1. 概念

1.1. 利用數據確定模式，描述數據集的某些屬性?，基于過去的經歷判斷未來可能發生什么?，或基于當前發生的事情判斷后果或反應

1.2. 機器學習(machine learning)是人工智能的一個子集，它不需要顯式編程，為系統提供自動學習和根據經驗改進的能力

• 1.2.1. 機器學習算法基于樣本數據（又稱訓練數據）構建模型，在未經顯式編程的情況下對未來數據做出預測或決策

• 1.2.2. 機器學習有多種類型，包括有監督學習、無監督學習、半監督學習和強化學習，每種類型都有不同的目的，作用于不同類型的數據，以獲得不同的結果

• 1.2.3. 機器人可以利用機器學習提高大腦各方面的能力，包括感知、計劃、控制和協調

1.3. 有監督學習(supervised learning)是指利用人類標注的數據集來訓練模型（常見的例子是神經網絡）?，從而對數據進行準確分類或預測結果

• 1.3.1. 有監督學習為模型提供已標注的訓練數據

• 1.3.2. 受過大量圖像訓練的成功模型能識別圖像中未經人類標注的狗或杯子，從而學會識別圖片中的對象，但它并不知道杯子或狗到底是什么，也不知道喝水時該選哪個杯子，散步時該帶什么出門

1.4. 深度學習(deep learning)是機器學習的一個子領域，主要研究受大腦啟發的算法，即人工神經網絡

• 1.4.1. 應用范圍最廣的激勵函數是sigmoid函數，它本質上是一個階躍函數，如果輸入小于閾值，則輸出0；如果輸入大于閾值，則輸出1

• 1.4.2. 人工深神經網絡由輸入層、?（通常是大量的）隱藏層和輸出層組成

• 1.4.3. 包括前饋神經網絡、卷積網絡、遞歸神經網絡、長短期記憶網絡(LSTM)、生成以抗網絡(GAN)、自編碼器和變分自動編碼器(VAE)

• 1.4.4. 應用于很多領域，包括計算機視覺、語音識別、自然語言處理、機器翻譯、生物信息學、醫學圖像分析、氣候科學、材料科學、棋盤游戲、藥物設計等

• 1.4.5. 不僅限于有監督學習，還可應用于所謂的無監督學習任務

1.5. 無監督學習(unsupervised learning)是機器學習的一種類型，算法在沒有任何明確指導或標注示例的情況下學習數據中的模式和結構

• 1.5.1. 目標是識別模式，找到底層結構，從模型中提取有意義的洞見

• 1.5.2. 當你擁有未經人類分析和標注的數據，想從中提取一些特征時，無監督學習是一種非常有價值的方法

• 1.5.3. 無監督學習旨在發現數據中的模式、結構或關系，但不標注或注釋數據

1.6. 半監督學習(semi-supervised learning)結合了有監督學習和無監督學習的元素，使用標注和未標注數據來訓練模型

• 1.6.1. 標注的數據有助于指導學習過程，未標注的數據則有助于發現模式，提高泛化能力或將模型應用到其他任務中的能力

• 1.6.2. 當標注的數據過少或成本過高難以獲取時，這種方法很有用

1.7. 自監督學習(self-supervised learning)是無監督學習的一種形式，它根據未標注的訓練數據創建自己的標簽

• 1.7.1. 該算法被訓練為利用結構化但未標注的數據執行任務，目標是通過從數據中找到模式或規律性為任務提取有用的信息，而非通過告訴系統尋找的對象來實現這一點

• 1.7.2. 自監督學習旨在自行生成人類使用的標簽

1.8. 強化學習(rei f rcement learning)是指智能體與環境交互，學習如何做決策或采取行動，最大限度地獲得獎勵或減少懲罰—它規定了一種試錯形式

