近些年人工智能領域已經取得了突飛猛進的進步，但這些進步大都集中于數字人工智能領域，對于能和我們這種生物體一樣執(zhí)行日常任務的實體人工智能(physical artificial intelligence，PAI)來說，進展卻相對小得多。
這主要是因為實體人工智能涉及復雜的跨學科研究，而科研社區(qū)目前又非常欠缺能系統性整合這些知識的人才和技能。
著眼于未來幾十年實體人工智能的發(fā)展，兩位學者——瑞士聯邦材料科學與技術的實驗室Aslan Miriyev 和倫敦帝國理工學院Mirko Kova? 教授近日在 Nature MachineIntelligence 上發(fā)表了一篇評論文章，不僅定義了PAI，還提議建立一套激勵實體人工智能跨學科研究的技能培訓體系，強調教育下一代 PAI 研究者的重要性。
人們預期，下一代機器人會像生物體一樣，能夠在真實世界的非結構化環(huán)境中自動采取行動，能通過控制器自適應和學習來自我維持，具有應對物理破壞的韌性，并能與集體系統進行整合。
這些未來的機器人將在導航、運輸和其它機械作業(yè)中得到應用，這需要實時的決策和適應能力，其中涉及到處理從其「機體」上的傳感器發(fā)送到「大腦」的多種信號的組合。
此外，這些機器人還需要具備自我功能性預測能力、自主修復和自動按需成長能力以及在各種場景中維持穩(wěn)態(tài)(homeostasis)的能力，這樣才能確保任務性能(task performance)與自我存續(xù)(self-preservation)方面的和諧平衡。
過去幾十年里，基于數據的數字人工智能迅猛發(fā)展，計算、算法和認知的學習能力都增長顯著，而機器人的機體、形態(tài)和材料發(fā)展卻相對落后很多。
為了讓機器人具備如此智能的行為，需要大腦結構、機體形態(tài)和環(huán)境交互之間的密切相互作用。
數字人工智能的實體化對應版本，即實體人工智能（PAI），本文將介紹，并為未來的 PAI 研究者的技能教育提出一種方法論。
一、實體人工智能（PAI）
近幾十年，人類的生活方式發(fā)生了非常重大的變化，這凸顯了對遠程和自動化過程的需求。但是，現如今的機器人還不夠成熟，還不足以執(zhí)行日常任務，比如操控物體或在不可預測的復雜環(huán)境中移動。另外，如今的機器人也還不能足夠安全地與人類和室外環(huán)境進行交互。
大腦與機體的適當平衡是創(chuàng)造行為更自然和全集成的智能機器人的先決條件。機器人設計通過使用軟件已經實現了相當成功的自動化，但設計新材料和開發(fā)機器人學方法需要人類參與其中，因為這涉及到范圍更廣的技能組合。
舉個例子，在新興的軟體機器人學領域，為了得到所需的機器人功能，仍舊沒有與結構設計和控制器設計組合使用的材料選取與合成方法。
未來十年內，機器人學領域的一大主要缺口是：為機器人機體以及機體形態(tài)與智能控制系統和基于學習的方法的共同進化開發(fā)新材料和新結構。
因此，為了填補這一缺口，機器人學社區(qū)的一大重要發(fā)展趨勢是
PAI 是指能夠執(zhí)行通常與智能生物體相關的任務的實體系統，該領域包含理論和實踐。PAI 方法論原本就自帶對材料、設計和生產制造的考慮。使用 PAI 開發(fā)的機器人可以利用自身機體的物理和計算特征，再加上它們大腦的計算能力，有望在非結構化環(huán)境中自動執(zhí)行任務和維持穩(wěn)態(tài)。類似于生物體，PAI 機器人既可以替代數字 AI，也能通過連接大腦來為數字 AI 提供協同輔助。很多小型機器人(計算能力有限的機器人)沒有專用的中心大腦，它們的性能由機體的計算引導。
類似于自然多樣性原理，PAI 合成(synthesis)是指具有任意功能、形狀、大小和適宜場景(habitat)的機器人系統，其中尤其注重對基于化學、生物和材料的功能的整合。因此，PAI與機體變化方法無關，并且有別于具身智能(embodiedintelligence)。PAI 合成的要義在于從材料層面到形態(tài)層面再到機器人系統層面將多種不同的功能特性成功地組合到一起。
圖1：PAI是合成類似自然的智能機器人系統的理論和實踐。為了進化出功能完備的機器人，需要使用多個學科領域的技能，包括材料科學、機械工程、計算機科學、化學和生物學。這里用一只機器蜜蜂進行說明，其開發(fā)過程需考慮材料、結構、自我感知和動作執(zhí)行，最終綜合起來造就一個完全自動化的多功能機器人系統。這些學科能為每個進化步驟提供知識和工具。
