計(jì)算機(jī)科學(xué)和密碼學(xué)的先驅(qū)艾倫·麥席森·圖靈在1950年撰寫了《計(jì)算機(jī)器與智能》一文，提出了一項(xiàng)經(jīng)典的測(cè)試：如果一臺(tái)機(jī)器與人類展開對(duì)話，超過30%的測(cè)試人類誤以為在和人類說話而非機(jī)器，那么就可以說這臺(tái)機(jī)器具有智能。這就是人工智能行業(yè)知名的“圖靈測(cè)試”，圖靈預(yù)言在20世紀(jì)末一定會(huì)有電腦通過這項(xiàng)測(cè)試，但事實(shí)上直到2014年，人工智能軟件“尤金·古斯特曼”才第一個(gè)通過了圖靈測(cè)試。這也從側(cè)面反映出一個(gè)事實(shí)：雖然早在70多年前就已經(jīng)有科學(xué)家進(jìn)行了猜想，但賦予機(jī)器人“靈魂”，卻仍然任重道遠(yuǎn)。那么問題來了，目前的人工智能處于相對(duì)高速的發(fā)展階段，我們有哪些能讓機(jī)器人與我們交互呢？

第一步：讓機(jī)器人“看見”世界

作為地球上最有智慧的生物，人類獲取信息的渠道83%來自視覺、11%來自聽覺、3.5%來自嗅覺，而1.5%來自觸覺、1%來自味覺，而既然要模擬人類的思維方式，其核心就是讓機(jī)器通過深度學(xué)習(xí)，根據(jù)所收集的數(shù)據(jù)信息做出相應(yīng)的反饋，考慮到我們大部分信息的來源都是視覺，所以，讓機(jī)器人“看到”物體和場(chǎng)景，進(jìn)而對(duì)圖像內(nèi)容給予解釋就成了機(jī)器人靈魂的核心。

目前隨著人工智能視覺技術(shù)的不斷進(jìn)化，包括物體識(shí)別、目標(biāo)追蹤、導(dǎo)航、避障已成為各類智能設(shè)備的前端通用技術(shù)，我們?cè)诠I(yè)生產(chǎn)自動(dòng)化、流水線控制、汽車自動(dòng)駕駛、安防監(jiān)控、遙感圖像分析、無人機(jī)、農(nóng)業(yè)生產(chǎn)以及機(jī)器人等各個(gè)方面都能找到很多案例。

而對(duì)于移動(dòng)機(jī)器人來說，就需要使用多種不同傳感器來實(shí)現(xiàn)環(huán)境感知，比如大家在飯店餐館可能會(huì)看到自動(dòng)傳菜機(jī)器人，抑或是在工廠里很常見的運(yùn)輸機(jī)器人，它們會(huì)通過搭載激光雷達(dá)、立體視覺攝像頭、紅外以及超寬頻傳感器來“分辨”環(huán)境并構(gòu)建地圖，從而擁有識(shí)別、感知、理解、判斷及行動(dòng)能力。

環(huán)境感知能力是機(jī)器人最基本的功能，這意味著這類機(jī)器人更適用于服務(wù)型工作，目前來看這類機(jī)器人還可以通過模塊化裝備，完成人員異常行為監(jiān)測(cè)、人員檢測(cè)及記錄、異常高溫或火災(zāi)報(bào)警、環(huán)境數(shù)據(jù)異常報(bào)警等功能，甚至通過遠(yuǎn)程監(jiān)控模塊，可以代替人員進(jìn)入危險(xiǎn)場(chǎng)所，完成勘察任務(wù)。

人形雙臂機(jī)器人通過攝像頭識(shí)別和算法精準(zhǔn)定位匹配，可實(shí)現(xiàn)擰瓶蓋等操作

工廠里最常見的機(jī)器人也同樣有著豐富的感知傳感器

看似簡單的對(duì)話，卻蘊(yùn)含了多個(gè)解析步驟

第二步：讓機(jī)器人“開口說話”

