丽莎老师讲机器人之世界上最快的魔方机器人碰上世界上最复杂的魔方

丽莎老师讲机器人之去世后仍能与家人互动，美国作家将成为首位“数字人”

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。
 据《华盛顿邮报》报道，在人工智能技术和数字助理设备的帮助下，78岁美国作家安德鲁.卡普兰即将成为首个“数字人类”(AndyBot)，在云端上实现“永生”。
安德鲁.卡普兰的一生丰富多彩，20多岁时他是一名战地记者，后来成为一名成功的企业家，再后来又成为一名多产的间谍小说家、好莱坞编剧。
如今，这位已经78岁的老人同意成为世界上首位“AndyBot”，即创造一个虚拟的自己。如果一切顺利，即使在他的肉身去世很久之后，未来的人们也可以通过移动设备或亚马逊的Alexa等语音计算平台与他进行互动、向他提问、听他讲述故事，或是得到他的宝贵建议。
卡普兰表示，他并不追求永生。然而，他确实看到了成为一个数字人的另一个好处，即为他和他的后代们创造了一种亲密的个人体验。他说：“最终，每个故事都是寻找我们是谁，我们来自哪里，这也不例外。”“对我来说，这是关于我的历史，这种有限的‘永生’，为我和我未来的亲人们创造了一种亲密的体验，他们会想知道自己来自何处。”
随着数字文化的兴起，一批新兴的公司正在兜售某种近似于“虚拟不朽”的东西——在网上永久保存个人遗产的机会。
“HereAfter”(意为：来世)就是这样一家公司。该公司的座右铭——“永远不要失去你所爱的人”，刚好契合了卡普兰的想法。
卡普兰认为，成为“数字人类”能够让亲密的家庭纽带延续下去。他说：“我的父母已经去世几十年了，但我发现自己仍会想‘哎呀，我真的很想向爸爸妈妈寻求一些建议，或者只是为了得到一些安慰’，我认为这种冲动永远不会消失。”
“我有一个30多岁的儿子，我希望有一天这会对他和他的孩子有一些价值，”他补充道。
各种文化中都有缅怀逝去亲人的方式。专家们说，如果科技能够成功地创造出高情商的“数字人类”，那它可能会永远改变人类与电脑交互的方式，以及应对失去亲人创伤的方式。“AndyBot”可能成为世界上第一个有意义的例子，它提出了关于“不朽”和和“存在”等复杂哲学问题。
“HereAfter”公司由塔拉蒂和弗拉霍斯共同创办，前者自称是一名个人遗产顾问，后者是加州记者和谈话人工智能设计师。
两年前，弗拉霍斯以创建一个名为“爸爸机器人”(Dadbot)的软件程序而闻名。当时，弗拉霍斯得知他的父亲即将死于癌症，因此，他将自己与父亲的谈话、聊天用摄像机录下，然后用计算机语言训练出一个可以和他对话的人工智能——“Dadbot”。通过这个程序，弗拉霍斯可以与逝去父亲的计算机化身进行互动，可以和他谈论生活、闲聊等。
自从“爸爸机器人”在社交媒体上广为传播之后，弗拉霍斯决定开辟一个尚未开发的“数字人类”市场。目前，弗拉霍斯正在构建一个更复杂、更人性化的虚拟数字模型，以便人们与逝去亲人的虚拟形象进行互动。
“想象一下，你可以站在厨房里，大声呼唤已故的母亲，然后立刻得到她的回答，”他说，“能听到我们所爱之人的声音是一种美好的感觉。”
同样正在创造虚拟“数字人类”的萨奇表示，与数字人类互动不仅是不可避免的，而且是人类与技术互动的下一个飞跃。他认为，数字人最终将取代安卓和iOS系统。他说：“你可以和数字人一起玩游戏、点餐、消磨时间或学习一门语言——或者做任何你通常和朋友一起做的事情。”
不过，弗拉霍斯也承认，这个技术的发展还需要至少数年、甚至数十年的时间。他的目标是实现一个更现实的短期目标，即让“数字人类”能够分享关于他的一生的故事。

丽莎老师讲机器人之比蚂蚁还小的微型鬃毛机器人

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。
美国佐治亚理工学院的研究团队最新创造了一种新型微型3D打印机器人——鬃毛机器人，长 2 毫米，宽 1.8 毫米，厚 0.8 毫米，重 5 毫克的机器人， 比一般的蚂蚁都还要小。
它的长度为2毫米，重量为5毫克，相当于世界上最小的蚂蚁。尽管这些机器人受制于小尺寸的物理局限性，但是它们仍然可以在一秒钟之内覆盖四倍于其自身长度的区域。
如何跑、跳、自主发电？鬃毛机器人依靠振动来解决机器人运动这个难题。
当外界致动器产生振动（这种震动可包括超声波、声纳源，甚至来自微型的扬声器等），迫使它的弹力腿向上和向下移动，推动微型机器人向前进。
每个机器人可以根据腿的尺寸、直径、设计和整体几何形状，被设计用于响应不同的振动频率，而振动的幅度则可控制微型机器人运动的速度。
目前，这款机器人有两种版本，一种有四只脚，另一种则有六只脚。
在使用压电制动器的情况下，压电制动器在受到电流后会产生振动，进而驱动机器人的行动；反转过来，当压电制动器受到振动，也可以产生电流，那么它就完全实现了自主发电，自主运动的功能。
同时，研究人员也可以利用振动来支配单个机器人进行运动。因为一般以磁力驱动的微型机器人，虽然磁场可用于集体控制，但磁力无法轻易地控制个别机器人。
显然在这点上，鬃毛机器人很有优势。
机器人由粘贴在聚合物身体上的压电致动器组成，聚合物身体由双光子聚合光刻（TPP）技术3D打印而成。
想象下，当一群鬃毛机器人一起工作时，他们能感知环境的变化、能移动材料，在未来或许还能用于人类医疗，修复人体内的损伤。
目前研究团队正在通过将两个稍有不同的微型鬃毛机器人连接到一起，为机器人增添转向功能。因为每一个连接在一起的微型机器人都会响应不同的振动频率，组合起来就可以根据不同的频率和幅度来实现转向。
这些小机器人现在在实验室里虽然走得不错，但想要走到真实的世界，还需要一段很长的时间。一旦拥有了一个可完全控制转向的微型机器人，将衍生出来无数可能性！

