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。

丽莎老师讲机器人之Companion机器人在维多利亚的教室试用。
拉筹伯大学与维多利亚州的Waratah特殊发展学校合作，试用名为Matilda的机器人作为有特殊需求学生的课堂伴侣。
该试验正在学校的四个教室进行，协助教师为学生创建学习活动和社交活动。
Matilda可以识别人类的声音和面孔，发现情绪，阅读和背诵文本，跳舞和播放音乐，目标是以一种能够补充教学环境，并为教师和学生提供量身定制支持的方式。
在整个试验过程中，机器人通过接收教师在课前，课程内和课后获得的反馈来进行个性化，以帮助塑造和开发更有效的伴侣机器人。
“参与此项试验的教师能够告诉我们他们需要从Matilda获得什么，以及哪些现有服务需要进行调整或改变以更好地满足他们的需求，除了教师的反馈，学生互动也是非常积极的。
因为机器人是耐心的，非评判性的 - 以及互动性 - 学生们能够与机器人形成一种信任的联系。
机器人可以与学生交谈，阅读和表现书中的人物，以及设定任务。如果必要的话，它可以重复数百次而不厌其烦。

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。

丽莎老师讲机器人之大学生发明绑鞋带机器人。
在日常运动的中，很多人都要穿跑鞋跑步，那就需要面 对一个问题了，几乎每个人都遇到过鞋带松开的问题， 在不注意的时候松开的鞋带有一定的危险性，只有采取 了正确的绑鞋带方式，松动脱落的可能性才会大大降低 。但是很多人都不会正确的绑鞋带，那么有一款机器人 可以帮你系鞋带，还免去了你弯腰的麻烦。
在美国加州的一所大学，机械专业的学生共同合力研制 出了一款可以绑鞋带的机器人，往后的日子里可能连鞋 带有不用自己绑了，绑鞋带机器人是由两颗小型的机械 马达和许多复杂的小配件打造而成的。机器左右两侧通 过一个带钩子的机械手柄，把鞋子的鞋带扭转，翻折， 交叉，拉紧，从而达到能系紧鞋带的效果不容易松开， 可以保证安全性的鞋带就系好了。
绑鞋带机器人的缺点就是系鞋带的效率太慢了，每天上 班都是争分夺秒，哪有时间去等这个小机器人慢慢系鞋 带呢？对于工作忙的人怕是没有福气消受了，但是这个 小机器人研发的时间长，造价不菲。
同样是在美国，有一款鞋子叫做Digitsole Smartshoe 的智能鞋，这款鞋省去了系鞋带这样的麻烦事，通过和 鞋子内的蓝牙连接自己的手机，下载了APP，就可以通过 手机控制鞋子，便捷又省事，也符合了大数据时代的特 征，鞋子还能监控的你自身的身体健康数据，实时数据 返回到云端，科技给人类的生活带来的改变很大。

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。
丽莎老师讲机器人之福特推出3D打印制动器。
在福特位于密歇根州雷德福的新的先进制造中心内，该公司正在借助未来技术将想象力变为现实。福特将加速3D打印，增强和虚拟现实以及机器人技术的原型设计，然后在全球各地的工厂中制定流程标准。新工厂将把大约100名技术专家带入一个专注于将公司带入竞争对手之外的未来。
福特计划利用该技术改善制造流程，同时节省公司资金。先进制造中心拥有23台3D打印机，目前正在与10家3D制造公司合作。新款2020 GT500将于1月在北美国际车展上首次亮相，将配备两个3D打印制动部件。随着3D打印成本的降低，3D零件的生产将开始变得更加普遍。
多年来，福特在机器人领域取得了令人瞩目的进步，他们的合作机器人被称为“cobots”，在全球24个工厂遍布100多个。手工完成的一些制造过程一次可能需要一个小时，但在cobot的帮助下，时间和效率会大大提高。福特相信在汽车制造过程中肯定需要人和机器人。
2018年12月4日 - 在密歇根州福特新的先进制造中心内，一名工程师站在一台3D打印机前，为福特即将推出的 GT500生产制动部件。在整个房间里，两个团队成员绑在虚拟现实耳机上设计和模拟生产线，而另一个则与协作机器人一起工作，编程一种更安全的方式来安装车辆部件。
这些技术不再仅仅是好莱坞未来的愿景。对于一年多来一直在汽车生产领域开辟新天地的福特来说，它们是改善制造汽车和卡车的复杂和艰巨任务的关键工具和技术。这一切都发生在公司位于雷德福德的4500万美元先进制造中心的同一屋檐下。
100多年前，福特创建了移动装配线，永远改变了汽车大规模生产的方式，正在重塑明天的装配线 - 开发技术曾经只是大屏幕上的梦想 - 以提高制造效率和质量。
大约100名专家在开发中心工作，致力于尖端制造技术，包括3D打印，增强和虚拟现实，机器人技术，数字化制造等。
如今，福特正在推动汽车行业3D打印的未来。先进制造中心拥有23台3D打印机，并与10家3D制造公司合作。这使得福特专家能够开发出不同材料的应用 - 从沙子到尼龙粉末再到碳。目前正在开发的一个应用程序有可能为该公司节省超过200万美元。
福特汽车的制造和生产中有3D打印部件。即将亮相的Shelby Mustang GT500将于1月份在北美国际车展上亮相，它有两个3D打印制动部件，而为中国制造的F-150 Raptor包括一个3D打印内饰部件。随着3D打印变得越来越便宜，3D部件将变得更加普遍。
三维印刷部件还可以帮助员工提高车辆质量。密歇根装配厂的装配线工人，福特制造Ranger皮卡，使用五种不同的3D打印工具。这些工具在Ranger的推出中发挥了关键作用，从已经紧张的时间线中移除了数周，并确保了质量 - 从第一辆下线的车辆开始。
福特购买了1988年制造的第三台3D打印机，现在全球有90台3D打印机生产零件和工具。在车间，工人团队与先进的制造专家一起确定节省公司时间和金钱的方法，包括如何3D打印更换零件以保持生产线运行，而不是等待可能需要数周才能制造的零件。
福特依靠增强和虚拟现实来帮助它模拟和设计装配线以建造数百万辆汽车。福特专家不需要专门的设备就可以配置虚拟现实生产线而无需离开先进制造中心，从而可以在装配线建成之前很久就识别出潜在危险的操作并微调工作流程。
专家还开发了增强和虚拟现实方面的专业经验，使福特制造团队能够在世界各地的工厂中协同工作。这使得不同大陆的人们可以同时在同一个虚拟体验中工作。例如，如果要在全球范围内生产车辆，团队可以共同合作，为各大洲设计最佳制造工作站。该技术允许来自世界各地的团队设计用于车辆生产的工作站，就好像他们站在同一物理空间中一样。
在过去的几年里，福特在协作机器人(也称为cobots)方面取得了重大进展，其中有超过100台在全球24家福特工厂生产。
这些机器人体积较小，可以安全地与人一起工作，没有保护笼。在变速器工厂，cobot执行的工作对于员工来说是生产线的一个受欢迎的补充。这些cobots通过消除大型机器人出于安全原因需要的昂贵安全保护架，帮助福特降低成本。利用先进制造中心的cobots，公司可以在工厂安装cobot之前识别和解决潜在的生产问题。
“虽然福特正在增加对协作机器人的使用，但我们坚信需要人和机器人合作，人们有擅长做的某些工作，而机器人也有能够执行的某些任务。”

