRI掃描被標記為惡性或良性腫瘤）來“訓練”算法。

[[379110]]

反過來，這些算法每檢測出一種模式，就會創(chuàng)建一個通用規(guī)則來理解未來的輸入，以此形成良性循環(huán)。目前，機器學習算法已被應(yīng)用于多個領(lǐng)域，從發(fā)現(xiàn)銀行欺詐交易到幫助人力資源團隊在招聘員工時篩選簡歷申請，任務(wù)多樣。

過去的十多年里，機器學習在一直在人工智能領(lǐng)域獨領(lǐng)風騷。但在最近的幾年，人們的注意力已經(jīng)轉(zhuǎn)向了機器學習的一個子領(lǐng)域——深度學習（Deep Learning）。

深度學習系統(tǒng)是由“人工神經(jīng)網(wǎng)絡(luò)”（Artificial Neural Networks）組成的，它有多層，每一層都被賦予了對圖像、聲音或文本中不同模式進行理解的任務(wù)。

第一層可以識別原始模式，例如圖像中物體的輪廓，而第二層可以用來識別該圖像中的顏色帶。數(shù)據(jù)通過多層輸入，直到系統(tǒng)能夠?qū)⒛Ｊ骄垲悶椴煌念悇e，例如物體或文字。根據(jù)倫敦國王學院的一項研究，當使用核磁共振掃描的原始數(shù)據(jù)時，深度學習技術(shù)將大腦年齡評估的準確性提高了一倍以上。

而除了以上方法外，其他重要的人工智能方法還包括監(jiān)督式學習、強化學習和遷移學習：

監(jiān)督學習（Supervised learning）：算法一開始就可以通過監(jiān)督或者非監(jiān)督式學習兩種方式進行訓練。

監(jiān)督式學習意味著算法被賦予標記數(shù)據(jù)，它們從這些數(shù)據(jù)中提取模式，得出一個通用的規(guī)則來理解未來的數(shù)據(jù)。大多數(shù)機器學習和深度學習算法都是使用監(jiān)督過程來訓練的。非監(jiān)督式學習是指給算法提供未標記的數(shù)據(jù)，并自行發(fā)現(xiàn)模式。例子包括營銷公司使用的人群細分，以及一些網(wǎng)絡(luò)安全軟件。

強化學習（Reinforcement learning）：有些算法只編寫或訓練一次，而強化學習則是利用正反饋機制，在使用過程中不斷調(diào)整和改進算法。

短視頻和網(wǎng)購中的推薦系統(tǒng)就是強化學習的一個例子。每當消費者購買一件產(chǎn)品（一本書、一條記錄或一件衣服）時，算法都會自動調(diào)整，以便在未來推薦時將這些行為考慮進去。

遷移學習（Transfer learning）：遷移學習是指將一個在某一領(lǐng)域開發(fā)的算法進行修改，以用于另一個領(lǐng)域，而不必從頭開始，也不必將大量原始數(shù)據(jù)和標簽數(shù)據(jù)作為來源。

要說明的是，上述人工智能的方法并不一定是相互排斥的，往往可以結(jié)合使用。

機器人的世界

說罷人工智能，再來談?wù)剻C器人（Robotics）。機器人學包括設(shè)計、制造和編程能夠與物理世界互動的物理機器人。機器人技術(shù)中只有一小部分涉及人工智能。

通常，構(gòu)成機器人有三個重要因素：

機器人通過傳感器和執(zhí)行器與物理世界進行互動；

機器人是可以編程的；

機器人通常是自主或半自主的。

因此，雖然拖拉機、建筑挖掘機和縫紉機有運動部件，可以完成人工任務(wù)，但它們需要人類長期（如果不是連續(xù)）監(jiān)督，所以不屬于機器人。

相比之下，倉庫里的揀貨和包裝機器，以及升降和搬運病人的“護理機器人”，都是在部分自主的情況下完成任務(wù)的，因此它們會被歸為機器人。

“機器人”一詞最早出現(xiàn)在1921年卡雷爾·卡佩克（Karel Capek）創(chuàng)作的一部科幻劇中，該劇講述了在一個社會中，克隆人被當做奴隸，結(jié)果機器人推翻了主人的故事。

