为什么人工智能的算法部分很火,但机器人和控制科学在人工智能中为何没有大放异彩?

我是某211大学大二学生,专业是自动化。我在读大学之前就对人工智能行业充满憧憬,并打算将其作为毕生事业。 但是我要选一个人工智能的方向迈进啊。我的本科是自动化,故机器人是我大学靠的比较近的,其他的人工智能方向有,机器学习,图像识别,自然语言处理,神经网络,计算生物学。 问题来了,我接触到的关于人工智能的新闻媒体,几乎很少谈机器人控制和机械运动部分,而是大多鼓吹机器学习,深度学习,神经网络,图像识别,…
关注者
1,318
被浏览
121,197

78 个回答

机器学习算法在各类媒体的曝光下感觉似乎无所不能了,特别AlphaGo的出现,让普通民众也了解了机器学习,人工智能的强大。我作为一个本科,硕士,现在博士都在做控制的人,曾经也一度希望改行做机器学习了。

但是机器学习真的有那么强大吗?虽然各类概念和研究如火如荼,但是至少我在欧洲的感觉,大部分的机器人实验室依然是以控制为主的(美国的情况我不太了解),例如DLR RMC,DIAG Robotics Lab,PRISMA Lab等等。DLR RMC最近开设了一个机器学习的组,leader是Dr. Freek Stulp,我在DLR做毕业论文的时候曾经有幸听过他的presentation,大意是完全基于数据的学习对机器人而言不太试用(如果希望机器人可以像人一样去行动),原因是人本身是pre-programmed,我们之所以可以双足行走,不仅是因为后天的学习,更因为我们的基因里存在这样的片段给予我们行走的能力,后天的学习只是一个激活的过程,所以更feasible的方式可能是机器人需要一个pre-programmed的库,类似于机器人的基因,里面可以很多简单的行为,然后再通过学习去完善这些行为。但是这个库是否能够真的可以作为类似于基因的存在?答案是不知道,因为我们并没有那么了解我们自己的运作方式。

我博士所在的组的主攻方向是类人型机器人,最近一次组内讨论是由我们组长Abder Kheddar做的有关于multi-contact locomotion的presentation,其主旨是类人型机器人在行动时可以借助物品去更好的规划自己的行动,例如机器人在房间里走动时前面有个桌子,桌子当然可以被当作障碍物被绕开,但是也可以被作为是一个可以被接触并提供支撑力的物体。其中有人提到了用机器学习来尝试做multi-contact locomotion,Abder的答案是no,因为不知道要学习的目标是什么,我的理解是单一的task可能通过学习加强(例如下围棋取胜)但是一旦涉及到multi-task decision making,机器学习也无能为力(我不是机器学习的expert,所以如果有不同意见,欢迎讨论)。

另外我还补充一点,机器学习一直被控制领域所诟病的,stability!stability!stability!并且,我个人的理解是无论机器学习最终有多么发达,底层的基础一定需要用solid control law来实现约束,asimov的三定律一定要用控制(数学)的方式给予机器人,要不然。。。

因为难啊。特别是近期计算力资源的发展对机器人问题的帮助不如对机器学习的帮助大。

题主想比较的应该是 1 人工智能算法中的机器学习,特别是深度学习,相对于 2 人工智能算法中的机器人控制 和 与其紧密相关的机器人设计。

相对而言,前者进展很快,新闻很多。后者其实也有进展,也有大新闻(比如波士顿动力),但没有那么快和那么多。为什么呢?

首先,计划和控制机器人运动本身就比很多机器学习处理的问题要困难,其他答案已经从很多角度论证。顺便说一句,题目描述中提到了人们对AlphaGo的实体没有关注,不对。AlphaGo没有实体哟。

另一方面,机器学习领域的迭代速度极快,主要得益于实验快(不用做机器人,计算资源发展迅速)和整个深度学习领域年轻(很多明显的问题很多人都在做)。这也是为什么机器学习在近十年迅速发展,几乎可以说超过其他任何领域发展速度的原因(有时一个月就可以做好一个项目,每次开会都是同行聊天因为结果早就在arxiv放很久…)

相对而言,机器人设计的迭代速度比机器学习算法就慢多了,因为在某个时间你总得把机器人做出来实验。计算资源对机器人设计有很好的辅助作用,但相对于机器学习,不是革命性的变化。