随着科技创新成为时代主旋律，相信“自动驾驶将取代司机”、“50%以上的工作岗位将被AI取代”、“大规模安装机器人”将让无人工厂成为现实”，新闻标题已经刷满了你的手机屏幕。然而，这些技术术语的滥用往往会在不经意间将公众与“机器人”和“人工智能”(AI)的概念混淆。机器人技术是人工智能的一部分吗？人工智能是机器人技术的一部分吗？这两个名词有什么区别？通过今天的文章，我们将回答这些问题。当时首先要说人工智能，机器人和人工智能根本就不是一回事，两者的目的也大不相同。甚至可以说，这两个领域几乎是完全独立的。人工智能(AI)是计算机科学的一个分支，它涉及开发计算机程序来执行原本需要人类智能才能完成的任务。AI算法可以处理学习、感知、问题解决、语言理解和/或逻辑推理。人工智能有两种：通用人工智能（AGI）和狭义人工智能（NarrowAI），有时还有远优于人类的超级人工智能（SuperAI）区别于通用人工智能。广义人工智能是指具有人类智能或更高智能的整体系统，可以执行从下棋到在商店里问候顾客再到创作艺术品等任务。除了像马斯克这样的乐观主义者之外，大多数专家认为我们距离看到可以超越人类的人工智能还有几十年的时间。目前，实现通用人工智能最根本的障碍在于，人类首先需要了解所谓的“智能”是如何工作的。然而，这是一个巨大的问题，急需脑科学的突破。但人类在狭义的人工智能领域取得了长足的进步。在现代世界中，狭义人工智能（或弱人工智能）被用于许多方面。这些系统可以在严格的参数范围内执行离散任务，例如：图像识别：最典型的“天网”系统；自然语言处理（Naturallanguageprocessing）：人工智能助手的语音识别，如苹果的Siri、阿里巴巴的“天猫精灵”和百度“小度”；信息检索；各大搜索引擎；逻辑或证据推理：被金融机构用于抵押核销或判断欺诈可能性。不难发现，这些任务可以归纳为三种类型智能：感知、推理和沟通，而大多数人工智能程序与大众想象中的“机器人控制”无关。以苹果的Siri语音助手为例，它首先使用语音识别算法捕捉人们的问题（“perception”），然后使用自然语言处理来理解这串词的含义并确定一个答案（“inference”），最后这个答案是generate使用自然语言表达并传达给用户（“交流”）。人工智能的历史演进那么人工智能系统是如何走到这一步的呢？思考机器的想法自1940年代就已存在，当时艾伦图灵和他的同时代人开发了第一台复杂的计算机。1956年艾伦·图灵(AlanTuring)的达特茅斯学院(DartmouthCollege)会议通常被认为是人工智能发展的里程碑时刻，当时计算机科学家齐聚一堂，听取“人工智能之父”马文·明斯基(MarvinMinsky)的演讲。在人工智能作为独立研究领域的推动下。MarvinMinsky然而，尽管早期科学家们的广泛热情和各行各业的大量资金支持，人工智能的初期进展一直步履蹒跚，缓慢得令人失望。DARPA（国防高级研究计划局）在1960年代向大学系统投入数百万美元，希望机器翻译能够增强其反情报能力，但由于机器翻译领域缺乏进展，他们的态度变得消极。与此同时，在英国，由詹姆斯·莱特希尔(JamesLighthill)领导的政府人工智能委员会于1973年提出严重质疑，认为人工智能研究领域只会以渐进的速度发展。因此，美国和英国以及整个西方世界的政府资金都被大幅削减。在整个20世纪，人工智能在决策者和公众意识中的地位经历了起起落落。通常，一项新的开发项目会激起热情和资金的激增，但随着承诺的创新未能实现，导致资源流失，人们的兴趣会急剧下降。为什么人工智能在20世纪进展如此缓慢？原因与研究人员在开发软件时采用的方法有关。20世纪人工智能的大多数应用都采用专家系统的形式，这些专家系统基于一系列精心制定的指导基本决策制定的“如果-那么”规则。虽然专家系统对于处理一项包含的任务很有用（例如在ATM取款），但它们很难处理无法轻易编入规则的请求。例如，很难编写规则来确定类人对象是人体模型还是真人，或者MRI扫描上的暗图案是肿瘤还是良性组织。这些任务往往依赖于难以表达的“隐性知识”。