WRC 2016 | 苏黎士大学教授Rolf Pfeifer:机器人的“智能”和“外形”会互相影响

WRC 2016 | 苏黎士大学教授Rolf Pfeifer:机器人的“智能”和“外形”会互相影响

WRC 2016世界机器人大会正在北京亦创国际会展中心举行,今天是主论坛的第二天,上午,来自瑞士苏黎士大学的Rolf Pfeifer教授为大家做了主题为“应对机器人的媒体炒作——软材料途径”的演讲,在会上,他谈到了媒体对机器人行业的影响以及未来软体机器人的研究与发展,简短的演讲过后,雷锋网与Rolf Pfeifer教授进行了简短的交流,讨论了一些软体机器人及智能相关的问题。

软体机器人的制造难点

难点有多方面,其中包括技术层面、心理学层面、社会科学层面,我们主要说技术层面。

在技术层面来讲,举个简单的例子,能够体现软体机器人核心技术最关键的地方就是“皮肤”,拿人类的皮肤来说,比如我们用手拿一个玻璃杯,在这个动作中,我们人类手上的皮肤和组织就会根据玻璃杯的形状来进行相应的形变、手上也会有相应的潮湿度来增加摩擦力会让我们更稳的拿住这个玻璃杯,同时我们手上还有很多的神经末端,这就相当于人类的触觉传感器,这些神经末端不仅让我们知道我们拿住了杯子,并且让我们感受到杯子的材质和形状,这其中很值得研究的是,我们拿杯子的时候不管手上组织如何变化,都不会改变我们对杯子的感知。这也是人类皮肤的功能。除此之外,皮肤受伤之后还会有修复再生功能等等。

WRC 2016 | 苏黎士大学教授Rolf Pfeifer:机器人的“智能”和“外形”会互相影响

以上所说的这些都是我们在开发软体机器人的时候面临的技术性的挑战,如果我们能成功的打造出非常接近人类皮肤功能的软体机器人的话,这将会带来这个领域技术上质的突破。因此这些都是我们主要面临的问题。

另外就是材料学,因为要进行软体机器人的技术研发就需要不断地开发新的材料。目前我们看到的机器人基本上都是硬质材料的,比如金属、塑料等,这些材料的发展与应用都已经相对成熟了,而我们现在研究的软体机器人的材料还是有着巨大的发展空间的,到目前为止,大多数在机器人这个领域有建树的科学家都来自机械工程、电子工程、计算机科学等学科背景,还没有太多材料科学、生物科学的专家参与到这个领域中来,因此我们下一步主要面临的难题就是如何推动跨学科的综合背景的科学家的加入,让有材料科学、生物科学在这个领域发挥巨大的作用。等到材料科学和生物科学这种跨领域的学科、技术与机器人的开发协同起来的时候,才能够真正的推动以人为中心的机器人的开发。

WRC 2016 | 苏黎士大学教授Rolf Pfeifer:机器人的“智能”和“外形”会互相影响

除了这些,还有其他的一些问题,比如开发类人的机器人就不得不考虑心理学和社会科学方面,这些都需要做个综合的考量。

机器人的外形对智能的影响

雷锋网(公众号:雷锋网):机器人的外形已经对它本身的人工智能产生影响了吗?

这是一个比较复杂的问题,首先谈谈机器人的外形是否会影响智能。

现在有很多人都在开发类人方面的机器人,已经有人把机器人做得看上去非常非常逼真,包括脸部的组织和表情仿真效果极好,甚至让你看不出这是一个机器人。但是如果机器人达到非常类人的效果,当人类跟其交流时就会感觉非常的不自在,反而很多时候,当人一眼就能看出面前的这个家伙事个机器人,跟它互动起来会更加自如。所以说在这方面就要考量很多因素,包括人类本身心里接受的因素。考虑到人类的反应,我们在做机器人的时候,虽然从外形上看上去很像人,但是它只要一行动,人们就立马能够从其行为举止、言语上判断出这是一个机器人。也就是说,外形和智能还是会互相影响的。

WRC 2016 | 苏黎士大学教授Rolf Pfeifer:机器人的“智能”和“外形”会互相影响

现在很流行一个词,叫做具象,什么意思呢?之前说过,我们在拿着水杯的时候,更多的时候我们的皮肤和组织不会因为形态的调整而停止感知,并且多数时候都是在感知它,感受它的温度、形态甚至重量;比如我在走路的时候,我之所以能够很稳的走,不只是因为我有走路的能力,也因为我拥有能够摄取周围环境的能力。

人是通过感官来获取周遭环境信息的,这方面的能力是通过人类本身拥有的感知功能所实现的。人类获得感知最关键的因素是各种感知器官所发生的变化来带给我们的信息,而人类的主要感知器官也都集中在手部和头部等等,所以从人类的角度做考量,来打造一个多维度的、整体性的感官能力系统,是核心技术的关键,在这方面来说,智能程度也影响着外形(感官传感器)的功能和设计等相关的研究。

人工智能是如何形成的?

雷锋网有人说智能是由量变引起质变的一个过程,你认同吗?您如何看待“智能是由系统的复杂程度来决定的”的这一说法?

首先,我个人认为,的确是存在量变引起质变的这么一个过程,比如说现在人工智能方面很核心的技术就是大数据、神经网络、深度学习等这些领域的研究。

拿神经网络来说,在技术核心方面,我们现在用的神经网络技术在本质上和20年前并没有太大的区别,只是说我们现在的运算能力提升了,现在我们能够建立更大更强的神经网络,以前神经网络可能只是三到五层的架构,现在可能会达到五十层或一百层,但是核心技术上面并没有什么改变,也就是说只是量的提升。这个量的提升也会导致质的不同。

不管我们现在叫做物联网也好,工业4.0也好,我们所要做的一件事情就是到处的收集大数据,目前我们收集大数据达到了历史上前所未有的巨大数量和广泛状态,主要实现人工智能就是两个因素,一个是网络越来越大,另一个是数据越来越优质,从这些方面也说明,量的积累最终能够达到质的飞跃,我也认同这一点。

另一个,谈到系统的复杂性,我们在探讨这个问题的时候要非常的小心。

在我们谈论这个概念的时候我们要知道我们关注的点在哪里。这就需要有一个参照物、一个具体的对象。观察一个东西是否智能,需要考虑观察者的角度。

比如说,很多时候一个实际上很简单的机制或者体系,最终呈现的效果会让人们误认为是非常智能的东西,在制造机器人方面,从观察者来说,一个机器人能够哭、笑或在某一个地方能够做到非常类人的状态,可能它背后的机制是非常非常简单的,但他表现出来的东西涉及到了人类智能方面的一种外在的现象,让我们觉得它已经达到了复杂的效果。所以说,系统的复杂性并不是人工智能外在表现的一个核心因素。

原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/86070.html

(0)
上一篇 2021年8月13日 03:35
下一篇 2021年8月13日 03:36

相关推荐

发表回复

登录后才能评论