丽莎老师讲机器人之东京大学新型自我修复机器人

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。
一旦机器人出现损坏或者螺丝松动等问题时，一般要维修这些机器人需要花费大量时间和精力，因此，机器人的自我修复将是非常重要的功能。东京大学的研究人员设计制造的一种进行自我检修的机器人，在加拿大多伦多的Humanoids 2019上展出。
早在2017年，比利时布鲁塞尔自由大学的一组研究人员开发出了一种能够在受损时自我修复的机器人。
它其实是一个柔软的机械手臂，由一种聚合物制成。当这个机械手臂受损时，可以通过加热的方式来进行修复，加热到 80 摄氏度时，这种聚合物的受损程度将会不断减轻，直至恢复原状，一旦冷却，它将恢复到原来的形状和强度。“机器人的损伤可以完全修复，不会留下任何缺陷。”
东京大学的这种机器人具有强大的自我检修功能，研究人员展示了如何教PR2通过拧紧自己的螺钉对自己进行简单的维修，研究人员向机器人提供了CAD数据，以准确告知机器人所有螺钉的位置。
目前，机器人虽然可以分辨出其物理姿态是否与数字模型不符，但仍无法直接自行检测出某个螺钉是否需要拧紧。但是它可以不时地自主检查其螺钉，或者依靠人的身体指出其螺钉松动，使用人的手指位置来确定它是哪颗螺钉。另一个挑战是，与大多数人类一样，大多数机器人在自己可以舒适到达的区域上受到限制。因此，要对身体上所有部位进行检修，他们可能不得不找自己的机器人朋友帮忙，就像人类互相帮助涂防晒霜一样。
机器人一旦可以拧紧自己身上的螺钉，便可以执行的另一种技巧是为其自身添加新的硬件。PR2的设计经过精心设计，在肩膀（或技术上来说，在脖子和脖子）和头部都有固定点，事实证明它可以通过操纵器达到这些固定点，从而可以对其进行修改。当PR2需要储存很多东西时，就需要袋子来容纳物品，因此，让PR2在它的肩部安装挂钩。
PR2开始将挂钩（其姿势是使用自身CAD数据计算得出的）挂好，以便将袋子放在肩膀上。PR2完成了挂钩的安装，为了检验挂钩安装的强度，研究人员将很多罐装食品放在手提袋中，然后将手提袋放在PR2的肩膀上，可以看出机器人的检修的质量可以得到保证的。
自我修复机器人具有很强的现实意义，可以实现各种应用。例如，人造卫星局部故障的处理，不仅卫星，其他很难靠人维护的核电站、海底地下乃至人体内部的故障排除等，都是自我修复技术的用武之地。

丽莎老师讲机器人之可卷起折叠机器人

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。
布里斯托大学的研究人员发现了一种将人造肌肉和电粘附力嵌入软材料中的新方法，他们创造了可拉伸的、类似皮肤的机器人，该机器人可以卷起来放在口袋里。这一进步可能会影响到创造用于环境监控、在危险环境中部署的新型轻薄型机器人，用于精密物体的机器人抓手以及新的可穿戴技术等。该团队将研究成果以一篇名为《All-Soft Skin-LikeStructures for Robotic Locomotion and Transportation》的论文发表在《Soft Robotics》杂志上。

这次布里斯托克大学的研究人员提出了高度变形、完全柔软的类似皮肤的概念，向我们展示了一种活性的、可拉伸的、便携的人造皮肤(ElectroSkin)，它将介电 弹性体 致动器(DEAs)和软电 粘接剂(EAs)结合在一个完全顺应的多层复合皮肤状结构中。
介电弹性体致动器本质上是软的和可变的并联电容器，在电场作用下由于麦克斯韦压力可以变形，从而产生显著的应力和应变。软电粘接剂主要是可变共面电容器，可用于在应用中产生可控的附着力电压阳离子。电粘接是利用电场在EA装置与被粘物体之间产生电控制的粘接力。DEA和EA均具有低能耗特性。
整个ElectroSkin整体化、轻巧、无噪音、柔软且能耗低、易于制造且可放入口袋，可以帮助将来的软机器人开发自驱动、自握和自定位功能。
ElectroSkins可以是使用全软弹性体和易于获得的导电材料制成的。他们在第一条软自驱动传送带（传送速度为0.28 mm / s）和可装袋的全软履带机器人上展示了它们的功能。这种新型的、自我驱动、自我抓握和自我定位的柔软人造皮肤将很大可能会在功能性柔软智能复合材料、可展开机器人、柔软智能输送机以及合规抓握和操纵应用行业产生重大影响。
该ElectroSkin可以饱经蹂躏，将它扭绞在一起、卷起来，放进口袋中，然后又拿出来，其功能也完全不受影响。
ElectroSkin的嵌入式多模态提供了一种可变形的活动皮肤的新技术，可以抓住和移动物体并自动移动。研究人员说，但是直到这一发现，软机器人才能将其移动能力与抓握在其移动表面的能力区别开来。它还可以在桌子上移动，既可以自主移动也可以受人操控。
在机器人技术、可穿戴技术和医疗保健方面，柔软的人造皮肤是关键的缺失成分。到目前为止，智能皮肤主要是被动的，任何机械动作都需要外部驱动，例如使用马达和肌腱。
ElectroSkin，一种拥有内在驱动能力的结构，除了实现智能皮肤和像传统机器人的结构并交付新的可穿戴技术之外，还可以配置为各种各样的轻型有源结构，可以制造完整的机器人，例如柔软的传送带和不同设计的便携式履带机器人。这些软智能复合设备证明了其有效性和这种活跃的人造皮肤可能会影响可部署和救援机器人和工业应用，例如便携式机械手、主动抓手和柔软的传送带等。

