計算機科學(xué)和密碼學(xué)的先驅(qū)艾倫·麥席森·圖靈在1950年撰寫了《計算機器與智能》一文，提出了一項經(jīng)典的測試：如果一臺機器與人類展開對話，超過30%的測試人類誤以為在和人類說話而非機器，那么就可以說這臺機器具有智能。這就是人工智能行業(yè)知名的“圖靈測試”，圖靈預(yù)言在20世紀末一定會有電腦通過這項測試，但事實上直到2014年，人工智能軟件“尤金·古斯特曼”才第一個通過了圖靈測試。這也從側(cè)面反映出一個事實：雖然早在70多年前就已經(jīng)有科學(xué)家進行了猜想，但賦予機器人“靈魂”，卻仍然任重道遠。那么問題來了，目前的人工智能處于相對高速的發(fā)展階段，我們有哪些能讓機器人與我們交互呢？

第一步：讓機器人“看見”世界

作為地球上最有智慧的生物，人類獲取信息的渠道83%來自視覺、11%來自聽覺、3.5%來自嗅覺，而1.5%來自觸覺、1%來自味覺，而既然要模擬人類的思維方式，其核心就是讓機器通過深度學(xué)習(xí)，根據(jù)所收集的數(shù)據(jù)信息做出相應(yīng)的反饋，考慮到我們大部分信息的來源都是視覺，所以，讓機器人“看到”物體和場景，進而對圖像內(nèi)容給予解釋就成了機器人靈魂的核心。

目前隨著人工智能視覺技術(shù)的不斷進化，包括物體識別、目標追蹤、導(dǎo)航、避障已成為各類智能設(shè)備的前端通用技術(shù)，我們在工業(yè)生產(chǎn)自動化、流水線控制、汽車自動駕駛、安防監(jiān)控、遙感圖像分析、無人機、農(nóng)業(yè)生產(chǎn)以及機器人等各個方面都能找到很多案例。

而對于移動機器人來說，就需要使用多種不同傳感器來實現(xiàn)環(huán)境感知，比如大家在飯店餐館可能會看到自動傳菜機器人，抑或是在工廠里很常見的運輸機器人，它們會通過搭載激光雷達、立體視覺攝像頭、紅外以及超寬頻傳感器來“分辨”環(huán)境并構(gòu)建地圖，從而擁有識別、感知、理解、判斷及行動能力。

環(huán)境感知能力是機器人最基本的功能，這意味著這類機器人更適用于服務(wù)型工作，目前來看這類機器人還可以通過模塊化裝備，完成人員異常行為監(jiān)測、人員檢測及記錄、異常高溫或火災(zāi)報警、環(huán)境數(shù)據(jù)異常報警等功能，甚至通過遠程監(jiān)控模塊，可以代替人員進入危險場所，完成勘察任務(wù)。

人形雙臂機器人通過攝像頭識別和算法精準定位匹配，可實現(xiàn)擰瓶蓋等操作

工廠里最常見的機器人也同樣有著豐富的感知傳感器

看似簡單的對話，卻蘊含了多個解析步驟

第二步：讓機器人“開口說話”

如果只是通過環(huán)境感知來完成工作，這樣的機器人算得上“聰明”么？站在人類的角度來看不過也都是自動化的工具而已，離咱們想象中電影里那樣的智能化機器人有著非常明顯的差距，其實很大程度上產(chǎn)生這種感覺的原因在于，服務(wù)型機器人大多都不會與人進行交互，而我們?nèi)祟惤换サ暮诵姆绞骄褪钦f話聊天。70多年前提出的圖靈測試還是通過文字形式來驗證，而現(xiàn)在如果要重新定義的話，語音交互應(yīng)該是必考項目，比爾·蓋茨就曾說“人類自然形成的與自然界溝通的認知習(xí)慣和形式必定是人機交互的發(fā)展方向”。

人機交互技術(shù)主要包含語音識別、語義理解、人臉識別、圖像識別、體感/手勢交互等技術(shù)，其中語音人機交互過程中包含信息輸入和輸出、語音處理、語義分析、智能邏輯處理以及知識和內(nèi)容的整合。

就目前來看，人工智能語音技術(shù)可以分為近場語音和遠場語音兩個分類，近場語音基本上是為了滿足一些輔助使用需求，比如蘋果Siri和微軟小冰就是近場語音產(chǎn)品，而很多智能音箱則可以實現(xiàn)遠場語音，用戶能在5米外的距離語音指示它控制智能家居設(shè)備。這些看起來似乎很簡單的工作，事實上對準確性的要求非常高，從處理過程來看先要通過聲學(xué)處理我們的聲音和周圍環(huán)境，再通過語音識別技術(shù)將聽到的聲音翻譯成文字，語義理解技術(shù)則會分析這些文字的意義，最后機器去執(zhí)行用戶的指令或者通過語音合成技術(shù)把要表達的內(nèi)容合成語音。

但在真實環(huán)境下，受噪聲等環(huán)境因素影響，機器仍然無法完全準確識別自然語言，機器將聽到的語音翻譯成文字時，重音、口音模糊、語法模糊等又很影響成功率，而且人類語言太復(fù)雜，受到單詞邊界模糊、多義詞、句法模糊、上下文理解等影響，再加上中文存在大量的方言，語義理解是一個巨大的障礙。

