机器人需要你的大脑力量才能变得更聪明

索尼娅·切尔诺娃 (Sonia Chernova) 希望你训练她的机器人。两年前，切尔诺娃和马萨诸塞州伍斯特理工学院 (WPI) 的一些机器人专家同事启动了一个名为 RobotsFor.Me 的远程机器人实验室，用户可以登录该网站并教机器人如何在物理空间中运作。这听起来既令人兴奋又令人沮丧。参与者可能会玩一个游戏，根据他们在 10 分钟内可以帮助机器人捡起的物体数量来获得积分。但这些导师并没有真正进入沉浸式的机器人视角界面。“我们将一切都抽象化，”切尔诺娃说，她是伍斯特理工学院机器人自主和互动学习实验室的负责人。“他们从未见过这个机器人。他们从未接受过正确使用它的培训。他们没有意识到这个机器人要花费数十万美元。”

很可能他们也不明白为什么这个项目如此迫切需要。下面是一些背景信息。

几周后，一些最先进的机器人将齐聚加州，用尽机械力量，完成大多数 12 岁儿童就能轻松完成的任务。简单的门把手、煤渣块和楼梯都将考验它们的勇气。6 月 5 日和 6 日，DARPA 机器人挑战赛 (DRC) 将在 25 台机器上展开角逐，但几乎可以肯定的是，其中一些机器将跳过一些任务，例如尝试驾驶多用途车辆。为什么？因为对于许多机器人来说，要塞进车辆真的很难，更不用说同时操作踏板和方向盘了。波莫纳展览中心的观众不应该期望看到机器人以非人的精准度和敏捷度穿越赛道（旨在大致模拟灾区）。如果幸运的话，DRC 的机器人最终只能以低于人类的能力完成比赛。如果运气不好，它们就会被摔得粉身碎骨，因为在尝试一些可笑的常规动作时摔了一跤，比如捡起掉落的螺丝刀。在大部分比赛中，机器人将与他们的团队直接沟通。因此，即使有人在它们身后时刻指导它们该做什么，任何参赛机器人能像人类一样快速通过赛道都是奇迹。

我并不是想贬低 DRC 的重要性，或者暗示它不会令人兴奋。这是自 2007 年 DARPA 城市挑战赛（开启无人驾驶汽车开发竞赛）以来最激动人心的机器人竞赛。但 DRC 在一个非常具体的背景下很重要，这与人们对机器人的普遍看法关系不大。

在有序的环境中，如工厂和仓库，机器可以以令人印象深刻的自主性运作，尽职尽责地组装或搬运产品，满足每个公司对无报酬和无怨无悔的非工会劳工的幻想。但是，如果将机器人放入非结构化环境中（机器人术语指家庭、办公室或任何其他混乱的地方），你就会大失所望。当机器人吸尘器释放其创新的传感器套件和复杂的地图和导航算法来清洁一个房间时，一个人已经打扫完了整栋房子。虽然将繁重的工作交给在医院运送材料的机械快递员很有用，但偶尔也会有悲喜剧的画面：这些机器被困在垃圾桶后面，等待人类善意将机器人从无能的牢笼中解救出来。

欣赏机器人意味着要按照曲线对它们进行评分。

欣赏机器人意味着要根据曲线对它们进行评分。下一次，当记者试图用对科幻小说中反复出现的机器人起义的冷静分析来震惊你时，请记住，无论天网或奥创等人工智能将军有多聪明，他们的庞大军队都会成为笑柄。无人驾驶汽车在最佳条件下能够熟练地保持在道路上，人形机器人通常（尽管并非总是）可以在最平坦的地形上保持步行速度。但是，将机器人汽车带到越野路段，远离高速公路分隔线和预装的激光地图和物体识别数据集，它驶入湖泊的可能性与搜寻人类抵抗战士的可能性一样大。人形机器人可能会在慢跑时被超越，或者被小树枝或缓坡变成一片冒烟的废墟。即使是像波士顿动力公司的四足机器人 BigDog 这样的系统，它在崎岖的地形上非常稳定，也无法理解它们所穿越的环境，并采取不涉及移动性的行动。尽管武装空中机器人多年来一直是现代战争的一部分，但地面机器人，从广义上讲，太笨了，不会对任何人构成威胁。

需要明确的是，Chernova 并未在开发任何与军用机器人有丝毫相似或相关的产品。这完全是我个人的想法。但 RobotsFor.Me 的使命与机器人超能力神话形成了鲜明对比。只有在电影中，机器人才能在陌生的环境中表现出无懈可击的熟练。在现实中，像 CARL（众包自主和机器人学习）这样的系统需要尽可能多的培训，WPI 在众包实验中最常使用的轮式单臂机器人就是这种系统。尽管 RobotsFor.Me 自 2013 年以来就已向公众开放，但教学的必要性再明显不过了，现在我们已经看到 DRC 的一些机器人在保持垂直方面有多么困难，更不用说证明它们可以代替人类在灾区救援了。

一种通过互联网教授机器的既定方法是使用亚马逊的 Mechanical Turk，这项服务将人类变成一种生物数据库。机器人专家可以提出一项任务，例如在给定环境中识别不同的物体，然后远程网络的人可能会标记这些物体，只需支付少量费用。RobotsFor.Me 的分布式训练方法与之类似（尽管向用户付费的情况并不常见），但它也让 Chernova 研究训练本身，希望制造出更自主的机器人，或者至少更善于接受命令。“我的长期目标是卖给你一个你可以带回家的机器人，教它以你想要的方式为你工作，”Chernova 说。Mechanical Turk 和 RobotsFor.Me 之所以有效，部分原因是它们提供了丰富的数据。Chernova 正在探索这种众包输入是否可以为机器人提供关于世界的基础知识，这些知识可以通过快速、直观的训练来补充，以解决布局或居住者的差异，或你希望如何完成任务的偏好。 RobotsFor.Me 最终可能会帮助机器人区分勺子和叉子。但用户应该能够告诉机器人应该在桌子上放哪种尺寸的叉子，而无需学习如何编写代码。

正如 RobotsFor.Me 并非正在研发的武装地面机器人，Chernova 的研究也并非专门针对制造更高效的家政服务人员。她从美国国家科学基金会获得的 433,351 美元资助旨在从 RobotsFor.Me 研究收集的数据中学习，并研究如何从单个用户或多个用户那里获得自主性和培训。这是一个小项目（例如，与已经提供给 DRC 一些团队的数百万资金相比），但可能具有重大影响。在为家用机器人注入急需的智能之前，它可能会带来一个更谦逊的折中措施。还记得那些可怜地藏在垃圾桶后面的医院机器人吗？“我们可以将此作为让机器人在长期内变得更智能的初步步骤，同时也可以开发让人类登录而无需真正培训，并让机器人摆脱困境的方法，”Chernova 说。 “每当呼叫中心的某个人接听机器人并帮助它时，机器人就会变得更加自主。”虽然这不是她资助的研究的一部分，但 Chernova 似乎有望建立一种呼叫中心模式，以弥合不断远程控制机器人与信任机器人完全自主行动之间的差距。“我们今天可以相当可靠地开发出 90% 自主的机器人，”Chernova 说。“问题就出在那 10% 上。”