机器人下一步如何行动

　　丹尼尔·威尔逊

　　人类的大脑只占身体体积的2%，但要消耗人体20%的能量。这种不相称的能量消耗是值得的。人类喜欢不断地勾画一些可能发生的情景(和它们的后果)，而不是去真正地实现它们，这一过程叫做“规划”。移动机器人利用“路径规划”从A点到达B点，而智能型游戏通过规划来智取人类对手。在过去的20年里，超级计算机已经帮助美国策划每一场大型战争

。这就是为什么我们需要弄明白机器人如何预测和规划。如果我们知道机器人怎样理解这个世界，我们就能够推算出它们的下一步行动。

　　从A点到B点

　　一个无坚不摧的机器人独自坐在废弃的矿山，周围是粗石砾和横七竖八的木桩。偶发的爆炸声掀起灰尘阵阵，打着转儿飞进从机器人摄像机发射出的光束里；井底传出被围困的矿工微弱的求救声。在这种情况下，机器人必须在恶劣和不断变化的环境中迅速制定出一条路径。机器人可能孤身作战，可能与团队合作；它的目标可能被隐藏、失落，或者被危险的障碍物封锁。它唯一的成功希望就是选择一条好的路径。路径规划研究对每个机器人来说都相当艰难，不管是在废弃的矿井里躲闪落石，还是从

　　路径规划者的成功与否取决于它是否能够从始发地到最终目的地之间连续前进，同时充分考虑到障碍物(不是单纯推倒它)。如果你在墙上发现有一个机器人形状的洞，那么路径规划者很可能已经失败。最常见的问题叫做基本路径规划，它需要机器人在两地之间找到无冲突的路径，在同一大环境下没有任何物体被移动，同时又清楚每一个障碍物所在。对机器人吸尘器而言，它有“传感器覆盖范围”这一任务。也就是说，它必须顾及到

　　路径规划即先构建一个充满障碍物的环境，然后集中关注哪个地方安全(平坦的表面)，哪个地方令人满意(不要忘记那些被围困的矿工)。从碎玻璃上开过去要比在有铺设的路面上行进来得危险，但如果它能让你更快到达目的地的话，这种策略也许值得一试。路径规划者经常通过把世界想象为数字在格子中的可能位置来简化问题。两个地方之间的每条线都有相关成本：粗糙的地形、转角，或到最近

　　高级机器人能解决更困难的问题，它们能在三维空间攀援和飞行，还有一些能为了穿过不断变化的环境而改变形状。卡纳基梅隆大学的机器蛇学会如何沿树枝攀援而上，即使在风中摇摇欲坠。在PARC研究中心，当模块机器人想着要变成蛇形还是蜘蛛的时候会将地形因素考虑进去。路径规划始于简单的二维世界观，进而升级为能在可调节的、复杂的三维空间改变外形和移动。

　　揣测游戏对手心理

　　在人工智能领域，第一个“成功预测”使得人工智能能够参加世界杯象棋赛。这一舞台为人类和机器人的战役而设：机器人赢了。1997年，国际象棋比赛的冠军GarryKasparov被IBM的象棋机器“深蓝”打败。正如它所表现的，计算机(和机器人)非常善于玩脑力游戏。

　　游戏可被认为是真实世界的简化版本。游戏场景为人类(和机器人)提供了零费用的场地用以磨炼策略和思考技能。人工智能在处理复杂的真实世界的问题以前，它们被迫限制在游戏领域中行动，界限分明，规矩清楚。这些受到高度束缚的游戏里，只有少数几个任意机会和动作。

　　无论在游戏或是真实世界中，机器人必须先预测其他人的行动，然后再考虑自己的下一步行动。在早期，研究人员发现，如果你认为你的对手会按照其规划做出“完美”移动，那么不管你的对手是否表现完美你都会赢。这一可视的过程叫做前瞻。在象棋比赛中，人类趋向于尽量不拓宽图形，而是局限在小范围的“前瞻”中。另一方面，DeepJunior(计算机象棋比赛的霸主)能够前瞻十五步。但是，单单这一能力并不能保证胜利，机器人必须关注最接近的未来可能性，选择不将时间浪费在不大可能的情况中。人类在有限的资源条件下，自然而然地会做到这一点。最初，玩游戏是为了教授机器人如何应付真实世界，而它成功了。在象棋桌上面临的这些问题，致使机器人能够更好地分析复杂的情况，哪怕在时间和信息有限的条件下，然后它会选择行动，解决问题。在真实世界里，这是最优秀的人所做的。

　　机器人发起袭击的根源通常来自错误的逻辑结果。在电影《我，罗伯特》和《黑客帝国》中，机器人错误做出人类生命没有价值这一判断，误解命令后发动进攻。所以不要被恶魔机器人的逻辑所愚弄，要学会智取这些疯狂的金属朋友们。不宁惟是译