http://video.appledaily.com.hk/mcp/encode/2017/09/23/3447894/20170924_sub463AD_w.mp4
在RoboCup現場同時舉行亞馬遜機械人挑戰賽（Amazon Robotics Challenge）。該公司的首席技術總監Tye Brady在現場向我們解釋，「執貨」的難度何其高。
數月前在日本名古屋舉行的機械人世界盃大賽（RoboCup），現場有許多項目的賽事，另一個能充份體現人機之分的賽事，乃是亞馬遜機械人挑戰賽（Amazon Robotics Challenge）。賽事總獎金高達25萬美元（約195萬港元），在旁看機械臂動作生硬的提取日用品，不禁會懷疑：拿痰罐刷、牙刷、文件夾而已，有幾難呀？
近年，亞馬遜亦加入了人工智能（AI）機械人研發戰圈，2012年收購了機械人公司Kiva Systems（前文提及研發知名Kiva機械人的公司）後，成立了亞馬遜機械人（Amazon Robotics），希望研發具效率的機械人系統，應付其貨倉運作，減低成本。但哪怕Kiva機械人聞名全球，它們在倉庫搬運貨架的短片常被瘋傳。直至今天，機械人只能運送一整棟貨架；要在貨架裏揀選正確貨物，仍須靠人手。在這比賽，亞馬遜機械人共有16個世界各地專業研究單位（如麻省理工和普林斯頓大學的聯隊、奈良先端科學技術大學院大學與Panasonic組成的隊伍、南洋理工大學等）。各隊用自行研發的人工智能機械臂從貨架中，夾取特定貨物裝入貨箱（Pick Task），亦要讓機械臂從貨物中取出指定貨物放到貨架上（Stow Task）。
精密的人類雙手
「拿起一張紙，跟拿起一個塑膠水樽，跟拿起一杯裝有水的水杯，我們手部的動作已經很不一樣。用拿水杯的方法去拿起張紙，其實紙張可能會被弄破。『拿東西』其實很複雜，我們不自覺地先用眼睛、皮膚等感官去分析數據、確認那是怎麼樣的物件，再用我們那很精妙的手，以相應的手指和力度握實物件。我們常見小朋友四處摸東西抓東西，起初往往拿不穩的，但慢慢就學會，其實那是一個累積經驗的過程。然而要讓人工智能掌握這些難以言喻的微妙分別，不會力度太大弄爛貨物，又不會太輕力摔壞貨物，那是非常困難。」在現場的亞馬遜機械人首席技術總監（Chief Technologist）Tye Brady向我解釋，讓機械人永遠夾取特定東西，它們表現一定比人類好；然而貨倉物件成千上萬，如何讓它們辨認正確物件、再用正確的方法拿到，仍然是人工智能機械人研究的一大難題。
早期科學家「教」機械人執行任務，必須要把任務寫成一板一眼的規則，讓電腦執行。然而身在現實世界，太多事情無法被寫成規則（例如用適當的方法拿東西），而近年被廣為談論、模仿人類神經網絡的機械學習（或更精密的深度學習）則可大派用場。
機械臂也是創作
今次比賽成績大躍進的新加坡南洋理工大學的團隊（2015年第9；今年第3名）的機器人技術研發工程師張征豪就向我解釋機器學習的過程。例如為了讓機械臂認出「牙刷」，他們會為程式輸入幾千張不同的「牙刷」照片，讓電腦從海量數據中，自行歸納「牙刷」的關鍵特徵（而非直接給電腦定義何謂牙刷）。訓練若成功，往後機械臂看到任何具「牙刷」特徵的東西（哪怕是未曾出現在訓練數據中）該能認出牙刷，並用相應方法拿起它。同樣道理，他們會用相同方法訓練系統辨認其他物品。這正是人類掌握概念的方法——我們不必看遍地球上每一隻「牙刷」，卻有能力認出它們。
當然，說得輕鬆，實踐卻極高難度，「神經網絡、人工智能等等，我們都很清楚，但把它放在充滿限制的現實世界又是另一回事。」研究團隊的陳義明教授說：「例如CPU（電腦處理器）運算夠快嗎？若要花幾分鐘才辨認到物件，那根本不可能被應用。這是做研究最困難，也是最有趣味的地方。」另一位團隊研究員Albert Causo亦補充說，「哪怕機械人研究，每天都要對着機器，旁人以為很枯燥。其實它是一門創作，從無到有，開發一套系統，這一點很有滿足感。」
亞馬遜倉庫中使用的Kiva機械人（橙色那部）聞名於世。然而，厲害的Kiva仍只能搬運整棟貨架。精細的揀貨工作，仍得靠人手。
痰罐刷、洗潔精。我們靠「本能」就能辨認和提取物件，對機械人來說，卻難度極高。
南洋理工大學今年排第3，成績優異。團隊成員向我們解釋了機器學習的原理。
南洋理大設計的機械臂，主要以吸盤揀物件。
採訪：李寶怡
攝影：潘志恆
編輯：施明慧
source : http://hk.apple.nextmedia.com/supplement/special/art/20170924/20161094
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
其實個 d 邊有 AI  ) |  0 02017/09/24, 10:47:50 上午 |
|