丽莎老师讲机器人之北大AI写作机器人

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。
在北京大学科技成果发布会上，由该校团队研发的AI写作机器人，既能写新闻、做综述，又能发评论、对诗词，与多家媒体合作打造的小明、小南、小柯等写作机器人已经陆续上岗。  
对AI而言，撰写新闻摘要、生成诗歌、智能对话、撰写商品简介、甚至写书、创造性小说、语言辩论等。AI写作过程主要包括选题、材料推荐、内容生成、质量控制、稿件发布和效果监测等内容，其团队主要研究内容的生成。
目前AI生成内容的主要方式，包括扩展的内容，内容压缩和内容改写，自2005年以来团队研究了人工智能和机器人技术的自然语言处理技术的系统，尤其是与文本自动摘要技术，能实现内容控制，长度控制，情感控制，多种类型的文字手稿，即自动书写简短摘要，新闻，评论，评论，诗歌等等。现场他还通过视频展示了AI机器人写的体育赛事简讯、报道以及棋类比赛解说词等。机器人写体育讯，集中了阵容，队名，比分，时间等要素，篇幅较长的体育赛事报道，仍以数据信息为主，并加入一些描写。
机器人会取代人类的记者吗？目前记者仍有自己的优势，机器书写的应用高度依赖于输入数据和材料，因此首先必须解决数据和材料的获取问题。也就是说，机器人记者还没有学会在现场采访。写作机器人主要用于体育新闻、科技信息新闻等领域，更依赖于数据、材料。在其他领域中，数据格式和类型是不同的，并且语言表达式也是不同的。 
因此，机器人通常不具有迁移，并且需要开发甚至重新开发用于新领域的产品。但AI机器人未来在很多方面真的应该有可能代替手工书写。例如，实时的新闻资讯，这一点目前AI机器人已经做得不错了。AI写作机器人的出现，让我们去思考一个重要的问题：编辑们如何提高自己写作水平？如果整天写一些没有什么技术含量的新闻，那么未来恐怕真的距离被机器人淘汰的路不远了。

丽莎老师讲机器人之CPU、GPU、TPU、NPU都是些什么之二

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。
TPU
CPU和GPU都是较为通用的芯片，但是有句老话说得好：万能工具的效率永远比不上专用工具。
随着人们的计算需求越来越专业化，人们希望有芯片可以更加符合自己的专业需求，这时，便产生了ASIC（专用集成电路）的概念。
ASIC是指依产品需求不同而定制化的特殊规格集成电路，由特定使用者要求和特定电子系统的需要而设计、制造。当然这概念不用记，简单来说就是定制化芯片。
因为ASIC很“专一”，只做一件事，所以它就会比CPU、GPU等能做很多件事的芯片在某件事上做的更好，实现更高的处理速度和更低的能耗。但相应的，ASIC的生产成本也非常高。
而TPU（Tensor Processing Unit, 张量处理器）就是谷歌专门为加速深层神经网络运算能力而研发的一款芯片，其实也是一款ASIC。
一般公司是很难承担为深度学习开发专门ASIC芯片的成本和风险的，究其原因是谷歌提供的很多服务，包括谷歌图像搜索、谷歌照片、谷歌云视觉API、谷歌翻译等产品和服务都需要用到深度神经网络。基于谷歌自身庞大的体量，开发一种专门的芯片开始具备规模化应用（大量分摊研发成本）的可能。
如此TPU登上历史舞台也顺理成章了。
原来很多的机器学习以及图像处理算法大部分都跑在GPU与FPGA（半定制化芯片）上面，但这两种芯片都还是一种通用性芯片，所以在效能与功耗上还是不能更紧密的适配机器学习算法，而且Google一直坚信伟大的软件将在伟大的硬件的帮助下更加大放异彩，所以Google便想，我们可不可以做出一款专用机机器学习算法的专用芯片，TPU便诞生了。
TPU与同期的CPU和GPU相比，可以提供15-30倍的性能提升，以及30-80倍的效率（性能/瓦特）提升。初代的TPU只能做推理，要依靠Google云来实时收集数据并产生结果，而训练过程还需要额外的资源；而第二代TPU既可以用于训练神经网络，又可以用于推理。
看到这里你可能会问了，为什么TPU会在性能上这么牛呢？
TPU在芯片上使用了高达24MB的局部内存，6MB的累加器内存以及用于与主控处理器进行对接的内存，总共占芯片面积的37%（图中蓝色部分）。
谷歌充分意识到了片外内存访问是GPU能效比低的罪魁祸首，因此不惜成本的在芯片上放了巨大的内存。相比之下，英伟达同时期的K80只有8MB的片上内存，因此需要不断地去访问片外DRAM。
另外，TPU的高性能还来源于对于低运算精度的容忍。研究结果表明，低精度运算带来的算法准确率损失很小，但是在硬件实现上却可以带来巨大的便利，包括功耗更低、速度更快、占芯片面积更小的运算单元、更小的内存带宽需求等...TPU采用了8比特的低精度运算。
到目前为止，TPU其实已经干了很多事情了，例如机器学习人工智能系统RankBrain，它是用来帮助Google处理搜索结果并为用户提供更加相关搜索结果的；还有街景Street View，用来提高地图与导航的准确性的；当然还有下围棋的计算机程序AlphaGo！