重大突破只有在新的人工智能方法投入使用时才有，而机器学习就是这种“新方法”中最具代表性的。机器学习不是从头开始编写规则，而是使用现有数据（例如，标记为人体模型或真人的图像，标记为恶性或良性肿瘤的MRI扫描）来“训练”算法。反过来，每当这些算法检测到一种模式时，它们就会创建一个通用规则来理解未来的输入，从而形成一个良性循环。目前，机器学习算法被用于各个领域，从发现欺诈性银行交易到帮助人力资源团队在招聘员工时筛选简历申请。在过去十年左右的时间里，机器学习一直主导着人工智能领域。但近年来，人们的目光转向了机器学习的一个子领域——深度学习（DeepLearning）。深度学习系统由具有多层的“人工神经网络”组成，每一层的任务是理解图像、声音或文本中的不同模式。第一层可以识别原始模式，例如图像中对象的轮廓，而第二层可用于识别该图像中的色带。数据通过多层馈送，直到系统能够将模式聚类到不同的类别中，例如对象或单词。根据伦敦国王学院的一项研究，使用MRI扫描的原始数据时，深度学习技术使大脑年龄评估的准确性提高了一倍多。除上述方法外，其他重要的人工智能方法还包括监督学习、强化学习和迁移学习：监督学习意味着算法被赋予标记数据，它们从中提取模式并推导出一般规则来理解未来的数据。大多数机器学习和深度学习算法都是使用监督过程进行训练的。无监督学习是指为算法提供未标记的数据并自行发现模式。示例包括营销公司使用的人群细分和一些网络安全软件。强化学习：有些算法只编写或训练一次，而强化学习利用正反馈机制在使用过程中不断调整和改进算法。短视频和在线购物中的推荐系统都是强化学习的例子。每次消费者购买产品（一本书、一张唱片或一件衣服）时，算法都会自动调整以在未来的推荐中考虑这些行为。迁移学习：迁移学习是指修改在一个领域开发的算法以用于另一个领域，而无需从头开始，也不必使用大量原始和标记数据作为来源。需要注意的是，上述人工智能方法并不一定相互排斥，往往可以结合使用。机器人的世界说完人工智能，再来说说机器人（Robotics）。机器人技术涉及设计、构建和编程能够与物理世界交互的物理机器人。只有一小部分机器人技术涉及人工智能。一般来说，构成机器人的三个重要元素：机器人通过传感器和执行器与物理世界进行交互；机器人是可编程的；机器人通常是自主或半自主的。因此，虽然拖拉机、建筑挖掘机和缝纫机具有移动部件并且可以执行人工任务，但它们需要长期（如果不是连续的）人工监督，因此不是机器人。相比之下，仓库中的拣选和包装机器，以及抬举和运送病人的“护理机器人”，执行具有部分自主性的任务，因此它们将被归类为机器人。“机器人”一词最早出现在1921年卡雷尔·恰佩克(KarelCapek)的一部科幻小说中，讲述了一个克隆人被当作奴隶的社会，只是为了让机器人推翻他们的主人。故事。直到1950年代，世界上第一家工业机器人公司Unimation成立之前，机器人技术一直是科幻小说中的内容。它发明了一种突破性的重达近2吨的机械臂，可以根据预编程的命令拾取和放置物品，非常适合在工厂中搬运重物。Unimate机器人于1961年在通用汽车公司首次亮相，用于运输热压铸金属零件并将它们焊接到车身部件上。不久之后，在1969年，机器人先驱VictorScheinman开发了世界上第一个电动铰接机械臂StanfordArm。它被视为机器人技术的一项突破，因为它在6个轴上运行，比以前的单轴或双轴机器具有更大的运动自由度。StanfordArm标志着关节机器人技术革命的开始，这场革命改变了制造业的装配线，并推动了包括Kuka和ABBRobotics在内的多家商业机器人公司的发展。多年来，关节机器人承担了多种功能，从焊接钢材到组装汽车再到喷漆白色家电。国际机器人联合会估计目前全球工业机器人的数量为270万。超越围栏的机器人在20世纪的大部分时间里，机器人行业仍然专注于铰接式机械臂。然而，与人工智能领域一样，在世纪之交，情况开始发生变化。本田的ASIMO机器人于2000年面世，是首批能够用两条腿行走、识别手势和回答问题的类人机器之一。三年后，KIVASystems（现为AmazonRobotics）成立，提供在复杂的配送仓库中运送货物和托盘的移动机器人。