當我們在談機器人和人工智慧時，我們到底在談論什麼？

科技 06-29

當你說自己在做機器人的時候，大多數人的反映都是：哇！

曾經有人開玩笑的問道：你是在造一個終結者嗎？距離機器人統治人類還有多久？大多數時候，機器人會被自動歸類到人工智慧的領域內。很多人也會說，你就是在做人工智慧啊，現在很火啊。

人工智慧和機器人

其實有很長一段時間，我都不太想承認自己在做人工智慧相關的研究。因為對於我而言，人工智慧在某種程度上都需要引入機器學習的演算法，無論是監督或非監督式學習，或者強化學習。而我，作為一個控制出身的人，研究領域為視覺伺服控制，我現階段撰寫的演算法，都是基於模型的控制演算法，如果這種演算法可以被稱為人工智慧，那麼是否意味著控制演算法都可以被稱為人工智慧演算法呢？

接著我上文的定義，如果必須要使用某種學習演算法才能被稱作在做人工智慧，那麼我所了解的，被應用最多的領域是Computer Vision和Natural Language Processing以及強化學習被用作為下圍棋（AlphaGo）和打遊戲。這些領域和機器人領域的根本區別是什麼？

以上領域均不需要與現實世界發生力的相互作用。

無論是文字或是視覺，需要只是一個接收器，將接收到的信號轉變為數據，然後通過演算法進行處理。所以大多數人工智慧領域的是CS出身的人。

機器人領域不一樣的是，機器人是一個擁有硬體的實體。硬體是要和環境發生力的相互作用的，例如抓取，行走，操作物品etc。在和環境發生交互的時候，我們大多數時候就需要做物理以及進一步的數學模型，來更好的理解系統和環境發生作用的方式進一步設計相應的演算法，所以一個機器人研究者，需要不僅僅是做好一個程序員，他很多時候要是一個工程師，可能需要有機械、電氣或者控制的背景。

有的人可能會說，用機器學習我們可以做model-free control啊，不需要模型我也可以做控制，CS統治一切。就我個人而言在模型存在的情況下（可以推倒），強行用機器學習做model-free的控制是我見過最扯淡的研究方式。

機器人和機器學習

我非常希望了解機器學習演算法，尤其今年的ICRA，出現頻率最高的詞變成了deep learning。

「曾經有一個做機器人和機器學習的機會擺在我面前我沒有珍惜，等到失去時才後悔莫及。人生最悲哀的事情莫過於此。如果上天能再給我一次重來的機會，我會對那個教授說三個字：我願意。如果要在這段研究前加個期限，我希望是一萬年」

看過我之前回答的可能知道我在代爾夫特理工的時候，曾經有機會在Prof. Jens Kober手下做畢業論文，結果我放棄去了德國宇航局，最終導致我和機器學習無緣，博士繼續做機器人控制。

說實話，我沒有後悔。我現在實際研究的問題是非線性的，並且模型很難取得，我開始研究機器學習的演算法，去年邀請了Prof. Jens Kober來我的實驗室做了報告，今年促成了我博士導師和碩士導師Jens在ICRA見面並且討論下一步使用強化學習來生成控制演算法的可能性。

在討論過後我對機器學習是有點失望的，當然其實，我應該早有這個心理準備，無論叫上去名字多麼fancy，機器學習在機器人控制中，就是在擬合一個（控制器）方程而已。強化學習更是和最優控制（optimal control）的演算法非常相似。機器學習不是黑魔法，並且，在我特定的問題上，我暫時並不認為比傳統控制演算法更有優勢，我甚至覺得即使做出來比傳統控制演算法效果差。

也算是圓了我碩士時候的遺憾，如果最終可以和Prof. Kober合作，我也會繼續開展這個領域的研究。

一盆冷水

最後，在機器學習+機器人一片火熱的時代，給機器學習在機器人領域的應用潑一盤冷水：

1）機器學習曾經在90年代就火過好一陣子，我的組長Prof. Kheddar經歷過那個時代，很多機器人領域的人將機器學習應用到機器人上，但是那個熱潮，僅僅持續了幾年，由於傳統控制演算法和系統辨識演算法的發展，機器學習+機器人熱潮很快退去。

2）我的導師在QUT的Prof. Peter Corke組做訪問學者，參加了一個PhD的機器學習的學習小組，他發現很有意思的事情是，大家在談論起機器學習的時候，都會覺得這是一個非常有前景的領域並且十分令人激動，但是當實際的機器人問題擺在面前的時候，又都會對機器學習的可實用性表示懷疑，或者覺得即使可以使用，效果也不一定比傳統控制方法更好。

3）在Darpa挑戰賽上，第一名KAIST團隊曾經在賽後review會上被問到是否在機器人上運用過機器學習演算法，答案是沒有，因為魯棒性不高。