1. 觸覺(jué)中的大腦

1.1. 自主或靈巧操作

• 1.1.1. 機(jī)器人必須能安全有效地與世界中的人和物玩耍、工作，只有這樣，它才可以走出工廠的牢籠，發(fā)揮其潛力

1.2. 從工程學(xué)和編程的角度看，建造飛往火星的機(jī)器人比建造可以清理餐桌的機(jī)器人容易

• 1.2.1. 自動(dòng)駕駛汽車或在火星上空巡航的機(jī)器人運(yùn)行于自由空間，不與物理世界中的物體或生物互動(dòng)，其目標(biāo)恰恰是避免互動(dòng)

• 1.2.2. 制造能移動(dòng)且避免與其他物體或生物接觸的機(jī)器人是我們的強(qiáng)項(xiàng)

1.3. 制造主動(dòng)與物理世界接觸的機(jī)器人卻是另一類問(wèn)題

1.4. 食譜是用人類能理解的語(yǔ)言（比如英語(yǔ)）寫(xiě)的，機(jī)器人不能很好地理解自然語(yǔ)言

• 1.4.1. 機(jī)器智能可以閱讀文本，并根據(jù)之前訓(xùn)練過(guò)的許多文本預(yù)測(cè)接下來(lái)應(yīng)該出現(xiàn)的單詞或短語(yǔ)

• 1.4.2. 還可以將英語(yǔ)翻譯成法語(yǔ)，準(zhǔn)確性非常高，但無(wú)法理解詞的真正含義

• 1.4.3. 機(jī)器人必須先將人類的食譜轉(zhuǎn)換成它可以理解的食譜，也就是說(shuō)，食譜上的每個(gè)動(dòng)作都必須轉(zhuǎn)換為機(jī)器人可以實(shí)際執(zhí)行的一個(gè)或一系列動(dòng)作

• 1.4.4. 烘焙機(jī)器人必須制訂計(jì)劃

1.5. 設(shè)計(jì)機(jī)械手以及引導(dǎo)它的算法需要對(duì)所涉及的力有深入的了解

1.6. Rocycle在無(wú)法確定物體是紙還是塑料時(shí)，會(huì)輕輕擠壓物體，根據(jù)變形程度做出判斷

• 1.6.1. 塑料比紙稍硬，對(duì)手指的后推力較大

• 1.6.2. 敏感的機(jī)械手讓整個(gè)機(jī)器人變得更智能

1.7. 在開(kāi)發(fā)機(jī)械手和引導(dǎo)它們的大腦方面還有許多工作要做，但如今我們建造的機(jī)器人能做的遠(yuǎn)不只是切蛋糕

• 1.7.1. 在各個(gè)生活層面可執(zhí)行的任務(wù)將包羅萬(wàn)象

• 1.7.2. 在醫(yī)院、敬老院和兒童護(hù)理機(jī)構(gòu)中，它們可以成為更得力的助手

• 1.7.3. 在工廠和倉(cāng)庫(kù)，它們可以做更多艱苦的工作

• 1.7.4. 在不利于人類的環(huán)境中，它們可以承擔(dān)更危險(xiǎn)的任務(wù)

• 1.7.5. 還可以幫助我們探索深海和外太空中的一切

1.8. 如果真心希望機(jī)器人發(fā)揮潛力（無(wú)論是操縱世界上的物體，還是在世界中移動(dòng)）?，就必須讓它們具備學(xué)習(xí)能力

2. 機(jī)器人的學(xué)習(xí)

2.1. 如果想讓機(jī)器人具備這種功能，工程學(xué)或編程的解決方案遠(yuǎn)遠(yuǎn)不夠—機(jī)器人要能挖掘數(shù)據(jù)，研究過(guò)去的經(jīng)驗(yàn)（包括自己的經(jīng)驗(yàn)和其他機(jī)器人的經(jīng)驗(yàn)）?，了解過(guò)去發(fā)生了什么、將來(lái)可能會(huì)發(fā)生什么、下一步該做什么以及如何做

• 2.1.1. 它們要能學(xué)習(xí)，并與其他機(jī)器人分享學(xué)到的知識(shí)