NPU
讲到这里，相信大家对这些所谓的“XPU”的套路已经有了一定了解，我们接着来。
所谓NPU（Neural network Processing Unit）， 即神经网络处理器。顾名思义，这家伙是想用电路模拟人类的神经元和突触结构啊！
怎么模仿？那就得先来看看人类的神经结构——生物的神经网络由若干人工神经元结点互联而成，神经元之间通过突触两两连接，突触记录了神经元之间的联系。高中生物还记得吗？

如果想用电路模仿人类的神经元，就得把每个神经元抽象为一个激励函数，该函数的输入由与其相连的神经元的输出以及连接神经元的突触共同决定。
为了表达特定的知识，使用者通常需要（通过某些特定的算法）调整人工神经网络中突触的取值、网络的拓扑结构等。该过程称为“学习”。
在学习之后，人工神经网络可通过习得的知识来解决特定的问题。
这时不知道大家有没有发现问题——原来，由于深度学习的基本操作是神经元和突触的处理，而传统的处理器指令集（包括x86和ARM等）是为了进行通用计算发展起来的，其基本操作为算术操作（加减乘除）和逻辑操作（与或非），往往需要数百甚至上千条指令才能完成一个神经元的处理，深度学习的处理效率不高。
这时就必须另辟蹊径——突破经典的冯·诺伊曼结构！
神经网络中存储和处理是一体化的，都是通过突触权重来体现。 而冯·诺伊曼结构中，存储和处理是分离的，分别由存储器和运算器来实现，二者之间存在巨大的差异。当用现有的基于冯·诺伊曼结构的经典计算机（如X86处理器和英伟达GPU）来跑神经网络应用时，就不可避免地受到存储和处理分离式结构的制约，因而影响效率。这也就是专门针对人工智能的专业芯片能够对传统芯片有一定先天优势的原因之一。
CPU、GPU与NPU相比，会有百倍以上的性能或能耗比差距
BPU（Brain Processing Unit，大脑处理器）是由地平线科技提出的嵌入式人工智能处理器架构。第一代是高斯架构，第二代是伯努利架构，第三代是贝叶斯架构。目前地平线已经设计出了第一代高斯架构，并与英特尔在2017年CES展会上联合推出了ADAS系统（高级驾驶辅助系统）。
DPU（Deep learning Processing Unit, 即深度学习处理器）最早由国内深鉴科技提出，基于Xilinx可重构特性的FPGA芯片，设计专用的深度学习处理单元（可基于已有的逻辑单元，设计并行高效的乘法器及逻辑电路，属于IP范畴），且抽象出定制化的指令集和编译器（而非使用OpenCL），从而实现快速的开发与产品迭代。事实上，深鉴提出的DPU属于半定制化的FPGA。
你以为到这里就完了吗？
不，据说每过18天，集成电路领域就会多出一个XPU，直到26个字母被用完。
这被戏称为AI时代的XPU版摩尔定律。
据不完全统计，已经被用掉的有：
APU -- Accelerated Processing Unit, 加速处理器，AMD公司推出加速图像处理芯片产品。
BPU -- Brain Processing Unit, 地平线公司主导的嵌入式处理器架构。
CPU -- Central Processing Unit 中央处理器， 目前PC core的主流产品。
DPU -- Deep learning Processing Unit, 深度学习处理器，最早由国内深鉴科技提出；另说有Dataflow Processing Unit 数据流处理器， Wave Computing 公司提出的AI架构；Data storage Processing Unit，深圳大普微的智能固态硬盘处理器。
FPU -- Floating Processing Unit 浮点计算单元，通用处理器中的浮点运算模块。
GPU -- Graphics Processing Unit, 图形处理器，采用多线程SIMD架构，为图形处理而生。
HPU -- Holographics Processing Unit 全息图像处理器， 微软出品的全息计算芯片与设备。
IPU -- Intelligence Processing Unit， Deep Mind投资的Graphcore公司出品的AI处理器产品。
MPU/MCU -- Microprocessor/Micro controller Unit， 微处理器/微控制器，一般用于低计算应用的RISC计算机体系架构产品，如ARM-M系列处理器。
NPU -- Neural Network Processing Unit，神经网络处理器，是基于神经网络算法与加速的新型处理器总称，如中科院计算所/寒武纪公司出品的diannao系列。
RPU -- Radio Processing Unit, 无线电处理器， Imagination Technologies 公司推出的集合集Wifi/蓝牙/FM/处理器为单片的处理器。
TPU -- Tensor Processing Unit 张量处理器， Google 公司推出的加速人工智能算法的专用处理器。目前一代TPU面向Inference，二代面向训练。
VPU -- Vector Processing Unit 矢量处理器，Intel收购的Movidius公司推出的图像处理与人工智能的专用芯片的加速计算核心。
WPU -- Wearable Processing Unit， 可穿戴处理器，Ineda Systems公司推出的可穿戴片上系统产品，包含GPU/MIPS CPU等IP。
XPU -- 百度与Xilinx公司在2017年Hotchips大会上发布的FPGA智能云加速，含256核。
ZPU -- Zylin Processing Unit, 由挪威Zylin 公司推出的一款32位开源处理器。
当26个字母被用完后，即将出现各种各样的PU，并以更快的速度占领起名界。