丽莎老师讲之费奥多尔报到！类人征战太空。

欢迎收听丽莎老师讲，想要孩子参加竞赛、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。
搭载俄罗斯首位类人宇航员“费奥多尔（Fyodor）”的“联盟MS-14”号飞船与国际空间站对接成功，这个酷似“终结者”的终于到工作岗位“报到”了，只是相比原计划迟到了两天。
8月22日，俄罗斯“联盟2.1A”火箭和“联盟MS-14”号宇宙飞船组成“联盟”套装，成功将“费奥多尔”类人送上太空。但上天只是任务的第一步，“费奥多尔”的最终目的地在国际空间站。
按照原计划，“联盟MS-14”号飞船将在8月24日与国际空间站交会对接，之后由空间站中的俄罗斯宇航员进入飞船“取货”，将“费奥多尔”拖进去。但是，在对接的关键时刻——飞船与国际空间站距离只有100米时，自动飞行的“联盟MS-14”号飞船开始徘徊不前，首次对接以失败告终，飞船退出到安全距离之外。
随后，研究人员发现失败的原因不在飞船，而是空间站的对接点存在故障。好在庞大的国际空间站不仅有一个对接“停车位”，俄航天部门随即推出了二次对接方案：首先由宇航员将连在国际空间站“星辰”号服务舱的“联盟MS-13”号飞船挪到别的对接点，空出一个最佳“停车位”；之后“联盟MS-14”号飞船再过来“停车”。根据这一方案，8月26日，交会对接终获成功。
按计划，“费奥多尔” 将在国际空间站执行四项任务，包括使用特制海绵清理空间站外壳与舷窗；在工作区用手电筒为宇航员照明；使用钳子等工具截断电缆；插拔空间站供电系统专用快速交联插塞式连接器。
“费奥多尔”高达1.8米，重约160公斤，造价超过3000万人民币，长相酷似电影中的“终结者”，是俄罗斯“费多（Fedor）”系列的最新版本之一，采用了特殊的抗振材料和控制运动的算法，避免意外损坏国际空间站。
据报道“费多”大约由15000个部件组成，基于Linux的实时操作系统运行，可用普通插座充电，充满后足以工作一个小时。
“费多”已经有多年的发展历史，其最初由俄罗斯版国防工业高级研究基金会与紧急情况部委托安卓技术公司开发，主要目的是用于灾难救援。后来，俄罗斯国家航天集团公司“相中”了它，并支持安卓技术公司研制太空版本。
之后，安卓技术公司推出了“费奥多尔”的前身——“SAR-401”。该在加加林宇航员培训中心进行了多年测试，能够完成50多种太空作业。不过，“SAR-401”并非依靠自我决策，而是需要宇航员穿戴特定的传感器，做出行走、抓握、攀爬等动作，远程控制其运动。俄罗斯曾计划在2015年将“SAR-401”送上国际空间站，但并未成行。
“费多”并非只能模仿人的动作，而是具备自我学习能力，能够训练自己自主运动。其装备了麦克风、GPS全球导航卫星系统、测距激光、摄像机、热像仪和特殊的自定位系统，用于收集环境信息和运动参数等数据。
最新的“费奥多尔”在太空失重环境中表现如何尚未可知，但“费多”家族在地面上的能力已经令人“瞠目结舌”。它们可以分辨典型的物体和工具、识别障碍物、打开车门、操作电钻，并在自动设置下驾驶汽车和全地形车辆，甚至能够双手同时开枪。
国际空间站上会经常碰到一些麻烦事儿，比如某块太阳能电池要更换、某个舱外设备要维修等，宇航员不得不穿上笨拙的舱外航天服出舱“太空行走”，开展长达几个小时的工作。但是，对宇航员来说，每一次出舱都是一次冒险；对空间站任务来说，每一次出舱都将消耗大量保障资源，缩短补给周期，提高运行成本。
有很大的潜力，它们可以在空间站外执行很多任务。”如果用替代宇航员出舱工作，上述问题自然迎刃而解。
此外，太空可代替人类“被实验”。以此次发射为例，“联盟2.1A”火箭装备了新的数字飞行控制系统和升级的发动机，用于取代使用了数十年的“联盟FG”火箭。“联盟2.1A”将在2020年3月执行首次载人任务，此次发射是关键试飞。“费奥多尔”的一个重要任务就是监测和报告飞行中的情况。据悉，俄罗斯计划在2022年试飞“联邦号”载人飞船，“费奥多尔”也将成为首批“乘客”。
此前，NASA曾向国际空间站“派出”过有头和胳膊、却没有腿的“航天员2”，近期又送去了代号“蜜蜂”的飞行。欧盟和日本也曾送去过能“聊天”的小型。但是，无论从体型、外表还是功能看，“费奥多尔”都是最类人的一个，也是最有可能执行舱外任务的。