2.2. 學(xué)習(xí)簡(jiǎn)化了較高層次的推理和規(guī)劃過(guò)程，因而機(jī)器人能以我們期望的速度運(yùn)行

2.3. 我們?cè)诓煌某橄髮用孀隽撕芏嘤?jì)劃，但也從過(guò)去的經(jīng)驗(yàn)和可用數(shù)據(jù)中學(xué)習(xí)，能夠更快、更高效、更熟練地執(zhí)行計(jì)劃和行動(dòng)

2.4. 獎(jiǎng)勵(lì)是學(xué)習(xí)的重要組成部分，我們對(duì)機(jī)器人也實(shí)施獎(jiǎng)勵(lì)

2.5. 試錯(cuò)法被稱為強(qiáng)化學(xué)習(xí)，可應(yīng)用于機(jī)器人的諸多任務(wù)與技能學(xué)習(xí)

• 2.5.1. 強(qiáng)化學(xué)習(xí)非常有效，但必須進(jìn)行多次迭代，因而計(jì)算成本很高—包括計(jì)算機(jī)的運(yùn)作成本、與運(yùn)行學(xué)習(xí)程序相關(guān)的電力成本，以及強(qiáng)化學(xué)習(xí)所需的資金成本

• 2.5.2. 強(qiáng)化學(xué)習(xí)的可預(yù)測(cè)性較低

• 2.5.3. 模擬產(chǎn)生了有效或看似有效的算法或系統(tǒng)，但你已經(jīng)讓系統(tǒng)自學(xué)了，沒(méi)有進(jìn)行操作編程，也沒(méi)有告訴機(jī)器人怎樣按你的設(shè)想去做，所以你不了解機(jī)器人行動(dòng)的理由，因而很難證明系統(tǒng)會(huì)永遠(yuǎn)有效，或者在不可預(yù)見(jiàn)的情況下會(huì)怎么做

• 2.5.3.1. 如果系統(tǒng)出了問(wèn)題，你也很難解釋其原因

2.6. 教機(jī)器人在現(xiàn)實(shí)世界中學(xué)習(xí)有其優(yōu)勢(shì)，但即使它可以獨(dú)立學(xué)習(xí)，并在我們睡覺(jué)時(shí)徹夜實(shí)驗(yàn)，其進(jìn)度仍然較慢

2.7. 模擬學(xué)習(xí)的速度極快

• 2.7.1. 虛擬獵豹通過(guò)自學(xué)學(xué)會(huì)了奔跑

2.8. 通過(guò)編程，將基本的自然法則和物理定律納入虛擬世界

• 2.8.1. 模擬試驗(yàn)還訓(xùn)練了機(jī)器人處理突發(fā)事件的能力

2.9. 強(qiáng)化學(xué)習(xí)開(kāi)啟了令人難以置信的可能性

• 2.9.1. OpenAI的機(jī)械手將試錯(cuò)與推理相結(jié)合，解開(kāi)了魔方

• 2.9.2. 系統(tǒng)學(xué)會(huì)了如何控制手指中的電機(jī)和手的方向，從而改變單個(gè)方塊的配置，在魔方不掉落的情況下解開(kāi)它

2.10. 谷歌旗下的自動(dòng)駕駛汽車Waymo背后的技術(shù)在現(xiàn)實(shí)世界中行駛了超過(guò)2000萬(wàn)英里，但大多數(shù)研究人員沒(méi)有資源運(yùn)作如此大規(guī)模的項(xiàng)目

2.11. 機(jī)器學(xué)習(xí)的成功可追溯到20世紀(jì)70年代人們對(duì)計(jì)算機(jī)視覺(jué)的早期探索

• 2.11.1. 李飛飛及其學(xué)生開(kāi)始編譯ImageNet，這是一個(gè)龐大的數(shù)據(jù)集，算法分割了其中每張圖片中的所有對(duì)象

2.12. 機(jī)器的學(xué)習(xí)方式也與人類不同

• 2.12.1. 機(jī)器學(xué)習(xí)技術(shù)是通過(guò)被稱為“人工神經(jīng)元”的計(jì)算單元構(gòu)建的

• 2.12.2. 機(jī)器學(xué)習(xí)系統(tǒng)貫穿多個(gè)相互關(guān)聯(lián)的處理層，具體取決于數(shù)據(jù)類型，比如圖像、文本、視頻序列、傳感器數(shù)據(jù)流等