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。

丽莎老师讲机器人之“嫦娥四号”探测器成功发射。
12月8日2时23分，我国在西昌卫星发射中心用长征三号乙运载火箭成功发射嫦娥四号探测器，开启了月球探测的新旅程。
嫦娥四号探测器后续将经历地月转移、近月制动、环月飞行，最终实现人类首次月球背面软着陆，开展月球背面就位探测及巡视探测，并通过已在使命轨道运行的“鹊桥”中继星，实现月球背面与地球之间的中继通信。
嫦娥四号任务的工程目标，一是研制发射月球中继通信卫星，实现国际首次地月拉格朗日L2点的测控及中继通信；二是研制发射月球着陆器和巡视器，实现国际首次月球背面软着陆和巡视探测。
嫦娥四号这次“奔月之旅”将实现三个国际首次、一个国内首次。即，国际上首次月球背面软着陆和巡视探测，国际上首次月球拉格朗日L2点中继与探测，国际上首次月基低频射电天文观测，国内首次实测月夜期间浅层月壤温度。
值得一提的是，当前热门的人工智能技术也融入运载火箭的智慧化发射中。
据介绍，研究团队通过大数据和智能搜索技术，输入火箭整个生命周期中的多次试验和故障数据记录，自动记忆并学习故障高发薄弱环节，结合专家系统等推理工具，克服高密度发射期人员频繁更换、现场经验不足导致数据分析时间长等缺陷，有效提高数据分析的深度与准度，最终实现运载火箭智慧化发射监测。
嫦娥四号月球车的突破与挑战
1.着陆方式：近乎垂直降落突破导航控制技术
相较于月球正面，月球背面的地形则更为复杂，陨石坑更多，地势起伏更大，因此嫦娥四号不能像嫦娥三号那样以弧形轨迹缓慢着陆，必须采取近乎垂直的降落方式。
2.通讯方式：通过“鹊桥”中继星与地面通讯
由于月球整体的阻挡，月球背面成为与地面通信和测控的禁区。“鹊桥”将承担两大任务：一是遥测与遥控航天器，二是负责地球和嫦娥四号之间的信号传输。
3.工作时间：提升整体可靠性月夜也开展工作
和嫦娥三号“玉兔号”的月夜休眠策略不同，嫦娥四号月球车在月夜也要开展工作。月球一个月夜的时长相当于地球的14天多一点，且昼夜温差极大可达300℃左右，月球车优化与改进后，提升了整体可靠性。
4.能源供给方式：同位素温差发电与热电综合利用技术结合
新的能源供给方式，两面太阳翼收集的太阳能和月球车上的同位素热源两种能源供给，保证航天器在-180℃的环境中不被冻坏。
5.世界上重量最小的月球车寿命或长于“玉兔号”
嫦娥四号月球车总重量140千克，是世界上重量最小的月球车。据了解，嫦娥三号着陆器和“玉兔号”月球车的寿命实际上远超预期（“玉兔号”设计寿命为3个月，实际上它在月球上工作了972天）。
同“玉兔号”一样，嫦娥四号月球车预计寿命也是3个月，运行时间或比“玉兔号”更长。
“嫦娥四号”探月背后的意义
这次“嫦娥四号”背负着勘探艾特肯盆地——冯·卡门陨石坑的重要使命，是一次前所未有的太空探秘旅程。
这个直径达180公里的陨石坑，被认为是月球最古老的撞击特征。而此次勘探，会为我们了解月球、地球、太阳系的演化提供第一手数据和线索，是人类探月史上一次着陆月球最远端的极限挑战。
除了勘探任务，着陆器此次还会进行第一次月球暗面低频射电天文学实验；开展观察植物是否会在月球低重力环境中生长的调查；有望探测出国际上第一幅月背剖面图；探测月球两极是否存在水资源和其他相应资源等等，可谓是新一轮关于月球资料的“大起底”。

http://www.yidianzixun.com/article/0Kmmfx9h?searchword=%22%E5%AB%A6%E5%A8%A5%E5%9B%9B%E5%8F%B7%22%E6%8E%A2%E6%B5%8B%E5%99%A8%E6%88%90%E5%8A%9F%E5%8F%91%E5%B0%84