丽莎老师讲机器人之制导炸弹应用人工智能，目标被盯上就跑不掉了

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！欢迎添加微信号：153 5359 2068，或搜索微信公众号：我最爱机器人。
以色列国防公司宣布，其研制的Spice炸弹现在有了一项新的突破，在自动目标识别的基础上，加入了人工智能和场景匹配技术，这种技术在车辆识别和监控识别等民用场合广泛应用。
SPICE是智能，精确，影响和成本效益的首字母缩写。SPICE弹药有三种型号：SPICE-2000、1000和250。SPICE-250重约113千克，是SPICE系列采用人工智能技术的最新版本。
Spice 250可以通过集成了双向数据链的SQR智能四联挂架挂载在F-16等战机机翼下，弹头重75公斤，弹翼可展开，最大射程100公里。
Spice 250的光电场景匹配技术包括将地形数据通过数据链上传到炸弹上，并将其与实时光电图像相结合，使该武器可以在失去GPS导航信号的环境下工作。制导炸弹可以利用这种自动导航功能来导航和纠正位置。
SPICE-250的新自动目标识别能力是一项技术突破，凭借其人工智能和“深度学习”技术，使SPICE-250能够有效地学习的特定目标特征，识别移动地面目标，并将其与其他物体和地形区分开来。当这种武器识别一个车队时，它就会通过“学习”到的特征值将感兴趣的车辆与其他车辆区分开来，从而锁定真正的目标。
深度学习算法与实际数据无关，用于对感兴趣的目标进行建模，并将其相关特性嵌入到系统中。而且，用于建模的数据越能代表感兴趣的目标，识别概率在实际中就越强。
目前已经完成了Spice 250的开发和测试阶段，包括飞行测试，完成了ATA（自动目标搜索）和ATR（自动目标识别）算法的验证，证明技术已经成熟并且能够交付。
如果计算机无法找到最初的人为目标，ATR（自动目标识别）算法是否会选择第二个目标？这涉及到用户定义的交战策略和规则领域，这可以由用户决定如何使用武器，何时何地使用，以及如何定义目标识别概率及其可能性。如果客户对二级目标表示出很大的兴趣，自动选择二级目标最终可能成为弹药升级配置的一部分。
通过双向数据链接和视频流功能，制导炸弹可以在“武器击中目标前几秒钟”中止或重新瞄准。这种双向数据链，由SQR智能四联挂架实现。
SQR智能四联挂架会自动记录包括实时流媒体视频或在命中前整个寻的阶段的一系列静态图像。这些信息有两个作用：
(1)实时监控和任务后目标毁伤情况(BDI);
(2)任务后目标数据提取，更新信息系统数据等。
自动目标识别（ATR）的能力，包括其深度学习更新，ATR准确识别和摧毁目标的能力必须比敌人隐藏、伪装能力更敏捷。
SPICE-250炸弹在发射前都会通过飞行员分配目标和相关信息。当接近目标区域时，武器使用自动目标识别来检测和识别目标。在自动目标识别软件辅助下，每个武器都估计预定的目标。
除了更大的射程外，SPICE-250的小尺寸可配备通用或穿透弹头，允许单架战斗机携带多种武器，大大提高了多功能性。小弹头也减少了附带损害。一架F-16战斗机最多可携带16枚SPICE-250炸弹。