[[379111]]

直到20世紀50年代，機器人仍是科幻小說的專利，彼時全世界第一家工業(yè)機器人公司Unimation剛剛成立。它發(fā)明了一種突破性的近2噸重的機械臂，可以根據(jù)預(yù)先編程的指令取放物品，是工廠里搬運重物的理想選擇。

1961年，Unimate機器人在通用汽車公司首次亮相，它被用來運送熱的壓鑄金屬件，并將其焊接到汽車車身部件上。

不久后的1969年，機器人先驅(qū)維克多·舍恩曼（Victor Scheinman ）開發(fā)了斯坦福臂（Stanford Arm），這是世界上第一個電動關(guān)節(jié)型機器人臂。它被看作是機器人技術(shù)的一個突破，因為它在6軸上操作，比以前的單軸或雙軸機器有更大的運動自由度。

[[379112]]

斯坦福臂標志著關(guān)節(jié)型機器人革命的開始，它改變了制造業(yè)的裝配線，并推動了包括庫卡（Kuka）和ABB機器人在內(nèi)的多家商業(yè)機器人公司的發(fā)展。

多年來，關(guān)節(jié)型機器人已經(jīng)承擔了從焊接鋼材到組裝汽車，再到給白色家電加漆等各種各樣的功能。國際機器人聯(lián)合會（International Federation of Robotics）估計目前全球工業(yè)機器人的數(shù)量為270萬臺。

走出藩籬的機器人

在20世紀的大部分時間里，機器人行業(yè)仍然集中關(guān)注關(guān)節(jié)型機械臂。然而，正如人工智能領(lǐng)域一樣，在千禧年之交，情況開始發(fā)生變化。

本田公司的ASIMO機器人于2000年亮相，是首批能夠用兩條腿行走、識別手勢和回答問題的人形機器之一。

[[379113]]

三年后，KIVA系統(tǒng)公司（現(xiàn)在的亞馬遜機器人公司）成立，提供移動機器人，可以在復(fù)雜的配送倉庫內(nèi)穿梭運送貨物和托盤。

2000年代初，也是自動駕駛汽車從實驗室測試走向道路試驗的時期。特別具有象征意義的是2004年DARPA的挑戰(zhàn)賽，這是同類獎項中的第一個。任何人只要能夠讓自動駕駛汽車跑完230公里的賽道，就可以獲得100萬美元的獎金。

雖然這些機器人的功能、大小和環(huán)境各不相同，但它們都有一個共同的特點：可移動性。20世紀的關(guān)節(jié)型機器人往往只能固定在一個地方，但21世紀的機器人已經(jīng)動了起來。

其中一個驅(qū)動因素是人工智能和機器人技術(shù)的共生，復(fù)雜的軟件讓物理機器有能力處理無法預(yù)料的環(huán)境和事件。例如，強化學習意味著機器人現(xiàn)在可以模仿和學習人類。此外，將數(shù)據(jù)存儲在云端意味著機器人可以與網(wǎng)絡(luò)中的其他機器人學習和共享經(jīng)驗。

另一方面，機器人技術(shù)的進步也得益于硬件的創(chuàng)新。傳感器的改進使機器人具備了在非結(jié)構(gòu)化環(huán)境中導(dǎo)航所需的視覺感知能力。與這些傳感器能力相匹配的是豐富且不斷增長的物理世界數(shù)據(jù)庫，包括新的3D圖像數(shù)據(jù)集，如谷歌或百度的3D街景地圖。

最后，材料科學也在飛速發(fā)展。硅膠和蜘蛛絲等更好的材料使機器人外觀看起來更銳利，而由壓電晶體管制成的“機械毛發(fā)”則像人的皮膚一樣敏感。此外，液壓泵也有改進，不僅摩擦力極小，而且可以實現(xiàn)卓越的控制水平。

