符合容錯、目標容易定義等5大條件，「倉儲」成為AI機器人的孵化器！
產業界正在開發AI機械手臂，而倉儲是培育AI機械手臂的優良場景，因為倉儲具有環境單純、任務好定義，貨物複雜度高，無法使用固定程序的機械手臂處理等5個特性。
以成本結構來看，訂單揀貨占倉儲運營成本的40%，而人工成本占倉庫總預算約70%，以AI取代人力，將發布倉儲、物流企業大量成本，這也是Amazon等企業積極開發倉儲AI機器人的重要原因。
AI機器人和傳統機器人最大的不同在於自主學習能力，而這樣的改變將使得AI機器人有潛力顛覆各大產業。但究竟AI機器人會發展出什麼樣的應用？對各個產業又會有什麼影響？
在這篇文章中，我們將徹底探討AI機器人在倉儲產業中的應用、並且了解為何倉庫會成為AI機器人的首個應用場景。
貨物種類多樣複雜，倉庫無法導入傳統機器手臂處理
通過程序設計，工廠內常見的機器手臂能以超越人類的高精度、高速度重複執行特定任務，甚至舉起人類無法負荷的重物。
但是，就算是現在最先進的機械手臂，也無法像人類一樣靈活變化。一旦生產商品或流程變更，工程師就需要重新編寫程序；甚至只要環境中有些微變化，例如某個零件稍微往左移動幾厘米，機器手臂往往就無法應變，更不用說要處理時常變換的定製化零件。
為此，系統集成企業特別設計了振動台、送料器、輸送帶等，以確保機器人能以同樣的角度和位置獲取同樣的零件；然而這些周邊硬體和集成費用，往往比機械手臂本身還要貴四五倍以上，不但所費不菲、也不夠有彈性。
這也是為什麼車廠無法完全自動化的原因之一：平均來說，一輛汽車會有一到兩萬多個獨立零件。如果這樣聽起來已經夠多、夠複雜，想像一下一般倉庫中，通常有上百萬種商品、以及各式各樣的包裝，這樣的多樣化程度，為機器手臂的自動化應用增加了許多難度。對傳統的機器視覺及自動化來說，這意味著必須事先登錄上百萬種商品、並且編寫程序教導機器人對各個商品做不同的處理，不但曠日耗時，而且幾乎是不可能的任務。
深度強化學習讓機器手臂更聰明
然而這個以往看來不可能的任務，現在卻因為深度強化學習（Deep Reinforcement Learning，DRL）的出現而出現契機；因為DRL可以協助機器識別、應對周圍環境，並自主學習處理多樣的產品及工作內容。
有了足夠的數據與練習，DRL機器人就能自學新能力、逐漸進步；就像我們的學習方式一樣，經過嘗試、或是他人示範，機器也可以學著識別圖片、打贏電玩遊戲，或是像Deep Mind研發的Alpha Go Zero一樣，利用DRL自我學習，最終戰勝世界棋王。
每次的抓取和試驗，都使機器人變得更聰明、更善於掌握任務內容；此外，雲計算連接的機器人還能相互學習交流。這樣的巨大轉變，使得機器人解決方案更加靈巧、彈性、而且有效率。那麼究竟什麼是深度強化學習？
深度強化學習簡單來說，就是深度學習（DL）以及強化學習（RL）的結合：
深度學習（DL）
深度學習以人工神經網路架構為基礎，是機器學習的一種，主要用於圖片分類。舉例說明：如果要你找出一套規則，教機器如何識別貓，你可能會說「一隻貓有四隻腳、兩隻耳朵、毛茸茸的」。但這樣和形容狗有什麼差異？
深度學習不需要我們自己找出規則，只要直接給機器一堆貓的照片，就能讓機器自己學會一套辨別貓的規則。
強化學習（RL）
強化學習的靈感來自於行為心理學；通過獎懲機制、邊做邊試、從錯誤中學習，從而學習到如何強化控制方式。舉例來說，我們學習走路的時候，並不需要先看「走路時關節如何運動」的照片；而是直接嘗試，逐漸從跌跌撞撞進步到可以順利自行行走。