丽莎老师讲机器人之人工智能为什么一定要有身体？

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。
人类是一种具备丰沛想象力的生物，无论是对自我还是他者，对过去还是未来，皆是如此。当面对“人工智能”这种新事物时，人类的这一点特性体现得尤为明显。
早在希腊神话中，诸如“黄金机器人”这样的智能机器就已经出现。传说火神赫准斯托斯为了招待上帝，通过金属加工和手工工艺铸造了24个铜三脚架，它们能够凭借金色的轮子自我驱动、四处走动，这便是人工智能最早的雏形。
而在今天，人类对人工智能的想象依旧狂热。从《终结者》、《银翼杀手2049》，到《机械姬》、《战斗天使阿丽塔》，大量的科幻作品向我们展示了人工智能的未来形态：它们不仅是超强智能的化身，更是形似人类并且具备自我意识的情感动物。
但也有一种声音认为，迄今对强人工智能的幻想未免太缺乏想象力：当超级智能已经无所不能之时，为何还会受到“肉体”的限制？表面看起来，这样的质疑不无道理，人类对AI形态的构想似乎仍受自身经验和认知水平禁锢——人有躯体，那么未来的人工智能也一定会有躯体。倘若AI能摆脱实体桎梏，以类似于数据的形式存在，那么它无疑将更加空灵自由，能力也会更为强悍。
不过，越来越多的证据表明，“身体”恰恰是人工智能发展、进化必不可少的关键基础。随着认知科学的迅速发展，“具身认知”理论得到AI科学家重视，并由此促成人工智能研究的具身性转向。这一转向极为重视“身体”对于人工智能的作用，以此为突破技术发展瓶颈带来曙光，并成为迈向强人工智能乃至超人工智能的关键一步。
人工智能为什么一定要有身体？
一、定义“什么是人工智能”
对于“什么是人工智能”这个问题，人类总喜欢拿自身情况和认知水平去类比、衡量。循着这一思路，似乎只有那些能够突破人类能力瓶颈——即解决人类都难以攻克的复杂问题、拥有超高速计算能力的才被视为“人工智能”。
实际上，这种主宰了AI研究界数十年的理念并没有真正理解“智能”的含义。
这一理念也直接导致人类在弱人工智能领域踌躇过久，而在强人工智能领域长期毫无建树。在20世纪五六十年代，研究者表现出相当乐观的情绪，他们认为具备完全智能的机器将在二十年内出现。然而，许多个二十年已经过去，就现实中人工智能领域的发展状况而言，尽管相关技术取得巨大进步，但相较于过往的美好愿景仍然差距甚远，“完全智能”的实现仍遥遥无期。
早期科学家们之所以预测真正的人工智能很快就能出现，其乐观源于一个事实：彼时的智能程序已经能成功解决复杂的代数问题和证明几何定理，并且可以像专业棋手一样下国际象棋。逻辑似乎很简单：对于普通人来说，无论是代数几何，还是高超棋艺，都是极具挑战性的任务，所以就被视为“智能”的象征；而诸如识别一张桌子和一束花，或者是用腿自由行走，这些行为属于“常识”或“本能”的范畴，根本就不需要动用“智能”。以此推论，当机器能够轻易解决数学推理等困难问题时，那相对容易的任务自然就更不在话下了。这是古典人工智能主义时期通行的想法，在很长一段时间内，人工智能的发展方向受其统摄，研究者通过攻克一道道技术难题，来证明AI的“智能”程度正在不断深化。
但这种想法逐渐被证明是错误的。因为时至今日，尽管人工智能已经能轻易打败人类最高明的棋手，图像识别、逻辑推理等技能更不在话下，但是我们仍然不得不承认一个事实：现在的人工智能并不是真正的“智能”——它们仍需人类提供数据、设立模型、给定程序和架构，并且只在特定领域、特定规则的限制下才能发挥作用。在此情形之下，AI所作出的种种行为，实际上并不是自我思考的产物，而是程序机械化运作的结果，它不会真正进行自我判断，更别说拥有直觉、感知、意识、情感等人类才有的属性。可以说，古典人工智能主义错误理解了“智能”的本质。
其实早在1980年，就有科学家对这一问题进行了阐释。汉斯·莫拉维克等人发现，与刻板认知不同，人类所拥有的高阶能力（比如推理）只需要非常少的计算能力，相反，一些无意识的技能和直觉却需要强大的运算能力。莫拉维克指出，“要让电脑如成人般下棋是相对容易的，但是要让电脑有一岁小孩般的感知和行动能力却是相当困难甚至是不可能的”。这一发现被称为“莫拉维克悖论”，它揭示罗人工智能所进行的那些看似复杂的“智能任务”，其实与真正的人类智能并无可比性。
“人工智能之父”马文·闵斯基也认为：对技术人员来说，最难以复刻的人类技能实际上是那些无意识的技能。某种程度上，在人工智能领域，迄今为止已经攻克的逻辑问题反而是最无关紧要的，因为这些问题很容易通过机器进行解决，但人类的一些简单行为，实际更难实现。比如，一个几岁的婴儿就能轻易辨识人脸、随意走动、自发性地哭闹喊叫，但这些看似简单的人类智能行为，对AI来说却远比登天还要困难。
二、“身体”对人工智能缘何重要？
其实前述讨论所围绕的主线，还是关于AI智能程度的差别。2017年，密歇根州立大学的Arend Hintze在《理解AI的四种类别》一文中，提出了广为认可的“人工智能四级分类法”：
1.响应式：AI无法产生记忆，不能利用过去的经验进行决策，它们只为完成特定任务所设计，不能胜任其他任务，这是最基本的AI类型；
2.有限记忆：AI的当前行为能够参考刚刚发生的事件，但记忆是瞬时的，无法用于未来决策；
3.心智理论：这是一个心理学术语，处于此阶段的AI能够根据他人的行为推导并理解其想法和动机，这一类型的AI能够归纳出周围环境和预知交互的其他表征；
4.自我意识：AI的终极能力。
从程度上看，现阶段的人工智能在第一、二阶段进展已足够迅速，勉强能实现第三阶段的部分功能，而第四阶段还遥遥无期，因为它显然属于“人类智能”的范畴。Hintze的四级分类法也遭到了一些批评，原因就在于第三、四阶段之间的鸿沟显然太过巨大。
其实早于Hintze，更为通行的分类方式是“弱人工智能”和“强人工智能”，二者也是在智能程度上有所差别。弱人工智能主要是作为辅助人类的工具，它能在特定领域、特定规则的限制下进行系统阐述和检验工作，但它并不能实现真正意义上的推理与解决问题，因此不具备真正的“智能”，我们现在所能见到的AI，基本都属于弱人工智能的范畴。相较于此，强人工智能就不仅仅是工具的角色了，它具有知觉和理解能力，甚至拥有自我意识和价值观体系，在某种意义上，它本身就是一种与人类并存的全新文明。
谈及弱人工智能和强人工智能的区分，必须提到哲学家约翰·塞尔。他通过著名的“中文屋实验”，发现计算机程序纯粹是按照句法规则组织起来的，尽管机器可以做到对人类行为的高度模拟，甚至在某些地方可以超越人类，但它却是没有理解能力的，不能像人一样进行认知活动。这一发现揭示了彼时人工智能的瓶颈。
为此，塞尔引入“意向性”概念，用以解释人类智能与人工智能的区别（实际也是强人工智能与弱人工智能的区别）：“人的一言一行在多数情况下都是由自我意识引导完成的，积极而主动；而机器所做的每一件事都需要人事先制定好，机械且被动”。“意向性”就是划分主动与被动的界限。
根据塞尔的定义，“意向性”是某种心理状态的特征，此种特征使心理状态指向或涉及世界中的客体或事物状态。换言之，真正的“意向性”产生于与世界的交互，从环境系统和客观事物中生成。这种“交互”是人类意向性的基础，它使人类获得对世界的理解与感觉意识。
如果机器要实现真正的智能，首要解决的问题就是海量背景知识的学习，其中包括各种常识，也包括世界运作的方式。这些知识是无穷无尽的，并且难易体系化，除非AI能够实现摆脱人类给定数据意义上的、真正的“自我学习”，否则永远无法掌握这些背景知识。
而感觉意识，也缘于与世界的交互。比如“辣”这种感觉，源于吃辣的食物时舌尖上的痛感，红色辣椒、满面通红的视觉，以及极具刺激性的嗅觉等等，它们共同组成了我们对“辣”的认识。它不仅是一种生理性的感受，更源于我们与客观事物的真实交互，进而将这种综合性的感知内化为脑中的意识，并作为指导所有行动的先验性标准。
而人类与外部环境、客观的交互，都需要由“躯体”这个中介来完成。但AI是没有“躯体”的，它只能和人类给定的数据交互，却不能从与环境的互动中获得“常识”，也就不会形成自我感受和意识。反言之，如果要让AI具备意识，首先就要赋予它一个可以自己控制的躯体，并像普通个体一样融入物理世界与人类社会。
三、具身性与强人工智能
让人工智能拥有一个“身体”，这是具身性人工智能研究路径的主要观点。此路径的生成依托于20世纪五六十年代兴起的“认知科学革命”，并直接受其中“具身—生成取向”的影响。这一取向所主张的“具身认知”假设，认为认知过程和思维过程并非是在智能体内部发生的，而是发生在智能体与环境的自适应交互之中。
AI科学家吸取“具身-生成取向”的理论核心，形成了人工智能研究的“行为学派”，关注智能体与环境的互动。早在数年前，行动学派的坚定支持者罗德尼·布鲁克斯就提倡制造一种没有辨识能力，只有感知和行动能力的机器。他将这个机器称为“新人工智能”，是完全跳脱传统定义的人工智能。
布鲁克斯认为，为了使机器人获得真正的智能，必须实现它的“躯体化”。借助于这具躯体，它能够自主移动、生存、同这个世界交互，进而感知、思考、生成意识。在布鲁克斯看来，这个世界就是描述它自身最好的模型，它包含所有研究所需的细节，而理解它的诀窍就在于亲身接触、亲身感知。
布鲁克斯的做法体现了具身认知论的思想核心，即从基础开始模拟人类，进而使机器获得媲美“人类智能”的自主思维能力——通过“自下而上”的路径，构造出真正的人工智能。要知道，日常生活世界远要比科学世界庞大、复杂得多，其蕴含的数据资源和知识资源，纵使有再多数据库也无法完全覆盖。古典人工智能主义在忽略“躯体”要素的同时，实际上也忽略了外部世界诸多丰富的细节，以此为主导制造的大多数计算机程序，除了编程者的控制指令，并没有与这个世界真正建立起联系。
人工智能的具身性转向，要求AI具有物质意义上的感觉器官，藉此外部世界提取信号；与这些感觉器官相连的是分层存储系统，它们与人类大脑皮层工作原理类似，能够存储从外部交互中获得的信号。通过反复训练，AI就能够通过感官系统和记忆系统构建起它自身关于世界的模型，进而能够依据过去的经历进行类推，并对未来事件做出预测，为新问题提供解决方案。这条路径，正是完美地模拟了人类意识的生成方法。此时的人工智能，如果按照Hintze的四级分类法来衡量，就已经突破了第三阶段并向拥有自我意识的第四阶段迈进。
这条路径的发展比想象中要快得多，以罗德尼·布鲁克斯为例，他在20世纪90年代就已经设计出实体化的“火星机器人”。而科技公司Willow Garage开发的Personal Robot 2机器人也是具身性人工智能的重要标志，它拥有两条手臂、可开合的夹爪，头部、胸部、肘部上安装有高分辨率摄像头、激光测距仪、惯性测量单元、触觉传感器等，PR2能够借助这些设备直接感受物理世界信号，由于采取了模糊决策控制，因此PR2不需要编程就能学习新事物。前段时间，引起诸多讨论的“机器血液”也是其中一环，它由康奈尔大学等机构研发，本质上是供机器人使用的液体电池，但它既有能量存储，又有动力传导的功能，除供电之外，还能够以液压的形式控制机器人运动姿态。
美国未来学家雷蒙德·库兹韦尔曾经提出“奇点”理论（the Singularity）。该理论预言，在2045年，强人工智能会出现，并具有幼儿智力水平，这就是“奇点”时代。而在这个节点来临后的一个小时，人工智能就能立刻推导出爱因斯坦的相对论以及其他作为人类认知基础的各种理论；一个半小时后，这个强人工智能将进化为超级人工智能，智能瞬间达到普通人类的17万倍。
我们能够大体理解，为何人们在强人工智能这个方向迟迟不能推进，一方面确实是现实需要不足且技术手段受限，而另一方面，以“奇点”理论为代表的诸多预言以及各种科幻电影的负面呈现，它们所预示的技术脱离人类控制、AI对人类的替代，使恐惧心理、忧虑心理始终环绕在人工智能的发展过程中。

