布朗大學計算機科學助理教授斯特弗尼?特里克斯正在解決一個棘手的問題：機器人的抓握能力。她建立了一個機器學習模型，使機器人能夠自動學習操縱對象，并且能夠從中產(chǎn)生許多樣本數(shù)據(jù)，有了這些數(shù)據(jù)，其他研究人員可以用它來訓練機器人的抓握能力。

　　一開始，特里克斯言語之間就充滿著活力與激情，她慢慢陳述著在抓捏物體上，機器人所面臨的普遍問題。

　　“大多數(shù)的機器人在大部分時間能夠抓取物體，但是這也是有一定前提條件的。如果你去到機器人實驗室，并把一個陌生的從沒看到過的物體放在機器人面前，該機器人基本上是無法抓起這個東西的，因為它的‘思維’里沒有這個物體的信息，也沒有針對該物體做過訓練。”

　　這真的是一個實際問題，因為機器人要抓起這些物體，它們就必須明白具體的任務，以及從傳感器信息庫中知道關(guān)于該物體的相關(guān)信息。例如它的形狀，它所在的位置等等。而這些問題也是機器人手臂必須被解答的問題，通常還包括，要想抓起這些物體，那么機器人手臂應該調(diào)整到什么位置才能夠準確地抓起該物體呢？

　　研究人員對機器人進行編程之后，它可以拿起特定的物體，這其中都是有一部分規(guī)律可循的，但是這些編程好的程序通常只能幫助機器人抓捏起一小部分的物體。目前，要想使得機器人能夠自主地抓起某些不熟悉的物體或者移動它們，還是有很大難度的，有類似能力的機器人還在開發(fā)當中。

　　而特里克斯所構(gòu)建的機器學習模型可以讓她的實驗室機器人在錯誤中進行學習，經(jīng)過反復試驗，直到它能成功地抓起物體。在嘗試和錯誤的交替過程中，可以產(chǎn)生一系列的關(guān)于該物體的圖片信息庫，以及夾持器與物體之間也可以在磨合中更加熨帖。

　　機器人不斷練習所產(chǎn)生的附屬產(chǎn)品就是數(shù)據(jù)庫，它可以成為機器學習的樣本數(shù)據(jù)，用來訓練其他機器人來抓捏同樣的物體。但在特里克斯實驗室中，她的巴克斯特機器人卻不能夠產(chǎn)生足夠多的樣本數(shù)據(jù)。

　　為了解決這個問題，特里克斯推出了一個“百萬挑戰(zhàn)計劃”，她想要招募全世界的實驗室，針對400臺巴克斯特機器人來進行研究，讓這些閑置的機器人可以根據(jù)她所研發(fā)的機器學習模型來運行，讓它們對上百萬個物體進行抓取實驗，最終得到一份詳細的數(shù)據(jù)。

　　為什么樣本訓練數(shù)據(jù)很重要

　　近年來，機器學習的應用技術(shù)如自動駕駛汽車以及圖像識別的應用技術(shù)都得到了迅猛的發(fā)展，都是因為在這些領域有大量的樣本數(shù)據(jù)可以用來訓練這些機器學習模型。而機器人抓取能力的滯后，最主要原因在于樣本數(shù)據(jù)的缺少，從而無法訓練神經(jīng)網(wǎng)絡。

　　使用標記的數(shù)據(jù)來訓練機器學習模型最便于理解的例子就是圖像識別。圖像識別的精度已經(jīng)提高了90%。如此進步可以歸因于機器學習的應用以及龐大的樣本數(shù)據(jù)庫。數(shù)以百萬計的標記圖片集已經(jīng)在學術(shù)研究中被廣泛使用了，如谷歌，F(xiàn)acebook和其他在線圖像存儲器。

　　神經(jīng)網(wǎng)絡是如何工作的

　　神經(jīng)網(wǎng)絡是一個由幾個簡單高度互連的處理元件組成的計算機系統(tǒng)，可以通過對外部輸入的動態(tài)回應來處理信息。它主要是通過處理大量的被標記的數(shù)據(jù)，從而來獲得理解不同情形的能力。

　　一張鳥的圖像中，鳥是特定的鳥，在一張汽車圖像中，汽車也是特定的汽車。大量的圖像樣本可通過機器學習軟件來進行處理，如Torch和Tensorflow，然后讓它在神經(jīng)網(wǎng)絡上運行，就能夠?qū)ζ溥M行訓練來識別照片中的物體了。

　　在這種情況下，輸入的信息主要就是大量的被標記的圖像，緊接著系統(tǒng)就能輸出關(guān)于該圖片的許多識別標簽，例如所輸入的圖片到底有沒有汽車。而還有一個隱藏的部分就是整個處理過程，通常包含神經(jīng)元，以及根據(jù)算法而來的機器學習軟件處理程序，也可被稱為該圖像的中間值。

　　緊接著系統(tǒng)會對這些樣本數(shù)據(jù)進行重新處理，從而可以測試出該模型在推測圖片標簽上的準確性。然后再對結(jié)果進行比對，如果有錯誤就更正過來，并將其反饋到神經(jīng)網(wǎng)絡中，算法程序就可以根據(jù)所反饋的內(nèi)容做出相關(guān)判斷。這樣的糾錯過程會如此往復直到出現(xiàn)正確的預測。

　　自動駕駛汽車也是以同樣的方式來學習駕駛的。當有人在駕駛某一輛特定的汽車時，可以將路面的情況，以及各個轉(zhuǎn)彎的角度用3D視頻的方式記錄下來，形成樣本數(shù)據(jù)庫。

　　該日志可以輸入到機器學習系統(tǒng)當中，從而可以訓練算法正確地將相關(guān)信息輸入到視頻中去。這個過程會重復進行，直到調(diào)整到一個適用于車輛操作的駕駛模式。

　　用來訓練圖像識別系統(tǒng)的樣本信息量是很巨大的。而自動駕駛汽車有大量的數(shù)據(jù)集。谷歌研發(fā)的自動駕駛汽車已經(jīng)行駛了一百萬英里，特斯拉也行駛了近10億英里，有了這些數(shù)據(jù)，可以提供更全的駕駛經(jīng)驗。而訓練機器人的抓握能力時，卻沒有這些數(shù)據(jù)的支持。

　　“百萬挑戰(zhàn)計劃”

　　如果特里克斯的“百萬挑戰(zhàn)計劃”可以成功，將會獲得大量的數(shù)據(jù)，終將有一天可以讓機器人有更準確的抓握能力。