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。

丽莎老师讲机器人之最强棋类AI诞生AlphaZero制霸围棋后，又拿下国际象棋和日本将棋。
DeepMind最强棋类算法AlphaZero今天以Science封面论文形式发表。经过同行评议，解读这一棋类终极算法，以及实现通用学习系统的重要步骤，正式进入学界和公众的视野。
一年前，DeepMind静静地贴出了AlphaZero的预印版论文，当即就在圈内引发轰动：AlphaZero从零开始训练，2小时击败最强将棋AI，4小时击败最强国际象棋AI，8小时击败最强围棋AI AlphaGo ）。
现在，DeepMind将完整评估后的AlphaZero公之于众，不仅验证了上述结果，还补充了新的提升。
AlphaZero没有使用人类知识（除了棋类基本规则），从零开始训练，快速掌握日本将棋、国际象棋和围棋这三种复杂棋类游戏，展现出令人耳目一新的独道风格，拓展了人类智慧，并证明了机器拥有创造性的可能。
20年前输给IBM深蓝的国际象棋世界冠军卡斯帕罗夫，今天在Science发表社论，表示他很高兴看到AlphaZero展现出了像他一样“动态、开放”的棋风：
“传统观点以为，机器将通过无休止的枯燥操作趋近完美，最终导致平局。但据观察，AlphaZero优先考虑棋子的活动而非盘面上的点数优势，更喜欢在我看来有风险和激进的地方落子。
“计算机程序通常会反映出编程者的侧重和偏见，但由于AlphaZero通过自我对弈训练，我认为它体现了棋的真谛（truth）。正是这种出色的理解使其能够超越世界顶级的传统棋类引擎，而且每秒计算的落子位置要少得多。”
AlphaZero证明了机器也能成为专家，机器生成的知识也值得人类去学习。“AlphaZero以这样一种强大而有用的方式超越了我们，只要在虚拟知识（virtual knowledge）能够生成的领域，这个模型都可能复制到任何其他任务上。”
DeepMind论文使用通用的搜索方法，结合蒙特卡罗树搜索（MCTS），增强了深度强化学习。
“尽管MCTS已经成为围棋程序中的标准搜索方法，但迄今为止，几乎没有证据表明它在国际象棋或将棋中有用。”Campbell写道：“DeepMind展示了深度强化学习与MCTS算法相结合的力量，从随机初始化的参数开始，让神经网络通过自我对弈不断更新参数。”
下面，就让我们一起来看看，AlphaZero的几位论文作者阐述他们如何用5000个TPU，让AlphaZero快速掌握将棋、国际象棋和围棋。
传统国际象棋的引擎依赖于由人类高手玩家“手工制作”的数千条规则和启发式方法，它们都试图解释游戏中可能发生的每一种结果。
日本将棋程序也是特定于游戏的，使用与国际象棋程序类似的搜索引擎和算法。
AlphaZero则采用了一种完全不同的方法，用深度神经网络和通用算法取代了这些“手工制作”的规则，而这些算法对基本规则之外的游戏却一无所知。
在国际象棋中，AlphaZero仅用了4个小时便首次超越了Stockfish；在日本将棋中，AlphaZero在2小时后首次超过Elmo；在围棋方面，AlphaZero在2016年的比赛中，经过30个小时的鏖战，首次击败了传奇棋手李世石。注：每个训练步骤代表了4096个落子位置。
为了学习每一个游戏，一个未经训练的神经网络通过强化学习与自己对打数百万次。
一开始，它完全是随机的，但是随着时间的推移，系统从输赢中开始学习，并根据神经网络的参数进行调整，使其在未来可以选择更有利的走法。
网络需要的训练量取决于游戏的风格和复杂性，国际象棋需要9小时，将棋需要12小时，围棋需要13天。
AlphaZero的一些举动，例如将王将移至棋盘中央是有违将棋理论的，从人类的角度来看，它的这些举动似乎是将自己置于危险境地。但令人难以置信的是，它仍然控制着局面。AlphaZero独特的游戏风格向我们展示了将棋的新可能性。
训练后的网络用于指导搜索算法（蒙特卡罗树搜索，MCTS），选择游戏中最有有利的动作。对于每次移动，AlphaZero仅搜索传统国际象棋引擎所考虑的一小部分位置。
例如，在国际象棋中，它每秒仅搜索6万个位置，相比之下，Stockfish大约有6千万个位置。
这些经过全面训练的系统是在国际象棋AI Stockfish和将棋AI Elmo最强大的“手工引擎”以及我们之前自学的AlphaGo Zero系统(已知最强大的围棋选手)的帮助下进行测试的。
每个程序都在它们所设计的硬件上运行。Stockfish和Elmo使用了44个CPU核，而AlphaZero和AlphaGo Zero使用了一台拥有4个第一代TPU和44个CPU核的机器。第一代TPU在推理速度上与NVIDIA Titan V GPU等商用硬件大致相似，但架构并不具有直接可比性。
所有的比赛都有时间控制，每场比赛3小时，外加每一步额外的15秒。
在每次评估中，AlphaZero都毫无悬念地击败了对手：
在国际象棋比赛中，AlphaZero击败了2016年TCEC(第九季)世界冠军Stockfish，赢得155场比赛，在1000场比赛中只输了6场。为了验证AlphaZero的稳健性，我们还进行了一系列比赛，这些比赛都是从常见的“人类开局方式”开始的。在每一种开局情况下，AlphaZero都击败了Stockfish。我们还与最新开发版本的Stockfish以及它的变体打过比赛，在所有的比赛中，AlphaZero都赢了。
在将棋比赛中，AlphaZero击败了2017年CSA世界冠军版Elmo，赢得了91.2％的比赛。
在围棋比赛中，AlphaZero击败了AlphaGo Zero，赢得了61％的比赛。
独创棋风，拓展人类智慧，迈向通用学习系统重要一步
让人最着迷的是AlphaZero的行棋风格。例如，在国际象棋中，AlphaZero在自我训练中独立发现并走出了人类棋手常用的定式，如开局、王不立险地（King safety）和兵的走法。
但是，由于这些都是自学的，因此不会受传统观念的影响，AlphaZero还开创出了自己的直觉和策略，产生了一系列令人兴奋的新颖思路，为几个世纪以来国际象棋战略战术的思考提供了有益的补充。
过去一个多世纪以来，国际象棋一直被用作衡量人类和机器认知水平的黄金标准。 AlphaZero取得的非凡成果，刷新了这门古老的棋盘游戏和尖端科学之间的显著联系。
在与AlphaZero对弈时，棋手注意到的第一件事就是它的行棋风格，AlphaZero的行棋风格非常灵活，最大限度地提升己方子力配备的灵活性和机动性，同时最大限度地降低对手子力的灵活性和机动性。
与我们的通常想法不同的是，AlphaZero似乎对“子力”本身的重视程度较低，而重视“子力”是现代国际象棋的基本行棋思路，棋盘上每个子都具有价值，如果一个玩家在棋盘上的子力高于对手，那么他就拥有子力优势。而AlphaZero甚至愿意在棋局早期牺牲子力，以获得长期收益。
令人印象深刻的是，AlphaZero在行棋时能将这种风格应用在各种各样的开局和定式中。AlphaZero从走第一步开始就体现出了这种明确的的性，且一以贯之，其风格体现得非常明显。
过去的传统国际象棋软件已经非常稳定，几乎不会出现明显错误，但在面对没有具体和可计算解决方案的时，其行棋会发生偏差，正是在这种时候，才是AlphaZero发挥其'感觉'、'洞察'或'直觉'的地方。
这种独特的能力，在其他传统的国际象棋引擎中是看不到的。目前，AlphaZero已经被用来在世界国际象棋锦标赛上为棋迷们提供有关Magnus Carlsen和Fabiano Caruana（现男子国际象棋等级分前两名）对局的新见解和评论。
我们可以看看AlphaZero的分析，与顶级国际象棋大师对棋局的分析，甚至和棋手实战着法有何不同，这真是令人着迷的一件事。AlphaZero可以作为整个国际象棋社区的强大教学工具。
AlphaZero的“教诲”，让我们想起了2016年AlphaGo与围棋世界冠军李世乭对弈时的场景。在那次比赛中，AlphaGo走出了许多极具创造性的致胜着法，包括在第2局比赛中的执黑第37手，这手棋推翻了人类数百年的思路。这些着法已经被包括李世乭本人在内的所有级别的棋手和爱好者研究过。
之前还认为AlphaGo是基于概率来计算的，它只是一台机器。但当棋手看到这手棋时，改变了想法。毫无疑问，AlphaGo是有创造性的。
“人机大战”的影响力已经远远超出了国际象棋本身。这些自学成才的专家级机器不仅表现优异，棋力非凡，而且从自己创造的新知识中学习。
和围棋一样，我们对AlphaZero在国际象棋上的创造性突破感到兴奋，自从计算机时代以来，人工智能时时面临着巨大挑战，包括巴贝奇、图灵、冯·诺依曼在内的早期计算机先驱人物，都曾试图设计国际象棋程序，但AlphaZero的用途不仅仅是国际象棋、将棋和围棋。
为了创建能够解决各种现实问题的智能系统，它们需要更加灵活，能够适应新情况。虽然目前在实现这一目标方面取得了一些进展，但AI的通用化问题仍然是研究中的一项重大挑战，经过训练的AI系统面对特定任务时能够以极高标准完成，但任务只要稍有变化往往就会失败。
AlphaZero掌握了三种不同的复杂游戏，这可能是朝着解决这一问题迈出的重要一步。尽管目前还处于早期阶段，但AlphaZero取得的进步，以及在蛋白质折叠系统AlphaFold等其他项目上的令人鼓舞的结果，让我们对实现通用学习系统的使命充满信心，相信未来我们能够找到一些新的解决方案，解决最重要、最复杂的科学问题。