綜合以上的因素，結(jié)果是機器人不再局限于工廠，而是可以在醫(yī)院病房、商店樓層和城市街道等各種環(huán)境中漫游。

更可喜的是，即使在工廠里，機器人也在不斷進化。最新的機器被稱為“協(xié)作機器人”（co-bots），其設(shè)計目的是與人類工人協(xié)同工作，例如從料箱中揀出零件，從生產(chǎn)線上取出不良品，并完成簡單的工作，如擰螺絲、涂膠和焊接。

[[379114]]

另外，它們也非常容易重新編程，因此對小批量生產(chǎn)的企業(yè)很有吸引力，并且它們還具有扭矩傳感器，可以在人類接觸的情況下保持不動。麻省理工學院與寶馬公司合作進行的研究發(fā)現(xiàn)，機器人與人類協(xié)作比人類單獨工作的工作效率高85%。

縱觀機器人技術(shù)的發(fā)展，可以看出現(xiàn)在的物理機器人主要有五種類型：

關(guān)節(jié)型機器人（Mobile robots）：固定式機器人，其手臂至少有三個旋轉(zhuǎn)關(guān)節(jié)，這種機器人通常出現(xiàn)在工業(yè)環(huán)境中。協(xié)作機器人是關(guān)節(jié)型機器人的最新迭代。

移動機器人（Mobile robots）：輪式或履帶式機器人，可以將貨物和人員從一個目的地運送到另一個目的地。自動駕駛汽車是移動機器人能力的巔峰。

人形機器人（Humanoid robots）：與人類生理上相似并試圖模仿人類能力的機器人。軟銀聲稱其Pepper機器人是第一個能夠識別人類情緒并相應(yīng)調(diào)整其行為的機器人。

假肢機器人（Prosthetic robots）：可以穿戴或操作的機器人，讓人們獲得更大的力量，包括殘疾人或從事危險工作的工人。大眾更熟悉的名詞是“外骨骼”。

蛇形機器人（Serpentine robots）：由多個部分和關(guān)節(jié)組成的蛇形機器人，可以極其靈活地移動。由于蛇形機器人能夠穿越困難的地形和在狹窄的空間中移動，因此在工業(yè)檢測和搜救任務(wù)中得到了應(yīng)用。

人工智能機器人：機器人和AI的橋梁

從以上的描述可以了解，大多數(shù)機器人都不是“智能”的。即使AI被用于控制機器人，AI算法也只是更大的機器人系統(tǒng)的一部分，該系統(tǒng)還包括傳感器、執(zhí)行器和非AI程序。

直到現(xiàn)在，所有的工業(yè)機器人都只能通過編程來進行一系列重復(fù)性的動作，這些動作顯然并不需要人工智能。然而，非智能機器人的功能相當有限。

當你想讓機器人執(zhí)行更復(fù)雜的任務(wù)時，人工智能算法是必要的。

[[379115]]

例如，倉儲機器人可能會使用路徑搜索算法在倉庫周圍導(dǎo)航；無人機可能會在電池快用完的時候使用自主導(dǎo)航返回家中；自動駕駛汽車可能會結(jié)合使用人工智能算法來檢測和避免道路上的潛在危險。這些都是人工智能機器人的例子。

未來會怎樣？

如果要問我人工智能和機器人技術(shù)這兩項技術(shù)在未來幾年和幾十年將如何發(fā)展，恐怕很難給出好的答案。深度學習算法可能會走入死胡同，而仿人機器人也可能只是一種幻想。

有觀察家已經(jīng)提出，全球范圍內(nèi)的人工智能泡沫正在膨脹，而機器人的“人工”程度超過了“智能”程度。

但我們可以比較肯定地說，只要算力、數(shù)據(jù)采集和存儲、通用基礎(chǔ)設(shè)施以及研究投資沒有停下來，那么這些技術(shù)將繼續(xù)以這樣或那樣的方式繼續(xù)發(fā)展。繼那之后，我們更應(yīng)該警惕的是AI、機器人以及二者結(jié)合后所產(chǎn)生的社會性影響。

參考資料：

[1]https://medium.com/@thersa/what-is-the-difference-between-ai-robotics-d93715b4ba7f