#SUMMARY
人工智能研发的狂热阶段正在退去。现在是时候以清醒审慎的眼光，他们以跑酷为实验主题，审视现有人工智能与机器学模型的潜力与短板，通过动态运动，让下一波人工智能项目扬长避短。来自《电子工程时报》（EE Times）一篇文章介绍，感知和控制之间的联系，美国“机器常识学”项目，来研究相关的问题。这些问题的解决有助于机器人更加顺畅地运行。1机器人对跑酷的感知机器人感知算法会被用到相机和激光雷达等传感器的数据转换对策和规划物理行动中。虽然Atlas使用IMU、关节位置和力传感器来控制其身体并感受地面获得平衡，让AI像婴儿一样从常识学起。
现在的人工智能研发都弱化了机器学本应有的最主要信条：先学爬再学跑。至今的人工智能热潮都只是吹得响，但Atlas还需要感知算法来识别障碍物，但实质并不见得“智能”。
为了回归工程研究的首要原则，如图1中看到的木箱和窄桥。点击播放 GIF 0.0M图1：这个动画显示了一个Atlas机器人深度相机生成的点云旋转视图Atlas使用深度相机以每秒15帧的速度生成环境点云。点云是距离测量数据的集合。Atlas的感知软件使用多平面分割的算法从点云中提取表面。接着算法输出的数据被输入地图系统，美国有很多研究项目正在脱离现有的趋势，最后系统帮助Atlas用相机看到不同物体建立模型。图2：具有感知输出的Atlas渲染图2显示了Atlas感知到的物体，不再致力于“脆弱”的、只能专门完成特定狭窄范围任务的人工智能。
而努力适用范围更广泛、更能像活人一样随机应变应对各种新情景的人工智能模型。
在这些研究项目中，并经过反馈与计算规划行动。左上角是深度相机拍摄的红外图像。主图像中的白点形成点云。橙色轮廓标记了跑酷障碍物检测到的矩形面，最引人注目的是DARPA机构的“机器常识学”项目。
这个项目要的机器学模型，这些矩形面随着时间的推移被传感器。从而帮助Atlas设置特定的行为。例如，目标是让人工智能学新的通用常识，绿色的脚印标记下一步在哪里跳跃和慢跑。为了扩展跑酷课程，速度比肩地球上学最快的人群：婴幼儿。
DARPA负责此项目的项目经理马特·图里克称：“现在精尖的人工智能，最短处之一是适用特别狭隘，只能专注解决单一特定任务，无法举一反三泛用智能。”
为解决此漏洞，DARPA的此项目不仅雇用了人工智能研究者，也聘请了儿童行为心理学家，一起记绘、编码婴幼儿如何得通用常识。
“初生至18个月的婴孩是世界上最优秀的学者，它们探索的世界范围、所冒的新奇风险，相对成人而言其实更多。”——图里克
这样出的算法，意欲让机器学模型融合对物体、方位、相互关系等等环境中的各种特性的更广泛理解，以之让人工智能更具理性。
DARPA的研发角度，寻求摆脱现有的狭隘人工智能，让机器“学常识知识，将常识应用于全新情景中，学过程更加灵活、更具适应性”。
图里克称，“这些特质是更具鲁棒性、更通用人工智能系统的必备要素。
DARPA的研发还要打造更广泛的认知与理性归纳技术的存储库，以此协助机器学模型以更似人类从经验中学的方式来适应不同的挑战。
为达到这些目标，DARPA用四年时间，从训练好的批量数据集、相应的理性处理技术开始，累积出型的常识认知数据库。此项目也更多运用了模拟生成的合成训练数据。
此数据库的产出，将是代表真实世界的各情景、事物、概念的自身质性与相互之间关系的各种语义数据网络和知识图表，然后人工智能系统将测量这些数据。
图里克在接受采访时，称研究人员将应用深度学、卷积神经网络等技术来助力型常识数据库。
人工智能的研究者也用既有的软件工具作为基准测试程序，来测量机器学已有多灵活。
例如DARPA正在用已有的网络浏览工具来组装上述数据库，让数据库达到能反馈基于自然语言与图像的质询的程度。测试结果将与艾伦人工智能研究院的类似项目的基准测试结果做对比。
图里克说，“这些都是我们衡量已完成的进度与成绩的途径的一分”。
在现有的初现阶段，常识型人工智能似乎正在从“学爬”往“谨慎学微步走”的程度迈进。
图里克承认，“具有人类学的灵活性、兼具人类的知识广度、可被信任、可完成关键任务的人工智能，我们离达到这一目的还很远”。
但各学致力于“机器常识学”项目的研究者在灵活学等领域已经取得成就，并将初期成果应用于各种机器人系统中。
图里克说，“别家的机器人在没有训练过台阶场景时能上下台阶么？但咱家的算法就能做到”。
图里克还提到了前段时间俄勒冈学的、能5公里徒步赛跑的两足机器人也应用了“机器常识学”的成果。
DARPA人员承认这些机器人技术的进展还远达不到人类学感知真实世界的程度，但这些进展预示了未来更灵活的机器学算法将有坚实可靠的实际用途。
（本文首发小猎犬APP）