將 PAI 和數字人工智能組合起來的范式是機器人開發(fā)領域最突出的領域之一，能提供無數研究機會。特別是將實體機器人和計算機器人整合為單一 PAI 方法的研究，這有望創(chuàng)造出人類-機器人共生的生態(tài)系統，從而重新定義人類與機器人的交互。目前而言，這一方向上是缺乏開發(fā) PAI 的技能，還沒有人提出清晰連貫的教育結構和培訓方式。
在創(chuàng)造 PAI 的雄心勃勃的征程中，許多學科都會緊密地交織在一起。其中主要有材料科學、機械工程、計算機科學、化學和生物學(圖 2)。要將機器人的范式從組裝的硬件設備轉換成 PAI 組成的機器人，需要將這些學科領域的技能組合到一起。
圖 2 中給出的每個學科都包含大量且多樣的所需技能，甚至還有更多沒囊括進來。但是，對現如今的單個個人而言，范圍如此之廣的技能樹很難點滿，而且也還沒有培訓這些技能的系統性教育方法。
圖 2：PAI 的五大學科：材料科學、機械工程、計算機科學、化學和生物學
二、推動 PAI 技能發(fā)展
作者設想，為了掌握多學科的 PAI 技能，需要一種系統性的教育方法，而且機構層面和社區(qū)層面都要有。作者也為這套潛在方法提出了一些建議，其中包括營造良好的機構和社區(qū)氛圍來發(fā)展學生的技能并為導師提供支持。
接下來可以提出多層級的方法論，以在當前的高等教育計劃中實施PAI 培訓。作者提議該方法論需包含以下三大組成部分：(1)機構支持;(2)理解跨學科研究的復雜性和挑戰(zhàn)性;(3)創(chuàng)造認可和傳播研究成果的場所。
首先，如果要為 PAI 技能培訓打下堅實的基礎，機構層面的支持是至關
作者認為，在機構層面上，主要努力方向是顯式地鼓勵不同科系和學院的研究者積極合作研究 PAI。共同研究 PAI 的機構集群可以創(chuàng)造一個教育平臺，比如提供多學科選修課程和實驗室培訓，并允許內部科研合作和互相使用設備。其重點在于，正常運作的機構集群能確保在選擇正確的技能組合時提供專業(yè)的指導，從而適應每位學生的興趣范圍和研究需求。這種方法也能促進不同機構中心之間的外部合作，并推進國內和國際的交流與課外活動。
多學科之間和之中的研究工作需要有走出舒適區(qū)的勇氣，去面對自己并不熟悉專業(yè)術語和人際網絡，而且還必需持續(xù)不斷的學習以及堅持不懈的內在動力。
由于 PAI 本質上是跨學科研究，因此相關研究成果的受眾范圍更廣，有發(fā)表在更高影響力期刊上的潛力。但是，由于多學科研究涉及到廣泛的專業(yè)知識，風險會更高，情況也會更復雜。此外，職業(yè)發(fā)展步驟也需要鼓勵和獎勵跨學科研究工作。舉個例子，現如今雇傭教職人員時，往往會根據范圍狹窄的特定目標領域執(zhí)行，而不會從多學科角度考慮。通過雇傭在串聯 PAI 相關學科方面有專長的教職人員并提供合適的機構支持，能為跨學科 PAI 研究提供至關重要的激勵。這些步驟能直接推進 PAI 研究，同時還能通過高影響力的成果發(fā)布、專利和吸引的投資為機構的聲譽帶來許多倍的回報。
創(chuàng)造認可和傳播多學科研究的場所也非常重要。
此外，如果將 PAI 研究劃分到傳統的科研社區(qū)，比如材料科學、力學、有機化學等，則可能收窄一個科學問題的展示空間，即只能展示該特定社區(qū)能夠理解的部分。這種方式缺乏整體視野，也不能理解該問題的整體復雜性。尤其是機器人學和人工智能領域，需要一種更廣泛的多學科認證模式，并且要使其注重學科和專業(yè)知識之間的復雜交互關系。作者提出創(chuàng)建和支持以 PAI 的復雜多學科挑戰(zhàn)為目標的研究者社區(qū)、會議和期刊。他們也建議通過不同學科共同組織設立競爭性的獎學金、獎勵和獎金，以支持社區(qū)層面的參與。
三、總結
本文的目標是強調教育下一代 PAI 研究者的重要性
在這篇文章中，作者提出通過創(chuàng)造 PAI 來研發(fā)用于共生式人類-機器人生態(tài)系統的機器人，進而引領未來數十年的機器人研究。目前而言，社區(qū)還缺乏創(chuàng)造PAI 所需的多學科技能，而大多數機構仍還沒有為這一挑戰(zhàn)性的多學科研究方向建立基礎設施。作者提出了幾點推進PAI 技能教育的途徑：通過創(chuàng)建激勵性的機構和社區(qū)環(huán)境來同時培訓學生的多學科技能和支持導師的活動。需要說明，，而不是給出詳細確切的最終行動綱領。希望科學和研究社區(qū)能就這一主題展開更廣泛的討論，互相交流不同的意見和方法。
分享到微信 ×
打開微信，點擊底部的“發(fā)現”，
使用“掃一掃”即可將網頁分享至朋友圈。
轉型的最終目的 -提質降本增效