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。

丽莎老师讲机器人之中英三校合作开发新电池，改善可穿戴设备体验。
近日，在英国伯恩茅斯大学、剑桥大学和中国地质大学三校的共同努力之下，他们开发出了一种新结构，可以用来改善可穿戴设备电池寿命。相关论文指出，新结构可被当作无粘合剂电极，因而电池将会非常柔韧，电气稳定性也会十分出色。在外力的作用下，电池还能被弯折使用。
这种新结构增加了电池在压力下的灵活性，对于可穿戴技术的发展非常重要。例如，为军队或精英运动员设计的智能服装，就需要能够适应极端条件的电池产品提供支持。
对于可穿戴技术行业来说，这是一个非常重要的进步，很好的释放了开发下一代服装可穿戴设备的潜力。
实际上，对于电池来说，如果柔韧性比较好，那么续航能力就不一定能得到保证了。受到技术限制，电池如果具备良好的柔韧性，那么电池的能量密度就会降低，续航时间也会随之下降。这一结构能在提高电池寿命的同时，还能保证一定柔韧性，可以说是一大突破了。
除了上文提到的三校研究人员外，还有其他研究者们看到了现有电池技术上的不足，他们都在努力着突破技术上的瓶颈。
比如先前哥伦比亚大学的研究人员在生物脊骨结构的启发下，研发出了一款新型电池，不但具备良好的柔韧性，还保持高体积能量密度。
将来如果这些技术能走出实验室，得到大规模商用，电池或许会真正走向柔性化。那么依赖电池运行的可穿戴设备，如智能手表、智能服装和智能眼镜等等或许会有更广阔的应用场景，给我们的生活带来很大转变。