2000年代初也是自动驾驶汽车从实验室测试转向道路测试的时期。特别具有象征意义的是2004年DARPA挑战赛，这是同类奖项中的第一个。任何能够驾驶自动驾驶汽车完成230公里赛道的人都将获得100万美元的奖金。虽然这些机器人的功能、大小和环境各不相同，但它们都有一个共同特征：移动性。20世纪的铰接式机器人往往卡在一个地方，但21世纪的机器人已经开始移动了。其中一个驱动因素是人工智能和机器人技术的共生，其中复杂的软件使物理机器能够处理不可预见的情况和事件。例如，强化学习意味着机器人现在可以模仿人类并向人类学习。此外，将数据存储在云端意味着机器人可以学习并与网络中的其他机器人分享经验。另一方面，机器人技术的进步也得益于硬件创新。传感器的改进为机器人提供了在非结构化环境中导航所需的视觉感知能力。与这些传感器功能相结合的是丰富且不断增长的物理世界数据库，包括新的3D图像数据集，例如谷歌或百度的3D街景地图。最后，材料科学也在迅速发展。硅胶和蜘蛛丝等更好的材料使机器人看起来更锐利，而由压电晶体管制成的“机械毛发”与人类皮肤一样敏感。此外，液压泵也得到了改进，不仅具有极低的摩擦力，而且还实现了出色的控制水平。综上所述，结果是机器人不再局限于工厂，而是可以在各种环境中漫游，从医院病房到商店楼层再到城市街道。更好的是，机器人甚至在工厂中也在进化。最新的机器被称为“协作机器人”，旨在与人类工人一起工作，例如从垃圾箱中挑选零件，从生产线上移除有缺陷的产品，以及执行拧螺丝等简单任务。螺丝、胶水和焊接。它们也很容易重新编程，这使得它们对小批量生产的企业具有吸引力，并且它们具有扭矩传感器，即使有人接触也能让它们保持不动。麻省理工学院与宝马合作进行的研究发现，机器人和人类一起工作比人类单独工作的效率高85%。纵观机器人技术的发展，可以看出物理机器人主要有五种类型：关节机器人（移动机器人）：手臂至少有三个旋转关节的固定机器人，这种机器人通常出现在工业环境中。协作机器人是关节机器人的最新迭代。移动机器人：可以将货物和人员从一个目的地运送到另一个目的地的轮式或履带式机器人。自动驾驶汽车是移动机器人能力的巅峰之作。人形机器人：生理上与人类相似并试图模仿人类能力的机器人。SoftBank声称其Pepper机器人是第一款能够识别人类情绪并相应地调整其行为的机器人。假肢机器人：可以佩戴或操作以增强人们力量的机器人，包括残疾人或从事危险工作的工人。大众比较熟悉的名词是“外骨骼”。蛇形机器人：由多个部件和关节组成的蛇形机器人，可实现极其灵巧的运动。由于蛇形机器人能够穿越困难地形并在密闭空间内移动，因此在工业检查和搜救任务中得到应用。人工智能机器人：机器人与AI的桥梁从上面的描述中，我们可以了解到，大多数机器人并不“智能”。即使使用AI来控制机器人，AI算法也只是更大机器人系统的一部分，该系统还包括传感器、执行器和非AI程序。直到现在，所有的工业机器人都只能通过编程来执行一系列显然不需要人工智能的重复动作。然而，非智能机器人的功能十分有限。当您希望机器人执行更复杂的任务时，人工智能算法是必要的。例如，仓库机器人可能会使用寻路算法在仓库中导航；无人机可能会在电池电量不足时使用自主导航返回家园；潜在的危险。这些都是人工智能机器人的例子。未来会怎样？如果要问人工智能和机器人这两种技术在未来几年、几十年会如何发展，恐怕很难给出一个很好的答案。深度学习算法可能走到死胡同，人形机器人可能只是一种幻觉。一些观察家认为，全球人工智能泡沫正在膨胀，机器人变得更“人工”而不是“智能”。但我们可以相对肯定地说，只要计算能力、数据采集和存储、通用基础设施和研究投资不停止，这些技术就会以这种或那种方式继续发展。之后，我们应该更加警惕人工智能、机器人以及两者的结合所带来的社会影响。参考资料：[1]https://medium.com/@thersa/what-is-the-difference-between-ai-robotics-d93715b4ba7f[2]https://blog.robotiq.com/whats-the-difference-机器人与人工智能之间