丽莎老师讲机器人之CPU、GPU、TPU、NPU都是些什么之一

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。
如今技术日新月异，物联网、人工智能、深度学习等概念遍地开花，各类芯片名词GPU, TPU, NPU,DPU,层出不穷......它们都是什么？与CPU又是什么关系？
今天我们就来科普一下这些各种PU”！
CPU
CPU( Central Processing Unit, 中央处理器)就是机器的“大脑”，也是布局谋略、发号施令、控制行动的“总司令官”。
CPU的结构主要包括运算器（ALU, Arithmetic and Logic Unit）、控制单元（CU, Control Unit）、寄存器（Register）、高速缓存器（Cache）和它们之间通讯的数据、控制及状态的总线。
简单来说就是：计算单元、控制单元和存储单元，计算单元主要执行算术运算、移位等操作以及地址运算和转换；存储单元主要用于保存运算中产生的数据以及指令等；控制单元则对指令译码，并且发出为完成每条指令所要执行的各个操作的控制信号。
所以一条指令在CPU中执行的过程是这样的：读取到指令后，通过指令总线送到控制器（黄色区域）中进行译码，并发出相应的操作控制信号；然后运算器（绿色区域）按照操作指令对数据进行计算，并通过数据总线将得到的数据存入数据缓存器（大块橙色区域）。
CPU遵循的是冯诺依曼架构，其核心就是：存储程序，顺序执行。
讲到这里，有没有看出问题，没错——在这个结构图中，负责计算的绿色区域占的面积似乎太小了，而橙色区域的缓存Cache和黄色区域的控制单元占据了大量空间。
高中化学有句老生常谈的话叫：结构决定性质，放在这里也非常适用。
因为CPU的架构中需要大量的空间去放置存储单元（橙色部分）和控制单元（黄色部分），相比之下计算单元（绿色部分）只占据了很小的一部分，所以它在大规模并行计算能力上极受限制，而更擅长于逻辑控制。
另外，因为遵循冯诺依曼架构（存储程序，顺序执行），CPU就像是个一板一眼的管家，人们吩咐的事情它总是一步一步来做。但是随着人们对更大规模与更快处理速度的需求的增加，这位管家渐渐变得有些力不从心。
于是，大家就想，能不能把多个处理器放在同一块芯片上，让它们一起来做事，这样效率不就提高了吗？
没错，GPU便由此诞生了。
GPU
在正式讲解GPU之前，我们先来讲讲上文中提到的一个概念——并行计算。
并行计算(Parallel Computing)是指同时使用多种计算资源解决计算问题的过程，是提高计算机系统计算速度和处理能力的一种有效手段。它的基本思想是用多个处理器来共同求解同一问题，即将被求解的问题分解成若干个部分，各部分均由一个独立的处理机来并行计算。
并行计算可分为时间上的并行和空间上的并行。
时间上的并行是指流水线技术，比如说工厂生产食品的时候分为四步：清洗-消毒-切割-包装。
如果不采用流水线，一个食品完成上述四个步骤后，下一个食品才进行处理，耗时且影响效率。但是采用流水线技术，就可以同时处理四个食品。这就是并行算法中的时间并行，在同一时间启动两个或两个以上的操作，大大提高计算性能。
空间上的并行是指多个处理机并发的执行计算，即通过网络将两个以上的处理机连接起来，达到同时计算同一个任务的不同部分，或者单个处理机无法解决的大型问题。
比如小李准备在植树节种三棵树，如果小李1个人需要6个小时才能完成任务，植树节当天他叫来了好朋友小红、小王，三个人同时开始挖坑植树，2个小时后每个人都完成了一颗植树任务，这就是并行算法中的空间并行，将一个大任务分割成多个相同的子任务，来加快问题解决速度。
所以说，如果让CPU来执行这个种树任务的话，它就会一棵一棵的种，花上6个小时的时间，但是让GPU来种树，就相当于好几个人同时在种。
GPU全称为Graphics Processing Unit，图形处理器，就如它的名字一样，GPU最初是用在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上运行绘图运算工作的微处理器。
为什么GPU特别擅长处理图像数据呢？这是因为图像上的每一个像素点都有被处理的需要，而且每个像素点处理的过程和方式都十分相似，也就成了GPU的天然温床。
GPU的构成相对简单，有数量众多的计算单元和超长的流水线，特别适合处理大量的类型统一的数据。
但GPU无法单独工作，必须由CPU进行控制调用才能工作。CPU可单独作用，处理复杂的逻辑运算和不同的数据类型，但当需要大量的处理类型统一的数据时，则可调用GPU进行并行计算。
GPU的工作大部分都计算量大，但没什么技术含量，而且要重复很多很多次。
就像你有个工作需要计算几亿次一百以内加减乘除一样，最好的办法就是雇上几十个小学生一起算，一人算一部分，反正这些计算也没什么技术含量，纯粹体力活而已；而CPU就像老教授，积分微分都会算，就是工资高，一个老教授资顶二十个小学生，你要是富士康你雇哪个？
GPU就是用很多简单的计算单元去完成大量的计算任务，纯粹的人海战术。这种策略基于一个前提，就是小学生A和小学生B的工作没有什么依赖性，是互相独立的。
但有一点需要强调，虽然GPU是为了图像处理而生的，但是我们通过前面的介绍可以发现，它在结构上并没有专门为图像服务的部件，只是对CPU的结构进行了优化与调整，所以现在GPU不仅可以在图像处理领域大显身手，它还被用来科学计算、密码破解、数值分析，海量数据处理（排序，Map-Reduce等），金融分析等需要大规模并行计算的领域。
所以GPU也可以认为是一种较通用的芯片。