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。

丽莎老师讲机器人之新型仿生机器鱼，从个体仿生到群体智能。
为什么要研究像鱼一样的机器人？
仔细想一想，地球是个水球，70%被水覆盖，这个水世界的主宰是谁呢？其实是鱼类，鱼类最适应水环境。物竞天择，适者生存，经过不断的淘汰，到现在人类命名的鱼也超过3万多种，而且还不断有新的物种被发现。这些鱼形态各异，有的适合在浅滩；有的可以深到几万米；有的机动灵活；还有的可以长途奔袭游上万公里。
正是因为鱼有这些优点，引起了科技工作者的注意。希望以它们为师，去研究、将来制造像鱼这样的机器。
水下仿生机器人的研究具有重大意义，应用前景非常广泛。同时，水下环境非常复杂，仿生鱼在水下的供能、通信等方面的能力非常有限。目标是研究出机器鱼群，所以既要注重单体的研发，也要注重群体技术的研发，希望机器鱼群可以解决一些实际问题。
机器鱼“史话”
相比鱼，机器鱼的历史就短了很多。从第一条机器鱼诞生到现在，也就二三十年的光景。虽然时间短，但是这个技术发展得非常快。现在国内外同行发布的文章、专利等一些东西，加起来也不下几十种了。
很多特点鲜明的鱼或者能想到的鱼，基本都被作为仿造对象。世界上第一条仿生机器鱼，它1994年诞生在美国麻省理工学院。这个鱼大概有一米二长，游速最快可以达到每秒两米。
中国的机器鱼诞生也很快，大约在2000年前后，是北航和中科院自动化所联合研发的微小型仿生机器鱼。这个鱼要比美国那条鱼要小一些，身长大概有半米左右，游速也能够达到每秒半米左右。
螺旋桨潜航器的不足
研究这种仿生机器鱼有什么好处呢？其实在研究仿生的机器鱼之前，人们已经研发了很多水下的机器人，或是水下潜航器，水下航行器，名字有很多，但它基本上都是以一种螺旋桨的方式来推进。人们在用这些机器人去做一些实际事情的时候，就感觉不尽人意。
将问题归结为三点：
第一，螺旋桨推进的效率太低了，它可能顶多就是40%到60%这个程度，而鱼基本上都要超过80%。利用效率高的话能量就节省，可以干更多事情。
第二，螺旋桨推进转起弯来很费劲。它是一个很大的转弯半径，很不灵活，机动性很差。而真正的鱼类几乎可以原地转弯，上下乱窜，非常灵活。
第三，在军事背景上，螺旋桨旋转很容易被水下声纳扫到、探测到，那你就被敌人发现了。这也是为什么很多潜水艇到了工作地方之后，它要把所有的东西都关掉，保持静默。鱼没有螺旋桨就没有这个问题。
所以科技工作者就希望能够把生物界的优点学过来，让水下机器人也具备这些优势。
仿生的关键：功能
研究鱼，不是说要把它的外表做得很像，是要追求它的功能。即使外表做的很像，但它实际的内部结构如果设计得不合理，游起来效果很差，那么这种仿生就失去了意义。就像咱们参观蜡像馆，很多名人的蜡像很逼真，但他们没有其他用途，只能用来满足和偶像合个影，其他什么干不了。要做机器人，是真的希望把它能够在水中运动和其他一些功能学过来。
一开始是以中华锦鲤为仿生对象做机器鱼，最初是刻意先追求它运动起来像鱼，而不是说外观像鱼。挑了一条外观非常漂亮的锦鲤，把它低温速冻给冻硬了，拿三维扫描把它外观的数据测下来，构成数据模型。之后再用3D打印的技术打印出来，这样就做了一个仿生的壳体
箱鲀鱼有什么特别？
箱鲀实际上分布非常广泛，太平洋、印度洋、大西洋都有，它是在珊瑚礁这种很复杂的环境里生活。珊瑚礁枝枝叉叉很多，水流有时候很乱很急。但这鱼很潇洒，它通过胸鳍与尾鳍的配合，可以在这种复杂的环境下自由地游来游去，不会碰到自己、伤到自己，机动性非常好。箱鲀的骨骼是内凹的，不是鼓着的。
箱鲀的英文名叫Box fish，盒子鱼，因为它看着就像一个盒子。它的骨头是硬的，把身体撑在那块儿形成一个盒子。科学家研究指出，通过流体建模进行数值仿真、进行流体实验，箱鲀这样一种奇特的外观确实有助于它在复杂的水环境下更稳定。将来可以在里面装很多人为的一些传感器，或者执行操作的东西，那就可以更便于应用。因此可以认为它是最佳的仿生对象。
开发完成的样机有一对独立驱动的胸鳍和摆动的尾鳍，胸鳍和尾鳍相互配合让机器鱼可以像真鱼一样游动。仿生鱼可以前进、后退、上升、下降，接下来要实现前滚翻、后滚翻、侧滚，通过胸鳍和尾鳍的相互配合来实现一些复杂的动作。这样的话，将来到水下执行任务的时候，机器鱼就可以在复杂的环境中灵活的运动。
突破：仿生“侧线系统”
鱼类有一个特殊的器官，叫侧线系统。就在侧面以及它的面部分布着一些组织器官，这些组织器官专门对水流产生感觉。有这个感觉之后，它作用很大，不光是能感觉水流的变化，甚至能够感觉到障碍物，感觉到敌人，感觉到食物。侧线系统就是它们的独门秘笈。