同樣的，機器也可以通過這種方式來學習動作。
深度強化學習（DRL）
深度強化學習（DRL）同時結合了以上兩種方法。因此機器手臂現在能通過深度學習，來自主識別不同的物體；並藉由強化學習，對於不同物體採取不同的因應動作。
這樣的技術還在發展其中，目前適用的範圍包括了：
1. 簡單或模擬的任務
2. 容錯（fault-tolerant）任務
3. 需要處理的狀況很多樣，因此很難以人工編寫規則的工作
4. 容易定義獎賞機制及目標的工作
5. 環境中不確定因素較低的工作
符合5大條件，倉庫成為AI機器人的孵化器
一般公認，倉庫貨物分揀作業是最適合AI機器手臂早期廣泛應用的使用場景。以上述適合DRL應用的五個條件來說：
首先，貨物分揀是相對簡單、而且可以容錯的任務；就算機器人不小心失誤，也只要將貨物重新撿起來，不破壞物品就可以。相反的，如果手術機器人出現失誤，就不是可以輕易解決的問題。
其次，任務內容雖然相對簡單，但需要處理的商品多達上百萬種、包裝千奇百怪，因此無法光靠人工編寫程序來完成任務。可以成功地拿取貨物就是成功、反之就是失敗，所以相對容易定義獎賞機制及目標。
最後，一般的自動化倉庫是相對受限的環境；雖然還是有不確定性，但相對於一般家庭或大街上，不確定因素還是少了很多。
另外，倉庫中需要完成的任務往往十分相似，而且訂單揀貨佔了大多數倉庫運營成本的40%以上，人工成本占倉庫總預算高達70%；因此在亞馬遜（Amazon）等電子商務公司降低成本、追求快速到貨的推波助瀾下，零售商無一不設法追求倉庫自動化，而這也讓倉儲自動化成為AI機器人的應用案例首選。
許多創業公司都選擇倉庫貨物分揀作為第一個應用案例，希望利用倉庫作為試驗場，讓AI機器人技術更進一步、也讓更多傳統公司了解這項新技術。
貨物分揀是機器人研究領域的「終極目標」
倉庫自動化已經存在數十年，也發展出了自動倉儲系統、自動引導車（AGV，如Amazon Robotics現行的「Kiva」）等各種設備。
但多數人不知道的是，自動化倉庫內的貨物揀選與包裝作業仍然是由人工執行；而這些作業的人工成本，更高達倉儲經營總預算的50%到70%。
除此之外，機器人的成本自1990年代以來持續大幅下降；同時，倉庫工人短缺卻導致每年平均工資上漲6%至8%。綜合以上原因，貨物分揀一直是倉庫企業想自動化、卻苦無方法著力的終極目標。
所以，「揀貨能力」長期以來一直是機器人研究中被譽為聖杯（holy grail）、也就是難以突破的「終極目標」。
年復一年，Amazon和KUKA等公司都為創業公司和學術團隊舉辦機器人挑戰賽，希望藉此打造出有能力識別、揀貨、貯放貨物的機器。近年來，因為深度學習技術的出現，終於促使機器人有能力識別、挑選、並且妥善放置數百、甚至多達數千件的物品。
但這項技術仍未臻完善。對機器來說，識別數千萬個對象、並處理可變形對象或透明包裝物品，仍然充滿挑戰；然而，根據我們訪談Locus Robotics與OSARO等美國倉庫機器人創業公司的結果，許多產業專家預計這項技術很快就會成熟，在接下來五年內大量獲得倉庫採用。
另一方面，包括亞馬遜、Standard Cognition等公司，都正在開發無人商店、發展利用AI的商品識別技術；或許在不久的將來，就會出現能識別倉庫里大部分商品的智能相機。
如果這種情況真的發生，不僅足以影響倉儲作業，還將衝擊零售、出貨，以及許多其他我們從未想像過的應用場景。