丽莎老师讲机器人之只剩三年可活，改头切喉让自己变机器人“永生”

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。
如果被诊断出渐冻症，在身体完全不能动之前你会做什么？英国有一位患有渐冻症的机器人专家，他选择让很多人称之为疯狂。
“既然我快不能动了，早晚都会死，不如把自己改造成仿生人吧！”
2016年，英国著名计算机和机器人专家Peter博士注意到了一些奇怪的事情。他的脚趾突然不会动了。
去阿拉斯加旅游的Peter还没有任何异常，几周后 ，这位纤细的学者在洗完澡后打算甩一甩腿上的水，但在有了这个想法后，腿却在原地一动不动。
Peter非常费解，他觉得自己开始像没电的遥控器一样，有时没反应，有时反应微弱。不久后，事情开始恶化了。他的行走能力变弱，身体总是不能按照脑子里想的去做。
他被诊断出渐冻症，大概只能活3年。作为拥有计算机学位，人工智能硕士学位和机器人博士学位的人，他发现接到诊断书后的他，与大多数患者的反应不同。
Peter是英国计算机研究的顶尖学者，他多年的职业生涯里几乎获得了英国各种行政部门，世界各国政府，银行和大企业的机密访问权——来帮助他们寻找系统漏洞，提高安全系数。
他迅速在脑子里过了医生对他未来的预期：坐轮椅，不能动，不能说话。
这些是可能靠技术解决的，现在应该制定一个计划。他并不想只在轮椅上默默等死。
peter并不是什么科学怪人，他一直都知道自己在做什么。Peter认为既然结局都是死，不如利用自己的病和自己的技术，去探索会对未来人类有用的科技领域。
说得露骨一点，Peter博士把自己的死亡当做了一次科技实验。当然，作为计算机科学家，他知道该如何利用，并怎么利用技术。
他想突破人类能达到的极限，用科技延长他的生命，最终的目的是成为一个“仿生人”Peter。
这不是在玩游戏，也不是什么大片。Peter博士说到做到，在患病的当年就开始了对自己身体的改造计划。
他试图利用人工智能、机器人技术和其他高科技，探索能改变那些“被年龄、健康状况、身体残疾等因素限制”的人们的生活。
渐冻症患者会逐渐失去面部肌肉的控制能力，而老年渐冻症患者的身体衰退速度是极快的。也就是说，不久后Peter博士将失去做一切面部表情的能力，当然开口说话也是不可能的。
为了先解决这个问题，Peter博士根据自己的形象，与英特尔公司合作，开发出了一款逼真的虚拟替身，可以说话，可以通过人工智能系统改变表情。
而虚拟头像的声音是则是他虚拟合成出来的，虽然不是自己的原声音，但是听上去与本人的音色没有什么差别。
接下来，他要解决的是控制问题。在病症末期，渐冻症患者注定无法移动四肢，操纵“替身”需要使用眼球移动控制电脑屏幕。
之前霍金先生有使用到这个技术，但是当时只停留在操纵单个计算机的层面上。Peter的案例中改进了眼球跟踪技术，使自己可以只用移动眼睛就能操控多台不同的电子产品。
而屏幕上的Peter虚拟形象负责传达他想表达的内容。
这与霍金的声音系统有一些区别。霍金利用光学传感器，在屏幕上打出自己想要表达的文字，并通过声音合成器朗读出来。
这样交流比较缓慢，Peter电脑上的虚拟系统可以让AI学习Peter的说话方式。通过预设情景，选择对话。比如如果有人进来，你可以直接进入一些自发的交谈。
当然，这些技术的开发成本是很高的，但由于Peter是业内人士，他有足够的说服力让大公司相信这种技术可以在未来使用到更多领域。
在患病之前，他因为搞科研多年有高度近视，在患病初期实验眼球跟踪技术时，他必须配戴隐形眼镜。但Peter心里清楚，不久之后他也会失去佩戴隐形眼镜的能力。
于是一不做二不休去医院做了激光矫正近视手术，现在他至少拥有了完美的视觉，操纵电脑不是问题。当然，改造不止如此。
今年是他确诊后的第二年，他正在努力用机械代替他的所有器官，以便在日后尽量做到独立生存，而不是依靠护士和家人。