如果机器鱼也有这个技术那多好，所以在机器鱼上集成了压传阵列，根据侧线系统在面部和身体两侧各安装三个压传。现在能够通过压传道把鱼跟水流相对的方向、鱼相对的流速测出来。让仿生鱼通过侧线系统来感知与伙伴的位置关系，如果我们在前面摆一条机器鱼，它的摆动会产生一些涡，后面的鱼就能感受到它和前面这条鱼的相对的前后距离、左右距离，这样的话研究人员也能够做到这种仿真感知的能力。有助于维持鱼群的群体不变性，保持两条鱼位置关系的稳定。希望把侧线系统与之前的的运动功能结合起来形成闭环反馈，使仿生鱼既能运动又能感知环境。
仿生鱼在水下还要面对通信问题，机器鱼群需要伙伴之间进行沟通。水下通信一直是限制水下机器应用的一个很大的瓶颈，所以人们也开始尝试一些传统的比如光通信、声纳通信，但是效果都不是很理想。能不能有新的方式来实现近距离通信？启发来自生物界，找到一种弱电鱼，可以调整身体的机能，让自己身体形成一个电场，这个电场是变化的，可以把信号加载上去来传递给它的伙伴。
能不能赋予机器鱼这个功能呢？所以也给机器鱼设计了产生电场的电路。开始建立模型并进行理论分析，设计相应的电路系统，给仿生鱼安装发射电极和接收电极，最终成功实现了仿生机器鱼的新水下通信方式。
从个体仿生到群体仿生
研究的基本思想就是向大自然学习，以大自然为老师，对于一些比较好的生物特性，可以尝试用于仿生机器人。个体仿生主要是实现高机动性、高效率的运动，通过通信组网可以实现群体仿生。
在国外水下摄影大展的获奖作品，这些鱼为什么有这样的行为？这并不是因为好玩或是娱乐，唯一的目的是在恶劣、有限的资源环境下生存下去。很多计算机专业的可能都知道粒子群优化算法，而在生物界，通过群体的方式让整个种群延续下去这种行为是一个很值得研究的问题，即群体智能。群体智能也是人工智能很重要的研究分支，生物界那些个体能力很弱的群体智能很值得研究。所以我还是想强调不仅要关注个体仿生也要关注群体仿生。
不光是单个鱼可以做我们的老师，整个鱼群也可以给我们启发，也可以做我们的老师。这就促使研究人员由原来的“个体仿生”进化到“群体仿生”。也就是说从单个鱼怎么游得好，感知得好，通信得好，还可以让一群鱼游得好。
鱼群有些特点：首先，这种形成鱼群的鱼，它的个体肯定很弱小，智商很低，能力很有限。其次，这一群鱼在一起游，其实没有一个统一的管理者或者领导，它们就是自发地就这么游了。我们可以想象一下，假设你突然让其中一条鱼消失，你会发现这个鱼群根本不知道这条鱼没了。
另外，这些鱼群小的几十条，大的可能几千条上万条。但是每条鱼它不用很累，不用知道其他鱼的状况。假如你是一条鱼，咱们一群鱼团簇着，如果把其他的信息都告诉你，你其实也处理不了。换成鱼群，每条鱼只关心周围的情况，邻居的情况，然后根据这些情况做出决策，整体仿佛就拥有了群体智能。
所谓群体智能就是说个体智能很低，但是它们通过相互协作，从整体层面上能迸发出很强的能力。这种智能也值得我们学习，值得我们研究。
机器鱼的广阔应用前景
那机器鱼到底都有什么可应用的呢？其实这个回答是很显然的，举几个典型的例子：
例如，水下资源勘探或者水下科学考察。都看到过这样的新闻，潜水员去一个水库进行水下考古，结果不幸遇难了，失踪之后就一直找不到。这就是一个问题，派人下去，水火无情，可能就有危险。以后就不用人下去，派机器鱼下去就行了，我们带着相应的设备，把相应的信号采上来就可以了。
再比如，大家都喜欢吃各种各样的海鲜，吃是很好吃，但得之不易。像海参，就是潜水员穿着很简陋的潜水服，拿着个网兜，潜到几十米的又冷又黑的水下迅速捡一些上来。不光是当时难受，这些人之后会得职业病，终身受罪。所以国家举办完成了水下抓取比赛项目，也是希望派机器人下去，来代替这些人，解放这些人。还有不得不提的，就是军事方面应用。因为鱼的隐蔽性高，以后设计一个机器侦查鱼，悄悄游到岸边，可以进行侦查而不被发现。
所以这个应用领域非常广泛，如果将来这个技术成熟了，以后整个大洋里，除了有真的各种各样的鱼、海洋生物，也会有机器鱼、机器海豚、机器水母等仿生机器人。
当机器鱼在水里游时，真鱼会被吸引跟在后面，机器鱼对真鱼的活动产生了影响。这是一个很有意思的现象，将来或许可以研究用仿生机器人去影响自然界，构成一种机器和生命的混合系统，达到一种道法自然的境界。
比如现在咱们抓鱼，一网下去，管它什么鱼呢，捞完再说。以后我们可以不再这么捕了，派机器金枪鱼下去，专门把金枪鱼引到一个地方，就抓这些鱼，那多好。
很多人可能看过海洋馆的动物表演，大家看得很开心，但是有没有想过，这些动物开不开心？有些研究者发现，这些动物由于经常表演得了忧郁症，甚至自杀了。我们凭什么把快乐建立在动物的痛苦之上？将来可以研发很多这种机器动物代替表演的动物，把它们放归自然。

