智东西（公众号：zhidxcom）

　　文 | 英特尔中国研究院

　　回顾2016年的精彩赛事，人机围棋大战绝对榜上有名。面对人类棋手的失利，普罗大众惊呼：机器人统治世界的时代不远了！我身边的懒人族甚至纷纷来电表示：机器人都玩转围棋了！做家务可比下围棋简单多了，你们怎么还没造出一款能解放人类的全能家务机器人啊！

　　我当时的心情是这样的：

　　人工智能的发展还要打败很多大小怪兽。即便是战胜了人类围棋高手的AlphaGo目前也仅具备弱人工智能水平！虽然科幻电影里被机器人接管的世界距离我们还有些遥远，但英特尔中国研究院的研究员们正在努力“打怪升级”，争取让能为人类提供服务的机器人早日来到我们身边。

　　今天，我们就以一句简单的人类指令为例，带大家看看他们面对的“怪兽”都有哪些。

　　假如你说：“机器人，把桌上的苹果拿去洗洗，给大家吃吧！”为了听懂并服从这个命令，机器人到底要具备哪些本领呢？

　　首先，机器人要理解这句话的含义。这就涉及到语音识别和自然语言处理两个研究领域。语言识别，就是把机器人听到的声波转成文字。自然语言处理，就是把一句按人类习惯说的话，解析成计算机能理解的信息。这一过程并不容易——Amazon近期发布的智能音箱Echo，重点攻关了远距离以及有噪音情况下的语音识别这一难题，但也只能进行有限的对话，更不用说像人类一样理解对话中复杂的情境和上下文了。

　　假设机器人已经正确识别出这句话。接下来的难题是：什么叫“桌子”？“苹果”是什么？什么叫“洗洗”？谁是“大家”？什么叫“吃”？这些都属于人类知识库里的常识问题。 人和人的沟通大量依赖常识，而这些都是机器不具备的。这种常识的学习对机器人而言是挑战，因为这些知识既无法预测，也无法泛化，更无法预先植入。机器人必须具备某种持续的自主学习能力，才能推理出用户的命令究竟是什么意思。

　　自然语言处理过程中的上下文问题，个人常识的搜集、表达和存储，以及如何利用这些常识实现人机自然交流——这些都是英特尔中国研究院的小伙伴们目前正在努力研究的课题。其中最大的挑战在于发现信息之间的相关性，并在适当时机，激活最可能相关的信息，为人机交流补足上下文。相信不久后就有更会聊天的机器人来陪伴你啦！

　　假设机器人能正确识别出桌子和苹果，下一步就是找到苹果。这就涉及到计算机视觉难题——就是让计算机长出一双人类的眼睛，能分辨出人可以看到的景象，提取出人能提取的信息。假设机器人能够完美捕捉三维信息，接下来就是如何理解“看到”的图像。

　　对人类而言，即便是低龄小朋友也能看出上图是 “几个苹果放在桌子上”。但对计算机来说，这幅图只是很多0或1 的数字流，就像电影《骇客帝国》中的场景：

　　现在需要回答：这些0或1到底代表什么？

　　计算机用像素来代表一张图片， 每个像素都有一组数据代表该像素的颜色和光照信息，可以用下面的数学表达式来代表计算机图像识别的工作原理：

　　I=P(O,W)

　　其中I表示图像，O表示包含多个不同类别的物体集合，W表示影响因素

　　一张图像首先包含多个不同类别的物体集合。同一类的物体本身就存在差异，物体自身也是五颜六色。即使是同一个物体在图像中的像素值也会受到很多因素的影响，包括光照强度和方向、相对摄像机的位置和姿态、物体之间的遮挡关系、物体自身的运动、摄像机参数等。在数学分析中，atv直播，从图像(I)中感知物体集合(O)就必须同时恢复这些相关参数(W)。这是一个高维度数学问题，而答案的不唯一极大地增加了计算难度。与之相比，“棋圣”AlphaGo需要求解的未知参数仅仅是下一步棋子的坐标，参数维度大大降低。这是机器人下围棋比做家务更为简单的原因之一。

　　现在我们的机器人已经成功拿到了苹果，接下来它该怎样走到人的正面并送出苹果呢？