为了解决移动问题，他联合设计了一个可以让他快速移动，平躺，甚至站立的酷炫轮椅。轮椅也加入了Peter设计的眼球跟踪技术，可以直接自己控制。
包括他家里的床，小型升降机，都已经被改造成了可以用眼睛移动的高科技。
至此Peter博士完成了他通往仿生人Peter1.0的第一个阶段。以半机械人的状态出现在人们面前。有可能看起来太过吓人，但对于Peter来说，他实在不想满足于“能活一天是一天”的状态。
“我不要只是活着，我要茁壮地成长。”
今年10月，他再一次做出了过于大胆的决定。他要再冒一次险。
经过24天的重症监护，他切除了自己的喉头，这可以阻止后期因吞咽困难使唾液呛入肺部的可能性，避免未来的危险。尤其是冬季感冒，咳嗽会流鼻涕时，会造成十分危险的状况。
喉咙切除后，他的声音完全由虚拟的peter1.0代替，使用微型呼吸机进行呼吸。
他估计，原本医生认为他只能活到今年年底，但经过了一系列有前瞻性的计划，他也许还能再活十年，或者说至少Peter2.0可以再活十年。
还是和以前一样，他把自己的处境看作是一个拥抱科学的机会：
我很感谢科技。我因此仍然可以传达情感和个性，我仍可以伸出手触摸我爱的人。也许在未来我不是唯一这样的患者。”
“所以我计划成为世界上第一个全电子合成人。一部分硬件，一部分软件；一部分数字技术，一部分模拟技术。并且可以让人一直升级，研究这些技术。”
“我没有死，我正在改变。我会努力以这种方式活下去。”

丽莎老师讲机器人之天津大学全柔性智能机器人

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！
《西游记》中孙悟空能够“七十二变”，甚至化身一只小虫钻到妖怪肚子里大显身手的故事，寄托了古人对于微观世界的大胆创想。随着科技发展，柔性电子技术有望让微型智能机器人实现“七十二变”。
天津大学研发团队受自然界柔软的水母、轮虫等腔肠动物和浮游生物的启发，利用液滴的柔软无定形特性和柔性电子器件的超薄柔软特性，构建了一种全新的“智能液滴”——液态全柔性智能机器人。
这是一种超小型、全柔性、可编程控制的液态智能机器人，能够在不同环境条件下实现运动、变形和传感测量。
这种机器人除了具备良好的运动和环境适应能力之外，还搭载了多种传感器，如温度传感器、湿度传感器、光学传感器、应力传感器、葡萄糖传感器、食品毒素传感器和无线能量采集模块等。未来，这种机器人可应用于基因测序、化学合成、药物递送等领域，有望成为能进入人体检测治疗的“血管医生，具有十分重要的科学意义和应用价值。
理论上，利用柔性电子技术研发的微型“软体”机器人可以反复改变形状，实现运动、抓取、运输和触觉感应等功能。但现阶段“软体机器人”依然面临“硬伤”，需要依赖传统的刚性传感元件和电路，严重阻碍了性能的实现。现代社会的多元化需求急切呼唤“全柔性”机器人的出现。

丽莎老师讲机器人之黑客新招：用激光对你的智能设备发送指令

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。
当用一束高功率的激光指向iPad的麦克风——都放在黑色金属盒内，以避免灼伤任何人——并戴上耳塞来聆听iPad麦克风收取到的声音。
以正弦波的形式随时间改变激光强度时（每秒大约波动1000次），可以听到独特的高音调。iPad的麦克风莫名其妙地将激光的光线转换成电信号，就像声音一样。
使用激光以静默方式向任何接收语音命令的计算机“说话”，包括智能手机、Amazon Echo音箱、Google Homes和Facebook的Portal视频聊天设备。这种类似间谍的技巧使人们可以从数百英尺远的地方发送“轻指令”。可以打开车库，在线购买商品，或者做出各种恶作剧或恶意行为。当设备的所有者不在家里时，攻击者可以轻松地通过窗户，让目标设备进行响应。