丽莎老师讲机器人之人工智能更好地应用于医学影像的四个要点

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。
研究表明，人工智能能在多个层面影响医学成像领域。从检测肺癌以及放射科通过肾活检预测肾功能，机器学习和深度学习算法已经证明了它们在改善影像学诊断和患者护理方面的潜力。
然而，人工智能的前景也伴随着挑战。使用该技术可能产生意想不到的后果，包括病人安全问题、工作流程混乱和无意识偏差。
美国国立卫生研究院（NIH），北美放射学会（RSNA）和放射学与生物医学成像研究院讨论了在医学成像中推进AI使用所需的步骤。在美国放射学学会期刊上发表的一份新报告中，描述了将人工智能纳入日常护理的首要任务。
与其他从最初的研究转化为广泛临床实践的新技术一样，需要认识到将人工智能应用到临床治疗将面临着全新的挑战。
了解这些新挑战的本质、潜在的缓解策略，以及精心构思的研究路线图，确保人工智能算法的开发能有效地转化为临床实践，这些都是至关重要的。
医疗行业如何加快人工智能在医学成像中的应用，并将这些算法从研究转化为日常临床护理
1、开发标准化使用用例
迄今为止，人工智能在医学成像方面的用例与现有已应用的可比较的算法相比缺乏标准的输入和输出。由于算法可能需要运行在本地服务器或云服务中，因此需要制定一种标准的方法来接受算法处理的输入和输出。
而且，如果没有制定出针对人工智能用例的标准化输入和输出，培训和测试开发标准数据集就会变得更具挑战性，最终输出的算法会造成同一个病例会显示不同的结果。
“理想情况下，人工智能用例需要使用一种相同的格式来开发，这种格式可以将人类对算法应该做什么的叙述描述转换为机器可读语言，比如使用定义明确的数据元素的可扩展标记语言或JavaScript对象表示法。
结构化用例可以帮助人工智能算法在准备投入临床使用之前创建验证标准，而医学成像领域的应用可以帮助其实现标准。
医学影像中的医学专业、学术机构和放射科医生会对人工智能发展产生积极影响,他们都需要参与到这些结构化的开发用例创建通用标准和结构以及建立特定的人工智能用例中。这些案例可以帮助人工智能算法建立相同的定义和开发可实践的临床治疗的方法。
2、建立数据共享方法
为了开发高性能的人工智能算法，模型将需要对包含适当注释或丰富元数据的高质量数据集进行学习。尽管围绕这个主题开展了很多创新，但该组织表示，这些创新主要发生在数据丰富的组织，这些问题可能会限制信息的广泛可用性。
隐私问题将会限制类似机构公开患者数据，而这些情况将阻碍人工智能的发展。
加快公开可用数据集的发布，以及帮助人工智能能更快地被应用于临床实践中，并保证在使用患者数据的同时还能保证数据的安全性的同时还能获得更多样化的数据至关重要。
3、评估临床实践和基础设施需求
目前缺乏将人工智能算法的结果展示在临床工作流程的用户界面，这限制了人工智能模型在临床的广泛应用。IT开发人员将需要创建一个高效的用户界面和用户体验设计，以便人工智能能与现有的临床工作流工具集成，以加速人工智能的使用。
此外，开发人员需要为健康IT系统之间的通信建立与供应商无关的互操作性标准。
理解基础设施的需求，包括定性和定量分析人工智能将如何在临床实践中的部署——无论是本地的还是基于云服务的——将是数千种人工智能算法能在实际临床实践中使用的关键。
医学影像界必须参与评估临床实践和基础设施需求，并与美国国家科学基金会和NIH Connected Health Initiative等现有标准机构合作，寻找有助于在临床实践中采用人工智能的解决方案。