如果只是通過環(huán)境感知來完成工作，這樣的機(jī)器人算得上“聰明”么？站在人類的角度來看不過也都是自動(dòng)化的工具而已，離咱們想象中電影里那樣的智能化機(jī)器人有著非常明顯的差距，其實(shí)很大程度上產(chǎn)生這種感覺的原因在于，服務(wù)型機(jī)器人大多都不會(huì)與人進(jìn)行交互，而我們?nèi)祟惤换サ暮诵姆绞骄褪钦f話聊天。70多年前提出的圖靈測(cè)試還是通過文字形式來驗(yàn)證，而現(xiàn)在如果要重新定義的話，語音交互應(yīng)該是必考項(xiàng)目，比爾·蓋茨就曾說“人類自然形成的與自然界溝通的認(rèn)知習(xí)慣和形式必定是人機(jī)交互的發(fā)展方向”。

人機(jī)交互技術(shù)主要包含語音識(shí)別、語義理解、人臉識(shí)別、圖像識(shí)別、體感/手勢(shì)交互等技術(shù)，其中語音人機(jī)交互過程中包含信息輸入和輸出、語音處理、語義分析、智能邏輯處理以及知識(shí)和內(nèi)容的整合。

就目前來看，人工智能語音技術(shù)可以分為近場(chǎng)語音和遠(yuǎn)場(chǎng)語音兩個(gè)分類，近場(chǎng)語音基本上是為了滿足一些輔助使用需求，比如蘋果Siri和微軟小冰就是近場(chǎng)語音產(chǎn)品，而很多智能音箱則可以實(shí)現(xiàn)遠(yuǎn)場(chǎng)語音，用戶能在5米外的距離語音指示它控制智能家居設(shè)備。這些看起來似乎很簡單的工作，事實(shí)上對(duì)準(zhǔn)確性的要求非常高，從處理過程來看先要通過聲學(xué)處理我們的聲音和周圍環(huán)境，再通過語音識(shí)別技術(shù)將聽到的聲音翻譯成文字，語義理解技術(shù)則會(huì)分析這些文字的意義，最后機(jī)器去執(zhí)行用戶的指令或者通過語音合成技術(shù)把要表達(dá)的內(nèi)容合成語音。

但在真實(shí)環(huán)境下，受噪聲等環(huán)境因素影響，機(jī)器仍然無法完全準(zhǔn)確識(shí)別自然語言，機(jī)器將聽到的語音翻譯成文字時(shí)，重音、口音模糊、語法模糊等又很影響成功率，而且人類語言太復(fù)雜，受到單詞邊界模糊、多義詞、句法模糊、上下文理解等影響，再加上中文存在大量的方言，語義理解是一個(gè)巨大的障礙。

所以，現(xiàn)階段的人工智能語音系統(tǒng)更多用在垂直使用場(chǎng)景，比如汽車的車載智能語音系統(tǒng)、兒童娛樂和教育軟件、人工智能客服等等。尤其是人工智能客服，很多人應(yīng)該都接到過銀行或金融機(jī)構(gòu)的智能客服電話，大多數(shù)情況下它的表現(xiàn)都跟真人沒有太大差別，但嚴(yán)重缺乏變通能力，只能在相對(duì)狹窄的范圍內(nèi)進(jìn)行溝通，準(zhǔn)確率也并不高，但它一則可以實(shí)現(xiàn)客戶需求的快速響應(yīng)，二來在一定程度上能夠節(jié)約時(shí)間和人工成本，所以在未來也一定會(huì)隨著滲透率的不斷加深而繼續(xù)進(jìn)化。

機(jī)器人的語義理解能力目前仍處于較低水平

機(jī)器人抓取姿態(tài)判別深度學(xué)習(xí)方案

姿態(tài)識(shí)別也是機(jī)器人視覺學(xué)習(xí)的關(guān)鍵點(diǎn)之一

第三步：讓機(jī)器人更“聰明”

既然我們說到了機(jī)器人的智能進(jìn)化，可能有讀者朋友會(huì)問：那它是怎樣進(jìn)化的呢？最知名的方法就是深度學(xué)習(xí)，早在2011年，谷歌一家實(shí)驗(yàn)室的研究人員就從視頻網(wǎng)站中抽取了1000萬張靜態(tài)圖片，把它“喂”給谷歌大腦，目標(biāo)是從中尋找重復(fù)出現(xiàn)的圖片，而在足足3天后，谷歌大腦才完成了這一挑戰(zhàn)，而谷歌大腦就是一個(gè)由1000臺(tái)電腦、16000顆處理器組成的10億神經(jīng)單元深度學(xué)習(xí)模型。

