Local EPUB Text
运动中的人工智能
CHIMP是个超强的移动机器人，可以达到奥林匹克运动员的水平。但可惜的是，这些先进的灾害应对机器人——即使如CHIMP这样精心打造的，也不经意间透露出人工智能研究过程中的拦路虎之一：把一台电脑的棋艺调教到世界大师水平是容易的，但教会一个机器人从一堆瓦砾中走过却要困难得多。机器人学家汉斯·莫拉维克（Hans Moravec）将这种看似简单任务自动化过程中遇到的困难进行了简洁的归纳，提出了著名的“莫拉维克悖论（Moravec's Paradox）”。他发现“想让电脑在智力测验或国际象棋上达到成人的水平是相对简单的，但如果想让它达到一岁儿童的感知能力和移动水平，则困难许多，甚至无法实现”。
莫拉维克悖论还展现了一个长期存在于人工智能研究者和机器人学家之间的分歧。几十年来，人工智能研究一直寻求模拟人类智能，研发的软件则力图完成人们通常视为高智力表现的任务，如下棋、解谜或数学计算。与此同时，机器人学家追求的是另一个目标，创造能够观察并理解周围环境的人工生命机体，使其技能水平和流畅性至少不输于人类婴儿。
我们人类感觉简单的活动，如“关阀门、捡起工具以及在墙上凿洞”，其实背后是需要超大量计算能力支撑的。就好比从水面上看鸭子游动感觉很轻松，但实际上它的腿在水下猛烈地拍打，为了让机器人的肢体做出自然的动作，它的软件系统要持续进行大量复杂的计算。结果就是类似CHIMP及其灾难恢复机器人伙伴尽管可以在危害人类的物理环境里工作，但它们的反应时间非常慢，甚至赶不上一个低级生命体的条件反射弧。
观看DARPA竞赛录像，可以看到机器人在完成任务时的速度很慢，而且节奏不自然。它们的动作之所以缓慢，是因为即使仅仅调动一个的简单动作——例如穿越房间并抓起扳手，相应的软件代码也需要整个机器人系统运行一分多钟才能完成。另一个看似简单的活动——环视房间，检测障碍物并计划出穿行路线，同样也会占用大量的运算资源。想要“感知”周围的环境，机器人的视觉系统要扫描环境，然后中央处理器要处理大量信息流以查找参考模式和有意义的信息。当机器人操作系统确认好周遭环境并设定好一个恰当的反应后，身体不同部分的动作调动还需要额外的数据分析，因此也就耗用更多的时间。
巴西科学家苏珊娜·埃尔库拉诺-乌瑟尔博士（Dr. Suzana Herculano-Houzel）针对引导运动、感知和反应的软件系统为什么会如此耗费资源以及难以研发，给出了一些见解。她研究发现，那些长期被我们视为仅能体现智力低级水平的活动，才是生物大脑真正难以掌握的。之所以普遍被误解，是因为经历了数百万年的进化，我们的大脑对于投放大量认知资源解决这类问题的流程已经超级熟悉了。
埃尔库拉诺-乌瑟尔博士设计了一种技术来检测哺乳动物大脑中的神经元数量。经过数年的潜心研究，她发现人类大脑中包含大约860亿个神经元。然而，与很多脑科学家曾认为的观点不符的是，大量的神经元主要用于监控基本的身体机能和条件反射过程，而非高级的认知功能。
人类的小脑位于脑后的部位，平均含有690亿个神经元，主要负责管理身体的基本功能和运动平衡。相反，埃尔库拉诺-乌瑟尔博士的研究发现剩下的160多亿个神经元位于大脑皮层——承担所谓高级功能的区域，如自我意识、问题解决以及抽象思维。我们应该从人类神经元的分布状态中认识到，机器人的大脑也应该将大量运算能力贡献于知觉和动作的管理。
在访问NREC那天，看完CHIMP的演示后，我们对机器人操作系统有了更深入的认识。考虑到莫拉维克悖论以及将简单肢体动作自动化所需的计算能力，也就不难理解研发一个用于引导汽车的快速响应、安全可靠、聪明智慧的机器人操作系统来的艰难程度了。另外，加上无人驾驶汽车需要更高的安全可靠性，研发这样的机器人操作系统更是难上加难。
然而，我们在NREC参观的最后一个部门，重新燃起了我们的信心。我们眼前一亮，仿佛在灰暗的土地上发现一台亮绿色的迪尔公司（John Deere）的综合拖拉机。布莱恩给我们介绍了另一位NREC的研究员卡尔·威灵顿（Carl Wellington），他专门研究帮助农业公司实现自动化的农业设备。
现代农场里的工作都有着高度复杂的技术，遵循“精细农业”的实施路线。卡尔告诉我们，农民使用半自动化车辆的历史已经有十多年了。在自动化的早期阶段，农民给他们的拖拉机装上高精度的GPS系统，并使用农场管理软件在地图上标出各自的土地区域。这个时代的农业车辆，还是需要驾驶员的。这时的农用车辆只能够沿着直线自动前进，但还需要人类驾驶员在直线的终点控制车辆转向。然而几年后，引导拖拉机自动转向的商业软件就开始在市面上贩售了。