让麦克风像声音一样对光做出反应是可行的。这意味着任何对声音命令起作用的东西都将对光命令起作用。
在经历了几个月的实验后，研究人员发现，当他们将激光对准麦克风并以精确的频率改变强度时，光线会以相同的频率干扰麦克风的膜。定位不需要特别精确；在某些情况下，只需光照笼罩着设备即可。
结果，麦克风将入射光解释为数字信号，就像声音一样。研究人员试图随时间改变激光强度以匹配人类的声音频率，将光束对准一系列可以接收语音命令的消费类设备的麦克风。
当他们使用60毫瓦的激光向16个不同的智能音箱、智能手机和其他语音激活设备“说出”命令时，他们发现几乎所有智能音箱都在164英尺远的地方记录了命令，这是他们测试的最大距离。智能手机范围略小一些：iPhone只能在约33英尺的范围内受影响，而两部安卓手机只能在约16英尺的范围内进行控制。
在第二个实验中，研究人员测试了他们技术的功率和射程限制，将其降级为5毫瓦的激光（相当于廉价的激光指示器），并将其距离目标设定为361英尺。尽管测试大多在该范围内失败，但他们发现仍然可以控制Google Home和第一代Echo Plus。在另一个试验中，他们成功地在附近建筑物内（距离250英尺），通过窗户向Google Home的麦克风传输指令。
在激光束上执行的“语音”命令将完全保持安静。观察者可能会注意到他们的麦克风上有一个闪烁的蓝点。阻挡声音并不等价于阻挡光线。只要激光能够穿过窗户激活语音系统，就会存在这一安全问题。
为了获得更大的隐身性，研究人员建议语音黑客可以使用红外激光，而红外激光是肉眼看不见的。（他们测试了红外激光，发现它可以在近距离内控制Echo和Google Home，但研究人员没有尝试更长的距离。）尽管语音助手通常会给出声音响应，但黑客可以发送初始命令将音量调低到零。虽然他们尚未对此进行具体测试，但研究人员还暗示攻击者可以使用轻命令触发亚马逊的“耳语模式”，该模式允许用户说出命令并以安静的音调接收答案。
当谈到麦克风将光解释为声音的实际物理原理时，研究人员得出了一个令人惊讶的答案：他们并不知道。实际上，出于科学严谨的考虑，他们甚至拒绝猜测是什么光声力学引起了这一轻声转换效果。
至少两种不同的物理机制可能会产生使光命令成为可能的振动。首先，一束激光脉冲会加热麦克风的振动膜，从而使麦克风周围的空气膨胀，并像声音一样产生压力颠簸。如果目标设备的组件不是完全不透明，则激光的光线可能会经过麦克风并直接撞击电子芯片，从而将其振动解释为电信号。这可能会导致与太阳能电池中的二极管以及光纤电缆末端相同的光电效应，从而将光转化为电或电信号。这很容易导致激光被当作语音命令处理。
理论并非只有一种，可能是多种物理现象在起作用。
潜在的黑客攻击包括从触发门锁和恒温器之类的智能家居控制，到远程解锁汽车等所有事物。它与所有语音系统都具有相同的威胁模型，但是具有异常的距离影响。您可以劫持语音命令。现在的问题是您的声音有多强大，以及您想要连接的设备是什么。
在这些修复或设计变更到来之前，来自密歇根大学的研究人员建议，对于那些担心攻击影响的人来说，有一个简单的经验法则：“不要把声控设备放在对手的视线范围内，不让他们能看到您的智能设备。