1.9. 模仿學習(imitation learning)是一種機器學習，學習算法試圖模仿或效仿人類專家或其他熟練智能體的行為

• 1.9.1. 專家不使用獎勵，而是提供一組演示，有效地向軟件智能體展示如何完成某件事

• 1.9.2. 模仿學習就是機器人通過研究和模仿執行某項任務的另一智能體（通常是人）來學習

• 1.9.3. 自動駕駛汽車公司Waymo宣稱其系統是世界上經驗最豐富的駕駛員，因為他們的汽車機器人行駛的真實和模擬里程已超過200億英里

• 1.9.4. 缺點：經過模仿學習，汽車不一定像人類一樣駕駛

• 1.9.5. 對人類駕駛更細致地研究可能會讓自動駕駛汽車的行為更接近人類駕駛員

1.10. 生成式人工智能(generative AI)是指一組技術，可以生成與現有數據模式相似或一致的新內容或數據

• 1.10.1. 生成式人工智能模型的目的不是簡單地進行預測或數據分類，而是創建與訓練數據相似的新信息，如圖像、文本、音頻甚至視頻

1.11. 大型語言模型是具有數十億到數千億個參數的深度神經網絡，其訓練方式是在執行特定任務時處理龐大的文本數據集

• 1.11.1. 生成模型可用于生成許多其他類型的數據，包括音頻、代碼、模擬和視頻等數據

2. 未來之路

2.1. 需要更智能、更靈敏的機械手

• 2.1.1. 靈敏的機械手提高了機器人的整體智能水平

• 2.1.2. 機器人的手指甚至無須看起來像手指，我們實驗室開發的最強大的機械操縱器外觀像一朵花

2.2. 需要更柔和、更安全的機器人

• 2.2.1. 機器人作為一個整體也需要更強的兼容性

• 2.2.2. 傳統的機器人系統并不友好，它們笨重且危險

• 2.2.3. 工業機械手是工程學的杰作，可以執行高難度任務，但它們與人類隔離，通常被關在籠子里，因為它們經過預先編程去執行一系列操作，如果有人妨礙，程序是無法改變的

• 2.2.4. 機器人Baxter正是為了與人類合作而設計的

• 2.2.5. 人類和機器人是可以協同工作的

• 2.2.6. 人體有一個奇妙的感官—皮膚，當我們觸碰到物體時，它會發出警報

• 2.2.6.1. 皮膚非常敏感，我們可以根據觸覺推斷物體的信息

• 2.2.6.2. 人造皮膚是一個異?；钴S且復雜的研究領域，因而我無法預測機器人身上何時能覆蓋密集而靈活的傳感器，但人造皮膚的發展有利于我們開發出與人類安全互動的機器人，這一點毋庸置疑

2.3. 需要不像“機器人”的機器人

• 2.3.1. 機器人舞蹈的特點是動作笨拙、不連貫，這暴露出智能機器的一個更大的問題

• 2.3.2. 需要開發的是像自然界的生物一樣敏捷的機器人

• 2.3.3. 想象一個機器適應人類，而不是人類適應機器的世界

2.4. 需要更好的方法來制造機器人

• 2.4.1. 傳統的機器人是由許多部件（例如剛性構件、致動器、傳感器、微處理器）組成的復雜系統，其設計、構建和控制需要大量的人類開發工作和多學科的專業知識

• 2.4.2. 機器人是由高智商、高技能且受過高級訓練的人制造的

2.5. 需要更好的人造肌肉

• 2.5.1. 目前的柔性機器人用真空裝置或泵來讓空氣或液體流動起來

• 2.5.2. 我們利用真空方法和FOAM致動器為夾具提供動力

• 2.5.3. 真空裝置比泵更易融入機器人的身體，但仍需添加重要組件來產生真空壓力

• 2.5.4. 人造肌肉要小而薄，更接近動物肌肉，而不是在目前較笨重的基礎上做些改變

2.6. 需要更強大的電池

• 2.6.1. 電池技術取得了重大進展，但我們必須開發更小巧、靈活且能量密度更高的電池

• 2.6.2. 從計算機到汽車，各種笨重的大電池為許多電子設備增加了重量，它們也可能適用于較大的機器人

2.7. 需要更敏銳的傳感器

• 2.7.1. 車用激光掃描儀或其較小版本能用于機器人的操作任務就好了，這樣機械手就可以擁有目標抓取物形狀的近距離圖像

• 2.7.2. 不僅僅可以充當眼睛

• 2.7.3. 盡可能多地捕獲周圍環境中有價值的信息，包括景象、聲音和感覺

2.8. 需要更快的大腦

• 2.8.1. 大腦是指物理大腦，即高級人工智能和機器學習模型運行的硬件組件

• 2.8.2. 如今，最先進的模型運行于GPU（圖形處理器）平臺或最初為圖形而開發的計算硬件

• 2.8.3. 我們如果去開發專門為人工智能和機器學習模型設計的新的處理硬件，就可以更快、更高效地完成必要的模型訓練和推理

• 2.8.4. 我們會根據最新的機器學習解決方案設計、創造低功耗芯片

2.9. 需要能夠自然交流的機器人

• 2.9.1. ChatGPT及其他強大的聊天機器人的語言模型展示了文本生成引擎的非凡能力，讓人們以為這些機器智能是在交流，但它們其實并不理解互動中單詞的含義

• 2.9.2. GPT-3這種大型語言模型可作為人與機器人的接口，但在將相關單詞轉換為機器人可執行的步驟方面，我們仍有大量工作要做