作者| 田筱阳

编辑| 傅博

机器人早已成为了我们生产生活不可或缺的好帮手，他们在处理熟悉事务时，按照既定的方式方法，可以做的无比熟练，近乎完美。但是当他们遇到崭新的问题时，比如说一个形状不规则的物体，就会陷入呆滞，从人工智能沦为“人工智障”。

好在，近来这一现象在深度学习系统Dex-Net的辅助下，有了极大地改观：

正如还在蹒跚学步的孩童，当机械臂遇到前所未见的物品时，不再机械而略显愚钝地重复徒劳的尝试，而是观察学习再稳稳抓住。

在深度系统Dex-net的辅助下，机器人可以自如地抓东西

加州大学伯克利分校的自动化科学与工程在教授Ken Goldberg的带领下，对机器自动化进行了长时间的技术探索，特别是在云端机器人、深度强化学习以及自动化制造等分支研究领域有了新的研发成果（请看如下视频）。

利用机器学习技术，他们将机器人的实物抓取精确度提升至99%，据Ken博士介绍，这款机器已经可以像人类一样思考如何去把物体抓起再放下：

这个机器抓取的背后想法与人类的认知模式十分雷同，都是先通过图像识别，对物体大小进行判断后再去确定抓取方式与动作

回想一下，当你看到一个新物体的时候，是不是也选择先了解它的形状并将其与过去拿起的物品做对比，整合信息，最后做出最优解呢？没错。

此为动图，请在PC端查看

但是，Dex-Net无法摆脱机器的桎梏，不能像我们常人一样有明亮的双眼和持久的记忆，也就是说，每一次抓取对于它来说都是一个新判断的开始。

所以，研发人员为它布置了超过六百万个全3D物品模型，另其寻找最优解——也就是说，用最好的办法牢牢抓起物体。

在实际应用中，这一系统会系统分析所见物体的形状与尺寸，检索记忆库，从中找到最与之相似的案例并应用抓起案例物品的方法。

在展示中，Dex-Net遇到了数十个全新且形状各异的物品的挑战，这本来就不轻松，而只失败一次更是值得称赞的成就。

当我们考虑到它的训练过程仅是全部由合成数据所完成，Dex-Net能迅速（反应时间甚至小于一秒）、牢固地抓起物体，不得不说是相当了不起了。如果应用在实际的工厂流水线制造中，这或许在提高生产效率的同时，大大降低废品率。