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，本質(zhì)上是構(gòu)建含有多隱層的機(jī)器學(xué)習(xí)架構(gòu)模型，通過大規(guī)模數(shù)據(jù)進(jìn)行訓(xùn)練，得到大量更具代表性的特征信息，從而對(duì)樣本進(jìn)行分類和預(yù)測(cè)，提高分類和預(yù)測(cè)的精度。比如抓取姿態(tài)判別，對(duì)于人類來說，想要拿起一個(gè)東西只需要看幾眼就知道該用怎樣的手勢(shì)去拿，而對(duì)機(jī)器人來說這卻是一個(gè)不小的挑戰(zhàn)，涉及到的研究包括智能學(xué)習(xí)、抓取位姿判別、機(jī)器人運(yùn)動(dòng)規(guī)劃與控制等，而且還需要根據(jù)抓取物體的材料性質(zhì)來隨機(jī)應(yīng)變，調(diào)整抓取姿勢(shì)和力度。

不過，創(chuàng)造一個(gè)強(qiáng)大的神經(jīng)網(wǎng)絡(luò)需要更多處理層，這就需要很強(qiáng)的數(shù)據(jù)處理能力，所以深度學(xué)習(xí)的背后往往都有上游硬件大佬的“撐腰”，這些年圖形處理器、超級(jí)計(jì)算機(jī)和云計(jì)算的迅猛發(fā)展，讓深度學(xué)習(xí)脫穎而出，NVIDIA、英特爾、AMD等芯片巨頭都站到了人工智能學(xué)習(xí)的舞臺(tái)中央。

深度學(xué)習(xí)技術(shù)建立在大量實(shí)例基礎(chǔ)上，給它學(xué)習(xí)的數(shù)據(jù)越多，它就越聰明。因?yàn)榇髷?shù)據(jù)的不可或缺，所以目前深度學(xué)習(xí)做得最好的基本是擁有大量數(shù)據(jù)的IT巨頭，如谷歌、微軟、百度等。與此同時(shí)，深度學(xué)習(xí)技術(shù)在語音識(shí)別、計(jì)算機(jī)視覺、語言翻譯等領(lǐng)域，均戰(zhàn)勝傳統(tǒng)的機(jī)器學(xué)習(xí)方法，甚至在人臉驗(yàn)證、圖像分類上還超過人類的識(shí)別能力，比如短視頻時(shí)代很熱門的人工智能“換臉”，就是將原視頻里的人臉逐幀導(dǎo)出，再通過大量想要替換的人臉照片來進(jìn)行模型訓(xùn)練，訓(xùn)練的過程你會(huì)直觀看到替換的人臉從模糊逐漸變得清晰，根據(jù)電腦配置的不同，在訓(xùn)練數(shù)小時(shí)甚至數(shù)十小時(shí)后就能得到一個(gè)相當(dāng)不錯(cuò)的替換結(jié)果，這就是深度學(xué)習(xí)的典型過程。

對(duì)于機(jī)器人來說，深度學(xué)習(xí)的應(yīng)用面除了圖像識(shí)別之外還有很多，比如工業(yè)或安防機(jī)器人需要用到的復(fù)雜環(huán)境路線規(guī)劃和室內(nèi)導(dǎo)航，教育機(jī)器人識(shí)別學(xué)生坐姿、舉手、摔倒的人體姿態(tài)判斷等。在未來，計(jì)算方法可能更趨向于與大數(shù)據(jù)、云計(jì)算相結(jié)合，使機(jī)器人利用云平臺(tái)更好地存儲(chǔ)資源和自主學(xué)習(xí)，同時(shí)在大數(shù)據(jù)環(huán)境下，數(shù)量龐大的機(jī)器人共同分享學(xué)習(xí)內(nèi)容，疊加學(xué)習(xí)模型，更有效地分析和處理海量數(shù)據(jù)，從而提高學(xué)習(xí)和工作效率，發(fā)展智能機(jī)器人的潛力。

當(dāng)然，這些發(fā)展還存在很多隱藏的問題，比如在機(jī)器人與云平臺(tái)相結(jié)合時(shí)，因?yàn)榧夹g(shù)還不夠成熟，在資源分配、系統(tǒng)安全、可靠有效的通信協(xié)議，以及如何打通各大上游廠商之間的技術(shù)壁壘等都是下一步研究中需要關(guān)注的問題。