所以，現(xiàn)階段的人工智能語音系統(tǒng)更多用在垂直使用場景，比如汽車的車載智能語音系統(tǒng)、兒童娛樂和教育軟件、人工智能客服等等。尤其是人工智能客服，很多人應(yīng)該都接到過銀行或金融機構(gòu)的智能客服電話，大多數(shù)情況下它的表現(xiàn)都跟真人沒有太大差別，但嚴重缺乏變通能力，只能在相對狹窄的范圍內(nèi)進行溝通，準確率也并不高，但它一則可以實現(xiàn)客戶需求的快速響應(yīng)，二來在一定程度上能夠節(jié)約時間和人工成本，所以在未來也一定會隨著滲透率的不斷加深而繼續(xù)進化。

機器人的語義理解能力目前仍處于較低水平

機器人抓取姿態(tài)判別深度學(xué)習(xí)方案

姿態(tài)識別也是機器人視覺學(xué)習(xí)的關(guān)鍵點之一

第三步：讓機器人更“聰明”

既然我們說到了機器人的智能進化，可能有讀者朋友會問：那它是怎樣進化的呢？最知名的方法就是深度學(xué)習(xí)，早在2011年，谷歌一家實驗室的研究人員就從視頻網(wǎng)站中抽取了1000萬張靜態(tài)圖片，把它“喂”給谷歌大腦，目標是從中尋找重復(fù)出現(xiàn)的圖片，而在足足3天后，谷歌大腦才完成了這一挑戰(zhàn)，而谷歌大腦就是一個由1000臺電腦、16000顆處理器組成的10億神經(jīng)單元深度學(xué)習(xí)模型。

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，本質(zhì)上是構(gòu)建含有多隱層的機器學(xué)習(xí)架構(gòu)模型，通過大規(guī)模數(shù)據(jù)進行訓(xùn)練，得到大量更具代表性的特征信息，從而對樣本進行分類和預(yù)測，提高分類和預(yù)測的精度。比如抓取姿態(tài)判別，對于人類來說，想要拿起一個東西只需要看幾眼就知道該用怎樣的手勢去拿，而對機器人來說這卻是一個不小的挑戰(zhàn)，涉及到的研究包括智能學(xué)習(xí)、抓取位姿判別、機器人運動規(guī)劃與控制等，而且還需要根據(jù)抓取物體的材料性質(zhì)來隨機應(yīng)變，調(diào)整抓取姿勢和力度。

不過，創(chuàng)造一個強大的神經(jīng)網(wǎng)絡(luò)需要更多處理層，這就需要很強的數(shù)據(jù)處理能力，所以深度學(xué)習(xí)的背后往往都有上游硬件大佬的“撐腰”，這些年圖形處理器、超級計算機和云計算的迅猛發(fā)展，讓深度學(xué)習(xí)脫穎而出，NVIDIA、英特爾、AMD等芯片巨頭都站到了人工智能學(xué)習(xí)的舞臺中央。

深度學(xué)習(xí)技術(shù)建立在大量實例基礎(chǔ)上，給它學(xué)習(xí)的數(shù)據(jù)越多，它就越聰明。因為大數(shù)據(jù)的不可或缺，所以目前深度學(xué)習(xí)做得最好的基本是擁有大量數(shù)據(jù)的IT巨頭，如谷歌、微軟、百度等。與此同時，深度學(xué)習(xí)技術(shù)在語音識別、計算機視覺、語言翻譯等領(lǐng)域，均戰(zhàn)勝傳統(tǒng)的機器學(xué)習(xí)方法，甚至在人臉驗證、圖像分類上還超過人類的識別能力，比如短視頻時代很熱門的人工智能“換臉”，就是將原視頻里的人臉逐幀導(dǎo)出，再通過大量想要替換的人臉照片來進行模型訓(xùn)練，訓(xùn)練的過程你會直觀看到替換的人臉從模糊逐漸變得清晰，根據(jù)電腦配置的不同，在訓(xùn)練數(shù)小時甚至數(shù)十小時后就能得到一個相當(dāng)不錯的替換結(jié)果，這就是深度學(xué)習(xí)的典型過程。

對于機器人來說，深度學(xué)習(xí)的應(yīng)用面除了圖像識別之外還有很多，比如工業(yè)或安防機器人需要用到的復(fù)雜環(huán)境路線規(guī)劃和室內(nèi)導(dǎo)航，教育機器人識別學(xué)生坐姿、舉手、摔倒的人體姿態(tài)判斷等。在未來，計算方法可能更趨向于與大數(shù)據(jù)、云計算相結(jié)合，使機器人利用云平臺更好地存儲資源和自主學(xué)習(xí)，同時在大數(shù)據(jù)環(huán)境下，數(shù)量龐大的機器人共同分享學(xué)習(xí)內(nèi)容，疊加學(xué)習(xí)模型，更有效地分析和處理海量數(shù)據(jù)，從而提高學(xué)習(xí)和工作效率，發(fā)展智能機器人的潛力。

當(dāng)然，這些發(fā)展還存在很多隱藏的問題，比如在機器人與云平臺相結(jié)合時，因為技術(shù)還不夠成熟，在資源分配、系統(tǒng)安全、可靠有效的通信協(xié)議，以及如何打通各大上游廠商之間的技術(shù)壁壘等都是下一步研究中需要關(guān)注的問題。