加州大学伯克利分校与Ken Goldberg的机器人问答

在接下来的几周，TechCrunch的机器人通讯（Actuator）将进行一系列与机器人领域顶尖专家的问答。请在此处订阅以获取未来更新。

部分1: 卡内基梅隆大学的Matthew Johnson-Roberson 部分2: 丰田研究院的Max Bajracharya和Russ Tedrake 部分3: Meta的Dhruv Batra 部分4: 波士顿动力的Aaron Saunders

肯·戈德伯格是美国加利福尼亚大学伯克利分校的教授和威廉·S·弗洛伊德工程卓越讲座教授，他还是机器人包裹分拣初创公司Ambidextrous的联合创始人和首席科学家，同时也是IEEE的会士。

未来机器人技术中，生成式人工智能将扮演什么角色？

虽然早有所闻，但2023年将被记作生成式人工智能改变机器人技术的一年。像ChatGPT这样的大规模语言模型可以使机器人和人类用自然语言进行交流。单词随着时间的推移逐渐演变，代表着从“椅子”到“巧克力”再到“魅力”等有用概念。机器人学家还发现，大型视觉语言动作模型可以训练以促进机器人感知和控制机器人的手臂和腿部运动。训练需要大量的数据，因此全球各实验室现在正在合作共享数据。结果不断涌现，尽管仍然有关于泛化的一些未解之谜，但其影响将是深远的。

另一个令人兴奋的话题是“多模态模型”，在两个方面上有多重含义：

• 多模态是结合不同的输入模式，例如视觉和语言。现在又扩展到包括触觉和深度感知，以及机器人动作。

• 在允许对相同输入状态作出不同动作方面，多模态是非常常见的，尤其在机器人领域。例如，有许多不同方式可以抓取一个物体。标准的深度模型会“平均”这些抓取动作，这可能导致非常糟糕的抓取结果。一种非常令人兴奋的保留多模态动作的方法是扩散策略，由现在在斯坦福大学的Shuran Song开发。

你对人形外形有什么想法？

我一直对人形机器人和腿式机器人持怀疑态度，因为它们可能过于轰动和效率低下，但在看到波士顿动力、敏捷和优昊最新的人形机器人和四足机器人后，我开始重新考虑。特斯拉具备开发成本低、模块化电机和传动系统的工程技能。腿式机器人在家庭和工厂中穿越楼梯、杂物和地毯时有许多优势比轮式机器人。双手（两臂）机器人对许多任务至关重要，但我仍然相信简单夹具相比五指机械手会更可靠且具有更高的性价比。

在制造业和仓储业之后，机器人的下一个主要领域是什么？

在最近的工会工资协商后，我认为在制造业和仓库里我们将会看到比今天更多的机器人。最近自动驾驶出租车的进展令人印象深刻，特别是在旧金山，那里的驾驶条件比凤凰城更复杂。但是我并不相信它们能够具有成本效益。对于机器人辅助手术，研究人员正在探索"增强灵巧性"——即机器人可以通过执行缝合等低级子任务来增强外科技能。

真正的通用机器人有多远了？

我不认为在不久的将来会出现真正的人工智能和通用机器人。我认识的机器人专家都不担心机器人抢走工作或成为我们的主宰。

在未来十年内，家庭机器人（除吸尘器以外）是否会大获成功？

我预计在未来十年内，我们将拥有价格实惠的家用机器人，可以帮助整理杂物，像衣物、玩具和垃圾，将它们从地板上捡起来并放到相应的垃圾桶中。就像现在的吸尘器一样，这些机器人偶尔会犯错，但对于家长和老年人来说，好处将超过风险。

哪个重要的机器人故事/趋势没有得到足够的报道呢？

机器人运动规划。这是机器人技术中最古老的主题之一——如何通过控制电机关节来移动机器人工具并避开障碍物。许多人认为这个问题已经解决了，但实际上并没有。

机器人的“奇异点”是所有机器人手臂的一个基本问题；它们与库兹韦尔所设想的人工智能超越人类的时间点有很大不同。机器人的奇异点是指机器人在空间中突然停止并需要人工操作员手动复位的点。奇异点是由于将夹具的期望直线运动转化为六个机器人关节电机相应运动所需的数学计算而产生的。在空间的某些点，这种转化变得不稳定（类似于除零错误），机器人需要被复位。

对于重复的机器人动作，可以通过繁琐的手动微调来避免奇异点，以使它们永远不会遇到奇异点。一旦确定了这样的动作，就可以一遍又一遍地重复执行。但对于机器人动作不重复的新应用场景，如装载货物、挑选货物、订单履行和包裹分拣，奇异点非常常见。它们是一个众所周知的基本问题，因为它们会在不可预测的时间（通常每小时发生数次）中干扰机器人的运作。我共同创立了一家名为Jacobi Robotics的初创企业，该企业采用高效算法，可*保证*避免奇异点。这可以大幅提升所有机器人的可靠性和生产力。