4、确保技术安全准确
医疗领域的利益相关者应该与IT开发人员、政府机构和公众组织合作以确保人工智能算法的精准、减少无意识偏见和保障患者的安全。要做到这一点，利益相关者需要使用包含人口统计学和技术多样性的数据集来验证人工智能算法。FDA等联邦机构将需要在验证人工智能模型以确保患者安全方面发挥关键作用。
FDA监管着一系列广泛的医疗成像设备、计算机辅助诊断软件和其他算法，为医疗从业者提供决策支持。

很早就认识到整个卫生保健领域数字化将会迅速增长，以及监管能够检测和分类疾病过程的计算机软件的重要性，一直在发布软件计算机辅助检测和计算机辅助诊断的监管指导。
医学成像领域的临床医生将是推动跨行业合作向前发展的关键。
“为人工智能算法的验证和监控创建模型，并将无意识偏见最小化，将需要研究人员、行业开发人员和政府机构之间的合作。医学影像界应在促进这些合作方面发挥主导作用。
尽管有很多障碍需要克服，但人工智能在改善诊断和基于图像诊断方面的应用前景广阔。在未来，行业利益相关者将需要共同努力，确保技术是安全、有效和高效的。

丽莎老师讲机器人之球轮机器人

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。
美国卡耐基梅隆大学（Carnegie Mellon University，以下简称CMU）的人形“球轮”机器人，它不仅是全球第一款以球为足的机器人，而且还是唯一有手臂的球轮机器人。
所谓“球轮”机器人，是指机器人移动依靠的不是常见的双足或轮子，而是一个圆球作为移动的驱动器。它是一个能够在圆球上保持平衡的机器人。
全球第一款以球为足的机器人Ballbot
第一个球轮机器人早在 2005 年由CMU机器人研究所的 Ralph Hollis 教授和他的开发团队成功研制的，被称为CMU Ballbot 。该机器人在 2010 年获得了发明专利 。球轮机器人的名称Ballbot 由此而来，并成为了机器人家族中球轮机器人的一个代名词。
Ballbot 的大小与成年人体形大小相当。该机器人除了可以保持动态直立平衡外，机器人底部设计的可收放的三条腿，还能够保证机器人在无动力的情况下保持静止稳定。
机器人良好的控制算法使得它还能够很好地承受包括踢和猛推在内的外部冲击，并且可以抵抗住与周围环境中的墙壁或者家具间的撞击。除此之外，机器人还具有与人交互的能力，例如对人的检测、学习和跟随等， 以及能够实现快速优美的运动。同时机器人研发小组还验证了机器人在室内环境中点对点自主导航和侦查任务。
2011 年，研究人员为机器人安装了一对具有二自由度的胳膊，这使得 CMU Ballbot 成为全球唯一一个具有手臂的球轮机器人。 如今，这款Ballbot的手臂有7个自由度。
日本东北学院大学在 2008 年成功研发了BallIP 球形轮机器人。机器人被用于搬运重物，并成功验证了该机器人的相互协作能力。
 2010 年，苏黎世联邦理工大学机械工程专业的学生开发了 Rezero 球轮机器人，并在 TED 大会上展示了他们的作品 。Rezero 主要实现了球轮机器人快速机动的运动特性。

丽莎老师讲机器人之机器人隐形眼镜

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。
来自加州大学圣地亚哥分校的研究人员已经开发出一种由眼球运动控制的机器人隐形眼镜，工作原理是模仿人眼的自然电信号。
这些信号被称为“电子眼图信号”，即使你的眼睛是闭着的，它们也能让你移动眼球。
即使你的眼睛什么也看不见，很多人仍然可以移动眼球，产生这种电子眼图信号。
隐形眼镜是由聚合物制成的，当施加电流时聚合物会膨胀。
这种电流由眼睛周围的五个电极提供，它们的作用类似于肌肉。

当聚合物变得更加凸出时，镜头就会变焦，这意味着未来用户只需对着物体眨一下眼睛就能把它变焦。
目前研究中开发的系统有潜力在未来用于视觉假肢、可调节眼镜和远程操作机器人。
这将为一系列令人兴奋的应用打开大门，比如：假眼、眼控相机。
遗憾的是，目前还不清楚机器人隐形眼镜什么时候可以买到，也不清楚它们的价格。

