如果说有一项简单的技能机器人专家愿意从人类身上窃取，那就是我们捡东西的能力。苹果或鸡蛋，钢笔或电钻，对我们来说都无关紧要。我们的手是灵巧的，能够抓住一系列的形状，更重要的是，我们可以计算出如何处理任何物体，我们从来没有见过的闪光。

相比之下，机器人的手指又慢又笨拙。他们的硬件能够进行实际的抓取，但他们甚至会被尺寸、形状或位置的微小变化所迷惑。如果我们想让机器人在家里发挥作用，或者我们想提高它们在仓库、工厂和其他工业环境中的效用，这是一个大问题。

一家名为Embodized Intelligence的初创公司是用最新的人工智能解决这一问题的一批新企业之一。这家公司已经秘密运营了一段时间，但本周它向全世界宣布了自己的身份。它是由艾伦-马斯克支持的AI实验室OpenAI和伯克利大学研究人员组成的，并有700万美元的风险投资资金来启动。公司的目标是什么？简单地说，帮助机器人抓紧。

正如OpenAI前研究员、Embounded Intelligence首席执行官彼得•陈（Peter Chen）对《边缘》（The Verge）解释的那样，这一领域的关键挑战在于**出适应性强、能够快速学习新任务的机器人。”如果你去贸易展，你会看到机器人做很多非常奇特的事情，但这只是一件事，我们希望机器人可以做一系列的事情，”陈告诉边缘我们创办这家公司时的信念是，在未来10到20年内，**和装配中所有死记硬背和重复性的任务都可以由通用机器人完成。。。但就实现目标仍需完成的工作量而言，这是巨大的。”

目前，如果你想**一个能够拾取和操纵物体的机器人，你有两个主要的选择。一种是硬编码：精确计算出机器人需要移动的位置和方式，并手工编程每一步。这适用于大多数任务，但造价昂贵，这意味着机器人的环境需要精确和不变。如果一个部件甚至有几毫米不合适，它就可能使整个生产线失去正常运转。如果你处理的是可变形物体，比如织物或金属丝，这几乎是不可能的。

一种新的方法（有不同的限制）使用人工智能方法，称为强化学习。这本质上是让机器人用试错法自学。程序员不会明确地告诉机器人如何解决问题，而是鼓励它自己去解决问题。这需要较少的人力资源，但当应用到物理机器人上时会很费时，机器通常需要数周才能想出一个动作。另外，像硬编码一样，它在面对看不见的和令人惊讶的对象时不是很灵活。

因此，具身智能的团队正在转向另一种被称为模仿学习的方法。在这里，机器人看着人类完成一项任务，然后学会模仿他们。最关键的是，他们不模仿精确的动作，而是试图概括他们所看到的，把它变成一套抽象的指令，仍然适用于同一任务的不同变体。

近年来，这一领域取得了坚实的进展，特别是在伯克利实验室，该实验室由Pieter Abbeel教授领导，他曾是OpenAI的研究员，现在是Intelligence的总裁和首席科学家。在上面2013年的视频中，你可以看到一个机器人在Abbeel的实验室学习系绳子。视频中的指导员必须亲自移动机器人，但机器不只是模仿这些动作；它可以将它们应用于同一任务的变体。

具体化智能想要使用同样的演示学习方法，但是控制器在虚拟现实中操作机器。陈形容这种方法“出人意料的有效”，并说机器人可以学习“来自人类的丰富学习信号”。

“我们基本上可以从不到30分钟的演示中教授多种技能，”他说，指的是这家初创公司最近在预打印服务器arXiv上发表的一篇论文这不仅仅是教机器人一个固定的轨迹。它的目标是让机器人能够被带到几乎任何装配或生产环境中，并教会一个技术经验最少的人如何在几个小时内完成一项工作。关键的是，具体化智能只能构建一个版本的学习软件，然后可以应用于各种场景。

这将是机器人在**和装配中使用方式的变革，使公司能够轻松实现任务自动化。因此，很多公司都在研究这个问题。亚马逊每年都会举办一次“挑选挑战”，试图为自己的仓库找到新的方法。谷歌已经尝试用链子把机器人的手臂连在一起，看看它们是否能互相学习。而另一家名为Kindred的机器人初创公司正在解决这一问题，每当机器人陷入困境时，他们就会把机器人交给远程虚拟现实操作员。

还有很多工作要做。陈说，体现智能目前的方法只有百分之九十的可靠性，做正确的事情十有八九是不够好的工厂。这将导致太多的停机和瓶颈。陈说，在开始销售服务之前，这家初创公司需要接近99.99%的可靠性，但这可能需要一段时间。任何工程师都会告诉你，最后10%的改进往往是最棘手的。

不过，该公司相信，它将迅速获得收益，尤其是随着最近人工智能的改进。陈先生将这一领域与几年前的自动驾驶行业进行了比较，他说，基本原则已经到位，这是一个在现实生活中努力工作的案例。

“在过去的几年里，我们看到了机器人能力的巨大积累，这只是。。。“工作，”他说你需要最后的推动，使事情可靠和快速，所以他们实际上是有用的。有人需要这么做。我们正在这样做。”