丽莎老师讲机器人之MIT的方块成精了！

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！
MIT研发出一种方块，这种M-Block 机器人可以自己组装成各种结构， 或许可以和麻将搭配使用，那样就不用自己动手掷骰子了。
设计精巧的内部装置使得 M-Block 可以完全自主旋转，像极了一只成精的骰子。
这些方块非常团结，能够紧紧地贴在一起。每个面上的磁铁使得 M-Block 可以彼此贴在一起。它们还会「轻功」，能够优雅地从一个队友跳到另一个队友身上。
一个优雅的后空翻，落地满分。有时它们也能勉强用作「俄罗斯方块」游戏：从队友身上爬下来。
这组「俄罗斯方块」的灵感来源于蜜蜂，据了解，蜜蜂出现于 1 亿多年以前，在同时期物种早已灭绝的今天，蜜蜂这个群体却靠着顽强的协作能力延续下来。
成群的、简单的交互机器人有解锁神秘力量的潜力，能够完成复杂的任务，但让这些机器人形成类似蜂群的思维还是一大难题。为了破解这一难题，MIT 的研究者想到了一种极其简单的方案：打造一组能够互相攀爬、后空翻并在地上快速行动的方块机器人。
经过历时六年的研究，这些机器人终于能实现彼此沟通了。它们的每个面上有类似条形码的系统，可以帮助其认出彼此。16 个方块组合在一起能完成一些简单的任务，如排成一条线、按箭头前进或追踪光源。
M-Block 可以按箭头方向前进。
每个 M-Block 内部都有一个飞轮（flywheel），每分钟转 20000 次。飞轮制动时使用角动量。方块的每一面和边上都有永磁体，使得任意两个方块都能附着在一起。
想象一下正在燃烧的建筑中楼梯无法通行了，在未来你或许可以通过丢出 M-Block，让他们自动搭建一个临时楼梯，以爬上屋顶或下到地下室营救受害者。
尽管内部机制非常复杂，但它的外部特征却很简单，这样设计能让块与块直接的连接更加牢固。除了检查和救援以外，研究者们还设想将这种方块用在游戏、制造和医疗保健中。
它的独特之处在于便宜且坚固，可以轻松拓展到百万块以上的规模。
对比一下看，此前的模块化机器人系统，通常使用小型机械臂单元模块来挪动，即使进行最简单的动作也需要大量的协调工作，仅仅一个跳跃动作就需要多个指令。
而且，在通讯方面，其他尝试使用红外线或者无线电波的并不怎么好用：如果某个区域内有多个机器人，并且他们都在互相发送信号，信号之间就可能会互相干扰。
2013 年，团队就搭建了 M-Block，他们创造了借助惯性移动的六面立方体。所以，与其说用活动臂来链接结构，不如说是这些方块内部有个「重量」，让它们「转向」结构的侧面，从而让方块旋转和移动。
每个模块在六个面的任意一面上时都能移动，最终生成 24 种运动方向。如果没有活动臂或者其他什么的来拨动方块，它们可能更容易避免碰撞，也避免受到损坏。
解决物理障碍以后，还有个严峻的挑战：如何使用这些多维数据集进行通讯，稳妥地标识出相邻模块的配置情况？
帮助机器人完成简单行动或任务的算法——这个让他们想到了「条形码」。在这个系统中，机器人就能感知到其他模块的身份和配置情况。
在一个实验中，团队让模块从随机形状重排为一条线，然后看这些模块是否真能确定自己的连接方式。如果不能，它们将不得不选择一个方向，并沿着这个方向不停滚动直到尽头。
最后，90% 的 M-Block 都能成功地排成一条线。
研究人员表示，他们在未来还将打造体积更大、功能更强的 M-Block 机器人。

丽莎老师讲机器人之美国宇航局将在月球着陆“找水机器人”

欢迎收听丽莎老师讲机器人，想要孩子参加机器人竞赛、创意编程、创客竞赛的辅导，找丽莎老师！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。
美国宇航局已经制定了计划，允许美国宇航员重返月球，并扩大对月球(以及随后的火星)的永久研究。美国宇航局将于2022年向月球发射一个高尔夫球车大小的机器人，以寻找地表下的水沉积物，这是在计划于2024年人类重返月球之前对重要资源进行评估的一项计划，届时宇航员可能会用月球水源来喝水和制造火箭燃料。
这种找水源的机器人简称VIPER，将在布满灰尘的月球表面行驶几公里，近距离观察美国宇航局局长吉姆·布赖登斯坦几个月来宣传的东西:月球地下“数亿吨水冰”，这可能有助于把月球变成未来人类登陆火星的起点。
“VIPER将评估月球水冰在哪里。我们将能够描绘水冰的特征，并最终进行钻探，VIPER的英文全称翻译过来是“挥发物调查极地探险车”。
这一机器人预计将于2022年12月抵达月球南极地区，搭载四种仪器对月球土壤进行采样，以寻找氢和氧的痕迹。氢和氧是水的基本成分，可以被分离并合成为计划中的商业月球运载火箭的燃料。
在美国宇航局位于加利福尼亚的艾姆斯研究中心，这一机器人正在开发过程中。机器人将记录“大约100天的数据，这些数据将被用来构建第一张月球全球水资源地图，”美国宇航局在宣布计划时说。
美国宇航局正在启动阿尔特弥斯计划，这是1970年代之后首次将人类送上月球的任务，目的是训练和证明稍后将用于火星登陆的技术。
科学家们将月球水视为实现宇航员登月任务的关键资源，尽管其形式和确切数量尚不清楚。上述机器人将致力于找出答案。
美国宇航局在2009年将一枚火箭撞向月球南极，以确认撞击后扬起的尘埃羽中月球水冰的痕迹。
在人类登月之后，月球逐步被遗忘，但是如今，人类对于月球的兴趣又重新被点燃。
马斯克和SpaceX公司正在研发星际飞船和大推力火箭，准备把人类送到火星上定居。而作为第一步，马斯克计划首先让人类登陆月球，建立永久性基地，并且作为前往火星的一个跳板。月球起飞的航天器也将为飞行中的星际飞船再一次补充燃料。