丽莎老师讲机器人之哪些机器人可用于垃圾分类？

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。
从上海、西安等城市正式实施 《生活垃圾管理条例》。尽管垃圾分类已经开始“强制”执行，但很多居民反馈，看了那么多的垃圾分类攻略，扔垃圾时仍然常常难以分辨自己的垃圾该归为哪类，在居民误投的情况下还是依靠环卫工人手动把垃圾分好类。
但垃圾分类是一项工作量巨大、过程重复且枯燥的工作，工人需要用手将可回收的物品从大量垃圾中拣选出来，不但不卫生，也存在一定的危险。要处理数量庞大的垃圾，就意味着工人需要长时间进行工作，对工人的体力和精神力都是一项较大的考验。
随着人工智能和物联网等先进技术的迭代升级，未来会不会有专门分辨、分拣和处理不同垃圾种类机器人融入我们的生活，让我们不再每天接受“你是什么垃圾”的灵魂拷问？
其实一直以来，都有机器人公司推出物品分类的机器人，虽然没有直接应用在垃圾分类上，但是其中还有有很多值得借鉴和参考的地方。在识别技术上，他们有的用“眼”看，有的靠“手”摸，还有的靠“耳”听完，再用“嘴” 告诉你该归为那一类垃圾。
FANUC LRMate 200iD：能实时识别上百种材料
在2017年，发那科（Fanuc）申请了一项名为“一种基于深度学习的料框内散乱多物体机器人分拣方法”的发明专利（申请号：201711194494.1），申请人为上海发那科机器人有限公司。
这款分拣机器人型号是LRMate 200iD，当时主要功能其实并不是拣垃圾，而是面向现代智能制造和仓储物流行业的视觉分拣工业机器人。主要用于解决流水线上频繁变更的零件种类、零件的混装和相互遮挡以及分拣对象的不确定性。
发那科基于深度学习的料框内散乱多物体机器人分拣系统模型。其中包括RGB-D摄像头和具有六自由度机械臂的机器人，在每个机械臂的末端设有吸盘手爪。
后来人们发现，“哎，这个机器人很适合去分拣垃圾呢！”于是以FANUC LRMate 200iD型号机器人作为主体发布了垃圾分拣机器人Waste Robot，利用视觉分析系统对物品进行跟踪和分类的方式，也是市面上分拣机器人比较常用的。
这类机器人，如果单枪匹马进行分拣操作效率较低，速度较慢，也有很多物品被遗漏了下来。但在实际流水线工作中，多台机器人同时进行工作，遗漏下来的物品就微乎其微了。
FANUC为其分拣机器人设计了一套新技术，叫做W.A.R，即Waste Robotics Autonomous Recycling Technology（废旧物品自动回收技术），主要分为这些步骤：
1）将包含若干种散乱堆放物体的料框放置于所述RGB-D摄像头的视野范围内，所述RGB-D摄像头对所述料框的边缘进行视觉检测以确定所述料框的范围；
2）在所述料框的范围内选取若干可分拣候选区域，将每一所述可分拣候选区域的图像和深度图输入CNN分拣预测网络以判断是否为可分拣区域，并将所述可分拣区域的中心标记为可分拣点；
3）记录所有的所述可分拣点，通过聚类算法选取较优的所述可分拣点，计算较优的所述可分拣点的法向量，并结合所述法向量、所述机器人的可达位置、所述料框的防碰撞剔除不合格的所述可分拣点；
4）从剩余的所述可分拣点中随机选择一所述可分拣点，通过所选择的所述可分拣点的坐标和法向量控制所述六自由度机械臂和所述吸盘手爪分拣所述可分拣点的物体；
5）重复所述步骤2）至所述步骤4），直至所述料框内的物体分拣完成。
这其中要依赖的，就是深度学习方法中的CNN模型，来对于RGB-D深度摄像采集到的数据进行识别。CNN分拣预测网络包括CNN网络构建、训练数据库的搜集、CNN网络权重的学习和CNN网络预测。
其中，训练数据库的建立方法包括：拍摄所述料框内的待分拣物体散堆状态照片，人工选择出若干所述可分拣候选区域。
自由度机械臂和所述吸盘手爪的实际分拣结果将人工选择出的若干所述可分拣候选区域的RGB图像和深度图分别标记为可分拣或不可分拣，并以此建立一个独立样本，搜集若干独立样本作为数据集。
训练数据库的建立方法还包括数据增多方法：以可分拣候选区域的中心为圆心，每10°采样一次，分拣标签不变。CNN网络权重的学习方法包括：将采集的数据集分为训练集和测试集，对训练集的数据采用随机梯度下降法优化所述CNN网络权重，用测试集的数据测试CNN网络准确率。
目前，FANUC的Waste Robot已于政府废品管理进行了合作，离正式进入家庭或小区使用，应该也不会太远了。
MIT RoCycle：以手替眼判断更精确
美国麻省理工学院（MIT）计算机科学和人工智能实验室最近和耶鲁大学也联合开发了一款分拣机器人RoCycle，与FANUC的分拣机器人不同的是，这款机器人并没有使用视觉分析系统，而是使用了触觉作为检验材料的方法。
研究人员表示，视觉分析系统在进行分拣时可能会出现误差，比如在分辨两个外表几乎一致但材料不同的物体时，视觉分析系统很可能将两种材料归为一类，而触觉系统却不会。触觉使人类即使闭着眼睛也能够大致分辨出手中所拿的物体是什么，对于分拣机器人来说，或许触觉比视觉更加有效。
机器人手由一种拉胀聚合物制成，这种材料在拉伸时能够变宽。研究人员基于这种概念，对材料进行了改进，使材料成螺旋的圆柱状，在受力拉伸时，圆柱会向左或向右扭曲。
研究人员将一左一右两个圆柱体放在同一侧，从而制造出更加动态的运动。这项技术被称为“手性剪切拉胀”（HSA），允许设备使用常规电机，而非像其他软体机器人一样使用昂贵的空气泵和压缩机，而且它可以被装备在任何机械臂上。
RoCycle机器人指尖配有触觉传感器，可以用来检测物品的大小。接着，通过压力传感器测量抓取物体所需的力。由尺寸和刚度这两个数据来判断物体的材料，静止状况下的准确率能达到85%，而模拟传送带上准确率也能够达到63%。
拉低准确率的最大因素是，RoCycle经常将带着纸包装的罐头判定为纸类（下图中第一个桶为装纸制品的桶）。研究人员表示，其后将沿着接触面添加更多的传感器，以进行更准确的判断。
接下来，团队将着手于结合机器人的触觉数据与视觉数据，以判断材料间的细微差别，提高RoCycle的判断准确性。
Max-AI机器人：一吸一吹，垃圾分好类了
Max-AI是美国光学分类设备生产商National Recycling Technologies研发的人工智能分类机器人，任何物品都逃不过它的“火眼金睛”。
通过深度学习技术，Max-AI能够同时运用多层神经网络和视觉系统对物品进行鉴别，其识别准确率可与人工分类匹敌。不同种类的垃圾，秒秒钟都给安排得明明白白~
Max-AI由视觉系统、人工智能及分拣系统组成。视觉系统用于获取物品的视觉信息，即便垃圾快速一闪而过，也能被一个不差地记录在案；获得视觉信息后，下一步便是利用人工智能对物品进行鉴别。根据物品的大小、价值和位置来确定分拣的优先级，确保取得最优结果；判断完毕后，机器人便可进行分拣。
值得一提的是，Max-AI的机械手并非仿人手结构，而是采用的气动系统。所有垃圾都在一呼一吸间，去往自己该去的位置。每分钟机器人就能分拣64次，是普通员工的一倍。
ZenRobotics垃圾回收设备：高效分拣
ZenRobotics是一家专门从事人工智能控制机器人系统的高科技公司。同时，也是机器人垃圾分类技术的领先供应商。
基于人工智能的视觉分析系统的ZenRobotics垃圾回收设备 (ZRR) 是全球首个机器人垃圾分类系统，ZRR 可同时进行混合型垃圾分类、有用垃圾分类和无用垃圾分类。此外，ZRR根据垃圾种类的不同：建筑拆迁垃圾、木材垃圾、运输垃圾、纺织垃圾和废金属垃圾进行了不一样的设计。值得一提的是，ZRR在建筑垃圾分拣领域上处于领先优势。
ZRR 传感器单元对垃圾流进行扫描，识别各种材料、物体和抓取位置，ZRR大脑控制软件分析数据和控制机器人，ZRR智能抓取器可选取所需的物体，机器人对同一位置的多种碎物进行分类。
ZRR 可对重达30公斤的大型重物进行分离，每小时选取次数最高可达 4,000 次。一天就可以处理2000吨垃圾，相当于48个人的工作量。与人工相比，30万吨的年处理量使用机器人分拣可提升40%的效率。
Oscar垃圾分类系统：指导分类
Oscar人工智能垃圾分类系统由Intuitive AI公司开发，拥有32英寸显示屏和人工智能摄像头，利用计算机视觉系统对垃圾进行分类。在“垃圾网”里，成千上万的垃圾图片可以被分类成数百个类别，这些图片都是通过“垃圾搜索”收集的。该系统正在接受训练，可以从局部视觉线索识别垃圾，比如当一个人的手抓着一个可乐罐或一袋皱巴巴的薯片时,它可以对人手中的垃圾进行识别。