2.13. 像素改變是對(duì)抗性攻擊的一個(gè)例子

• 2.13.1. 針對(duì)停車標(biāo)志圖像的對(duì)抗性攻擊，它突顯了此類系統(tǒng)中存在的一個(gè)關(guān)鍵缺陷

• 2.13.2. 對(duì)圖像進(jìn)行精確的調(diào)整，這些變化足以欺騙機(jī)器學(xué)習(xí)系統(tǒng)，讓它以為自己看到的是讓行標(biāo)志

• 2.13.3. 在人類眼中，它仍然很像停車標(biāo)志

• 2.13.4. 受到擾動(dòng)的圖像與原始圖像之間的差異小到難以察覺(jué)，但對(duì)抗性攻擊帶來(lái)的細(xì)微變化卻讓機(jī)器學(xué)習(xí)引擎產(chǎn)生誤差

• 2.13.4.1. 一個(gè)重大缺陷

• 2.13.5. 攻擊嚴(yán)重?fù)p害了自動(dòng)駕駛汽車的判斷力，我們不希望它如此脆弱

• 2.13.6. 機(jī)器人分不清狗和鴕鳥(niǎo)可能會(huì)讓人覺(jué)得有趣，如果機(jī)器人想帶著鴕鳥(niǎo)散步就更可笑了，但將停車標(biāo)志看成讓行標(biāo)志可能會(huì)導(dǎo)致嚴(yán)重的交通事故

2.14. 機(jī)器學(xué)習(xí)的缺點(diǎn)是脆弱、規(guī)模龐大、計(jì)算量大、缺乏可解釋性、存在偏見(jiàn)

3. 液態(tài)網(wǎng)絡(luò)

3.1. 秀麗隱桿線蟲(chóng)

• 3.1.1. 一種緊湊的、可解釋的新模型，我們稱之為“液態(tài)網(wǎng)絡(luò)”(liquid networks)

• 3.1.2. 這302個(gè)神經(jīng)元中的每一個(gè)都做著相當(dāng)復(fù)雜的數(shù)學(xué)工作，有效地計(jì)算微分方程

3.2. 一種緊湊的、可解釋的新模型，我們稱之為“液態(tài)網(wǎng)絡(luò)”(liquid networks)

3.3. 人工大腦中的神經(jīng)元更少，但每個(gè)神經(jīng)元的作用更大

3.4. 液態(tài)網(wǎng)絡(luò)不需要讓人工神經(jīng)元進(jìn)行較高級(jí)的計(jì)算，而且網(wǎng)絡(luò)的規(guī)模和計(jì)算需求要小得多

3.5. 意味著它們專注于指定任務(wù)中的重要事情，而不是任務(wù)的背景

• 3.5.1. 液態(tài)網(wǎng)絡(luò)具有這種能力，但今天的機(jī)器人大腦是基于深度神經(jīng)網(wǎng)絡(luò)模型構(gòu)建的，不一定以這種方式運(yùn)行

3.6. 液態(tài)網(wǎng)絡(luò)的神經(jīng)元僅有19個(gè)，而用于比較的深度神經(jīng)網(wǎng)絡(luò)有超過(guò)10萬(wàn)個(gè)神經(jīng)元，但前者的人工大腦能通過(guò)觀察人類開(kāi)車來(lái)學(xué)習(xí)如何駕駛

• 3.6.1. 液態(tài)網(wǎng)絡(luò)通過(guò)自學(xué)，學(xué)會(huì)了如何將轉(zhuǎn)向控制與道路曲率相關(guān)聯(lián)，以及如何避開(kāi)障礙物

• 3.6.2. 液態(tài)網(wǎng)絡(luò)在操縱轉(zhuǎn)向時(shí)，注意力集中在地平線和道路兩側(cè)

• 3.6.3. 深度學(xué)習(xí)模型的注意力沒(méi)那么集中，機(jī)器人觀察樹(shù)木、灌木叢、天空和道路，表現(xiàn)得更像一個(gè)心不在焉的司機(jī)

3.7. 優(yōu)點(diǎn)：我們可以查明其行為的原因

• 3.7.1. 只有19個(gè)神經(jīng)元，我們可以提取決策樹(shù)，以人類可理解的形式解釋網(wǎng)絡(luò)如何做出選擇，并揭示每個(gè)神經(jīng)元在不同行為類型中的作用