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。

丽莎老师讲机器人之AI成功预测蛋白质3D结构。
在 12 月 2 日坎昆举行的会议上，组织者宣布，在第 13 届全球蛋白质结构预测竞赛CASP上，DeepMind 的最新人工智能程序 AlphaFold 成功预测生命基本分子——蛋白质的三维结构。CASP 被认为是蛋白质结构领域“奥林匹克竞赛”。
“蛋白质折叠”是一种令人难以置信的分子折纸形式，它非常神秘，是一个具有深远意义的问题，在科学界之外很少有人讨论。所有生物都是由蛋白质构成的，蛋白质的结构决定了它的功能。当 AI 了解了蛋白质的折叠方式，我们可以期待人类进入科学和医学的新时代。
AI 为什么要读懂蛋白质？
在计算机的世界里，只有 0 和 1。而从某种程度上来说，生命的本质其实就是 4 中不同碱基的排列组合。
包含整个生命密码的 DNA，仅有 4 种碱基组成。这 4 种不同碱基的排列组合，翻译出 64 种密码子（每 3 个相邻 mRNA 碱基构成一个密码子），这 60 多个密码子又对应着整个地球生命系统中仅有的 20 多种氨基酸，而 20 多种氨基酸的排列组合，构成了数万至数亿种不同的蛋白质。
蛋白质是一切生命系统的物质基础，密切参与着从触发免疫反应到大脑思考的每一个生理过程。如果把基因比作构成生命的配方，那么蛋白质就是构成生命的材料。没有蛋白质，也就没有生命。
与 DNA 密码不同的是，真正决定不同蛋白质性质和功能的，除了不同氨基酸的排列组合，更重要的是氨基酸链的 3D 结构。氨基酸链扭转、弯曲构成不同的蛋白质，因此，具有数百个氨基酸的蛋白质可能呈现出数量惊人的不同结构：10 的 100 次方个，或 1 后 300 个 0。
蛋白质只有正确折叠为特定的 3D 构型，才能发挥相应的生物学功能。而蛋白质四级结构结构的折叠，受到大量非共价相互作用（如氢键，离子键，范德华力和疏水作用）的影响，想要从分子水平上了解蛋白质的作用机制，就需要精确测出蛋白质的 3D 结构。
为了研究蛋白质结构而发展起来了结构生物学，在短短 60 多年的历史中，已经采用了包括 X 射线晶体学、核磁共振、冷冻电镜等技术来解析蛋白质结构。
1959 年佩鲁茨和肯德鲁对血红蛋白和肌血蛋白进行结构分析，解决了三维空间结构，并因此获得 1962 年诺贝尔化学奖。之后豪普特曼和卡尔勒建立了应用 X 射线分析的以直接法测定晶体结构的纯数学理论，在晶体研究中具有划时代的意义，特别在研究大分子生物物质如激素、抗生素、蛋白质及新型药物分子结构方面起了重要作用，因此而获得 1985 年诺贝尔化学奖。2017 年诺贝尔化学奖授予发明了冷冻电镜技术的三位科学家，以奖励其对探明生物分子高分辨率结构的贡献。
但是，对于想要更深层次理解生命现象过程，以及更复杂的药物研发而言，仅靠这种“观察”的手段来研究蛋白质的结构，实在是难以满足需求，对于一种复杂蛋白质结构的测定，往往需要耗费大量的时间和成本，甚至还不一定准确。
理论上来说，知道了 DNA 序列，就已经决定了其能够翻译出的氨基酸序列和蛋白质结构，但想要实现这种预测，中间涉及的计算难以想象。而近年来随着基因测序技术和人工智能的发展，使通过氨基酸序列来预测蛋白质结构成为可能。
全球蛋白质结构预测竞赛（CASP），由美国科学家约翰·莫尔特（John Moult）于 1994 年发起，每两年举办一届，旨在吸引计算机科学、生物物理学等不同领域的专家参与到蛋白质三维结构预测这一极具挑战性的生物信息学问题中来，共同评估发展现状和讨论未来的趋势。
而这次，完虐人类的 AI，也将目光转移到了蛋白质三维结构预测。由 DeepMind 开发的 AI 程序“AlphaFold”参加了最新一届的蛋白质结构预测评估竞赛。
竞赛过程中，工作人员会将氨基酸序列交给每一个团队。而这些蛋白质的结构事先已经被复杂而昂贵的传统方法破解了，但尚未公开。最终提交最准确预测的团队将赢得比赛。
首次参赛的 AlphaFold 在 98 名参赛队伍中排名第一，其预测的 43 种蛋白质中有 25 种蛋白质的结构最准确，而排名第二的团队中只有 3 种。
为了开发 AlphaFold，DeepMind 用数千种已知蛋白质训练神经网络，直到它可以独立预测氨基酸的 3D 结构。对于新蛋白质，AlphaFold 使用神经网络预测氨基酸对之间的距离，以及连接它们的化学键之间的角度。接着，AlphaFold 调整结构以找到最节能的氨基酸布置。该程序花了两周时间预测它的第一个蛋白质结构，但现在只需几个小时就能将其预测出来。
蛋白质的 3D 结构取决于它所含氨基酸的数量和类型，结构也决定了蛋白质在体内的作用。例如，心脏细胞上折叠的蛋白质，能识别血液中的肾上腺素，并使心率上升。免疫系统中的抗体也是折叠成特定结构的蛋白质，这些蛋白质可以阻挡入侵的细菌。从收缩肌肉、感知光线到将食物转化为能量，几乎身体的每一个功能，都可以追溯到蛋白质的结构和运动。
通常情况下，蛋白质具有最高效的结构，但它们折叠错误，就会导致糖尿病、帕金森症和阿尔茨海默病等疾病。如果科学家能够从化学成分中预测蛋白质的结构，他们就可以弄清楚这些蛋白质的作用以及它们是如何造成伤害的，并设计出新的蛋白质抗击疾病或履行职责。例如，可以设计新蛋白质解决环境中的塑料污染。
“预测蛋白质折叠结构的能力是一个大问题。它对解决许多 21 世纪的问题具有重大意义，它会对健康、生态、环境产生重大影响，并基本上解决所有涉及生命系统的问题。许多团体多年来一直在使用基于机器学习、深度学习和人工智能的方法，这些正在产生越来越重要的影响。乐观地认为，我们将在 20 世纪 20 年代真正解决这一领域的问题”
DeepMind 被全世界人民所熟知是在 2016 年。当时，他们所开发的 AI 算法 AlphaGo 击败了围棋世界冠军李世石，之后又在 2017 年于中国打败了顶级棋手柯洁。在正是在那场乌镇围棋峰会上，AlphaGo 将退役，但 DeepMind 的 AI 探索仍将继续。
游戏是 DeepMind 人工智能项目的良好测试基地，但征服游戏并不是他们的最终目标。Hassabis 也不止一次曾在公开场合表态，团队的目标是开发类似解决生命科学问题、发现新材料、帮助探索宇宙的算法。按照 Hassabis 的设想，在接下来十年，AlphaGo 的迭代产品将成为科学家和医学专家，与人类并肩工作，这将会有可能对我们的生活产生根本性的影响。
而纵观 DeepMind 于 2018 年公开发表过的 AI 论文，不少正是其将人工智能应用于生命科学领域研究的重要成果。
在 DeepMind 非常关注的脑科学领域，今年 5 月 9 日，团队在世界顶级学术杂志 Nature 上发表了一项重磅成果，利用深度学习复现生物的空间导航能力，够协助传统的神经科学研究来测试大脑工作原理。其开发出的的一个人工智能程序具有类似哺乳动物一样的寻路能力，非常类似大脑中网格细胞的工作原理。
另一项 DeepMind 发布的人工智能、神经科学跨领域重要成果，则是使用 AI 领域中的元强化学习框架，用来研究大脑中多巴胺在我们学习过程中起到的作用。这一新发现有望颠覆传统的神经科学研究方法，提供了一个全新的视角。研究发表在今年 5 月的 Nature 子刊上。
而在疾病诊断上，今年 8 月发表在 Nature Medicine 的一项研究中，DeepMind 和 Moorfields 眼科医院共同开发的 AI 算法可以识别 50 多种不同的眼部疾病，且与人类临床医生一样准确，并且有可能通过减少检查和诊断所需的时间来显着改善现有的医疗困境。“这是一个非常令人兴奋的里程碑，也是临床医生和技术人员共同努力的可能性的另一个迹象，”
除了论文发表以外，DeepMind 目前也在与多家医疗机构合作，开发新的医疗项目，包括与美国退伍军人事务部 (U.S. Department of Veterans Affairs) 合作开发人工智能技术，与 英国国家医疗服务体系（NHS）合作开发 AI 医疗应用程序等。