根据识别与分析结果，它能对用户的投放行为进行指导，并与用户进行互动。它能够直接在显示屏上指示用户根据分类将垃圾丢入桶内。如果成功完成分类，屏幕上会撒满五彩纸屑，或分享一些福利、折扣二维码。如果分类错误，Oscar会提出批评，还会在屏幕上显示一个暗红色的标志，提醒用户犯了错误。
波兰Bin-e人工智能垃圾桶
与上述产品类似的，还有前几年波兰创业公司Bin-e公司开发得一种人工智能垃圾桶，用户只需要在垃圾桶前扫描一下垃圾，舱门便会打开。这个人工智能垃圾桶是通过传感器、摄像头、AI图像识别算法来自动进行垃圾分类，使用起来可以说是很方便了，而且回收公司也可以通过APP来随时检查垃圾桶的剩余空间等。
除了回收垃圾，Bin-e垃圾桶甚至还能够通过垃圾分析附近用户的消费习惯（当然是非实名的方式），包括饮料、食品的品牌和数量，对于一些经营商业广场的商业用户来说，显然是具有一定价值的。
目前，Bin-e垃圾桶已经获得了一些订单，预计在今年10月部署在德国和波兰的一些智能建筑内，同时在2018年开始向其他国家和地区出售。据悉，垃圾桶本身并不出售，仅收取安装费和包月云服务订阅费，未来还将进入普通户外和家庭市场。
Trashbot自动分拣系统：监控流向
Trashbot由位于匹兹堡的CleanRobotics公司开发，利用人工智能机型自动分拣，消除人为的垃圾分拣错误。除了自动分拣，它还能监控垃圾流向，对回收情况进行分析。
Trashbot利用各种传感器和人工智能技术识别垃圾的材料，将其分类。通过传感器和云处理，它能检测垃圾投放情况，根据社区的垃圾投放情况进行实时更新。若系统检测到垃圾桶已满，它将会把这一信息及时发送给居民。
Trashbot利用传感器检测到正要接近的人，然后自动打开盖子，你就可以把垃圾扔进去啦~
金属探测器和机器视觉系统会分析这个物体是属于哪个种类，可回收呢？还是可掩埋呢等等。决定好后，活动门系统和倾斜电机就会把垃圾放到正确的垃圾桶内~ 不怕记不住那些细致到令人发指的规定，也不怕粗心而分错类了
Trashbot完成垃圾分类后，其重量传感器在周期内跟踪可回收材料和填埋物的数量，根据对数据的统计提高其分辨能力。
这一系统提高了回收的质量与效率，在推广垃圾分类的过程中能够为相关企业和市政部门提供有价值的数据信息。随着时间推移，机器对不同材料的熟悉程度逐步提高，Trashbot的分拣准确度也随之提高。
垃圾分类：自觉为主，AI机器人为辅
据报道称，我国每年产生近10亿吨垃圾，其中生活垃圾产生量约为4亿吨，建设垃圾约为5亿吨，数据显示国内垃圾分类市场规模接近两千亿元。因此，在各种政策倡导和绿色环保的主流风向下，垃圾分类确实也是一个值得被思考、被“智能化”的应用场景。
以上介绍的这些AI系统主要应用于垃圾分类的执行阶段，较为初级。随着技术的不断提升与创新，相信在不远的未来，人工智能技术能够帮助人类完成更复杂的工作，在垃圾分类和资源利用领域发挥更大作用。
其实不只是垃圾回收与资源再利用，对于其他环境问题，我们同样需要更智能化的解决方案。期待未来涌现出更多的新技术与新思想，在高效解决环保问题的同时，能够帮助我们培养好环保的生活习惯，提高环保意识。
但尽管现在人工智能和机器人可以帮助我们更加精准的分拣，但是垃圾分类却是我们每个人都应该知道的事情，应该让小朋友从小就学会辨别不用类别的垃圾，尤其是废旧电池和电子产品之类的有害垃圾。