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。

丽莎老师讲机器人之会修火车的机器人。
机器人不断刷新我们的认知：汽车机器人、水下机器人、手术机器人、军用机器人、快递机器人等，已应用到社会生活的各个领域，颠覆了我们的想象。
可你见过修火车的机器人吗？
不同功能的修车工业机器人，它们取代了人工劳动，在货车检修领域大显身手，一起去认识一下它们吧！
承载鞍搬运机器人
俗称“光影手”
属性：利用激光探头对承载鞍进行检测，并将检测数据传入铁路货车技术管理信息系统，与标准数据进行比对，使用机械手抓取合格产品替换掉不合格产品。
技能：激光检测、信息比对、自动取送、优胜劣汰，效率较人工提升4倍以上。
枕簧斜楔分解机器人
俗称“安全手”
属性：通过设定程序，用机械手将货车转向架内部的枕簧和斜楔取出。
技能：机械抓取，提高效率，消除配件落地砸脚等安全风险。
钩舌喷漆搬运机器人
俗称“多面手”
属性：将钩舌送至作业线进行机械喷漆和自动烘干，然后将钩舌取下，通过系统识别产品型号，并按程序放置在指定位置。
技能：自动搬运、喷漆、烘干、识别、放置一站式工作。
钩尾框上下料机器人
俗称“搬运手”
属性：将待除锈的钩尾框搬运至除锈生产线上进行除锈打磨，再将其取下，送入探伤作业区。
技能：主动上下料与除锈有效连接，提升生产效率。
钩舌自动检测机器人
俗称“检测手”
属性：将钩舌配件放到检测台上，利用另一台机器人对其进行蓝光扫描，检测钩舌5个部位的尺寸，在电脑中直接成像，检测是否超限。
技能：机械取送、蓝光扫描、电脑成像、自动检测，精准且高效。
自2017年9月起，实现自动化生产、检测、维修，检修效率大大提高，安全质量大大提升，过去检修一列货车需要3天时间，现在只需要1天就能完成。

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。

丽莎老师讲机器人之机器人的视力不太好，看看科学家是怎么说的。
机器人在人们的生活中扮演着十分重要的角色。但是机器人也不是说是全能，也不是说什么事情都可以做的比原来好很多。比如机器人的视觉其实不是特别的好，在某些颜色的分辨程度上不如人类的眼睛。机器人的眼睛不能识别出灰色之类的颜色，细微差别很小的这种颜色。
在很多时候这个缺点都会阻碍机器人去进行一些工作,都可能让机器人不能完成人类给他设定的很多工作。为了克服这个缺点。科学家们正在试图设定更好地传达系统来让提高和改善机器人的视力，也就是让机器人分辨颜色的能力来达到一个跟人类非常相似的地步。
机器人的视力这方面是一个各方面综合能力的一个评价的因素。为了克服机器人的视力不太好的这个情况，科学家们非常的努力，设计了一个仪表，就是为了确认的机器人能够分得清的颜色的程度到底到了哪一层度。
这个仪表的名字叫做灰度等级。仪表上安装有芯片，芯片可以识别出很多不同的颜色区别。有的颜色相似程度很高，比如说深灰色和浅灰色。灰度的变化非常小，主要是体现在颜色的各个方面，比如颜色的饱和度和亮度等方面，但是仅靠这些还不能非常正确的识别这件物体到底是什么。
这个系统也相对来说非常复杂。即便目前的计算机运算的速度很快，但要让它识别出一个物体到底是什么，所需要的时间可能还比较长。要想提高整个机器人包括计算机系统的视觉的这个技术，不仅取决于有没有更好的设备和装置去制作芯片；如果要使这些装置和设备制作出来的芯片能像人类对光感、灵敏度一样灵敏的话，也是要依靠一定的技能和智能。
科学家们仍然在为了达到这样的目标不懈的努力工作着。有些人认为这样是幻想。特别是考虑到有一些微光电子这方面就是说光电子粒学这方面，这方面的辨识度是很小的，它需要非常高的灵敏度才可以识别。
如果这种技术可以达到让人类使用的话，那么人类就可以看到一些平时肉眼看不到的光线和视觉景色，这样一些光电普上的红光、紫光等不可见光，人们也将可以看得到。机器人的视觉传达系统使它们对各种紫外线、红外线也更加的反应强度灵敏，如果把这项技术跟其他的技术结合在一起，比如说在声控和雷达这些方面。
计算机所控制的机器人就可以达到在非常恶劣的环境下，也能识别出当前的物体是什么，当然这需要一定的反应时间。如果能达到这样程度的识别能力，人类的可见度将可以看到更多光谱上的光线。