385期2024年06月號
出版日期：2024/06/15
觀念探索 Trend
許我一個夢想機器人
撰文／何綺拉（Melissa Heikkilä） 翻譯／連育德
安靜、死板、笨拙。
本刊取得美國麻省理工學院Technology Review期刊圖文授權。
更大量的數據、更厲害的人工智慧，以及更便宜的硬體，讓實用型居家機器人的未來不再遙不可及。
艾文斯夫婦早已習慣這樣的房客。他們在加州洛沙托斯山丘（Los Altos Hills）的家中，過去十幾年來來去去了不少這樣的機器人。
2002年，正值40歲的亨利發生嚴重中風，四肢癱瘓，失去說話能力。他後來學會靠視線在字母板移動的方式溝通，但生活還是非常仰賴看護與太太簡恩。
2010年，亨利在CNN電視台看到坎普（Charlie Kemp）的訪談，頓時窺見不一樣的人生。坎普是喬治亞理工學院（Georgia Tech）的機器人學教授，正在介紹由柳樹車庫公司（Willow Garage）研發的PR2機器人。PR2是一台擁有雙臂、以輪子移動的大型機具，彷彿金屬外型的簡易管家。坎普展示著PR2的功能，提到他在醫療保健機器人的研究有機會造福人群。畫面中，他讓PR2把藥品遞給節目主持人。
「亨利當時突然轉頭對我說，真希望那個機器人是我身體的延伸。我回說有何不可？」簡恩說。
但說得容易，做起來難。在實驗室與工廠這類嚴格控制的環境中，機器人已有大幅進展，能夠投入工作，但要設計出適合居家環境的機器人，還是有難度。走進雜亂無章的真實世界，每戶家庭的家具與格局大不相同；小孩和寵物可能跑跑跳跳，擋住機器人去向；折衣服時，衣服的形狀、顏色、尺寸各有不同。這樣的環境與情況難以預期又變化多端，即使是最先進的機器人原型也難以招架。
拜人工智慧（AI）之賜，這樣的窘境似乎終於出現改善。數十年來，機器人專家借重功能導向軟體，或多或少聚焦在控制機器人的「身體」，例如手臂、腳、槓桿、輪子等，但新一代科學家與發明家認為，現在補上AI這個環節，機器人得以學習新技能與適應新環境，速度更勝以往。或許機器人終於能夠踏出工廠，走進住家。
不過，進展無法一蹴可幾。多年來用過好幾款機器人原型的艾凡斯夫婦深知這個道理。
PR2是他們試用的第一款機器人，讓亨利新增了一些全新的技能。好比說，PR2可以握住刮鬍刀，亨利只要把臉貼著刮鬍刀移動，就能刮鬍子，或是用類似的方式抓癢，這是他過去10年辦不到的事。但這款造價40萬美元的機器人重約450磅（200公斤），非常笨重。「它可能一不小心就打破牆壁。」簡恩說：「我不太喜歡。」
他們兩人最近在測試一款體積更小、名叫Stretch的機器人，它來自坎普所成立的新創企業「哈囉機器人」（Hello Robot）。第一代產品在疫情期間問世，價格合理許多，約1萬8千美元。
Stretch重約50磅，採取小型移動式基座，搭配一根裝有攝影機的桿子，還有一支可調整手臂，手臂夾手的末端有吸盤。Stretch可用遙控器操控，但亨利必須使用筆電控制，有個工具能夠追蹤他的頭部動作，進而移動游標，他再移動拇指和食指來點擊滑鼠。夫婦兩人去年夏天使用Stretch一個多月後，亨利表示它大幅提升了自己日常生活的獨立性。「它很實用，我可以想像自己每天都用到它。」他說。
透過筆電，他可以叫機器人幫他梳頭髮，握住水果串讓他吃。機器人甚至讓亨利和孫女的感情升溫。他們兩人以前很少互動。「孫女以前根本不會抱著他說再見。」簡恩說，但亨利和孫女可以用Stretch玩遊戲，像是接力賽、保齡球、磁吸釣魚等。
Stretch並非絕頂聰明，它只預先安裝了一些軟體（例如讓亨利能夠控制的網路介面）與其他功能（如AI導航），這樣的好處是，使用者可以插入自己的AI模型，拿來做實驗。雖然簡單，但它讓人瞥見機器人也能居家又實用的未來。機器人研究自1950年代興起以來，研究人員無不夢想著它能幫人類做家事，如折衣服、煮飯、打掃等。曾經很長一段時間，「機器人領域只是有夢最美」。坎普說。
但加州大學柏克萊分校機器人學教授高伯格（Ken Goldberg）指出，這個領域如今來到轉捩點。他說，先前再如何努力打造實用的居家機器人，還是無法達到主流文化的想像。如今情況已不可同日而語。除了有Stretch這樣的低成本硬體，數據的收集與分享也逐漸完備，再加上生成式AI的進展，機器人的能力與實用性更勝以往。「現在的機器人愈來愈厲害，快達到真正實用的境界。」高伯格說。
折衣服、煮蝦子、擦東西、從購物籃拿出雜貨，這些對上一代機器人都是不可能的任務，但目前的AI機器人正在學習如何完成這些動作。
缺漏的一環
機器人專家都熟知一個現象：人類做不到的，機器做得到；人類做得到的，機器做不到。這個所謂的莫拉維克悖論（Moravec's paradox），在1980年代由莫拉維克（Hans Moravec）首度提出，他當時是卡內基美隆大學（Carnegie Mellon University）機器人研究所（Robotics Institute）的機器人專家。機器人可以下棋或連續幾小時握住物體不動，但要它繫鞋帶、接球、交談就有難度了。
高伯格點出3個原因。首先，機器人無法精準控制與協調動作。其次，因為機器人須仰賴攝影機和感測器，因此對周遭世界的瞭解有限。第三，機器人缺乏應用物理的觀念。
「要它拿起鐵錘，除非它從重的那頭拿，否則鐵鎚可能會從夾手掉下來。光是看鐵鎚沒辦法知道會這樣，除非它知道鐵鎚的原理。」高伯格說。
除了這些基本考量外，其他許多技術層面也要水到渠成，例如馬達、攝影機、Wi-Fi等，硬體高得嚇人的價格也是一個癥結點。
從機械的角度來看，機器人能做繁複任務已有好一段時間。從1957年的一段影片可看到，兩隻大型機械手臂能夠靈巧夾住一根香菸，放進正在打字的女子嘴裡，還能幫她補擦口紅。不過，這個看似聰明又有空間意識的機器人，其實是背後有人操作。
「機器人學缺漏的一環是，如何讓軟體自動做到這些事？」卡內基美隆大學資工助理教授帕沙克（Deepak Pathak）說。
訓練機器人的研究人員為了解決這個問題，通常會鉅細靡遺規劃機器人的一舉一動。機器人大廠波士頓動力公司（Boston Dynamics）當初研發又會跳舞、又會跑酷的人形機器人Atlas時，正是採用這個方法。研究人員先以攝影機和電腦視覺技術辨識物體和場景，接著使用這份數據打造模型，能夠高度精準預估機器人做哪個動作會發生什麼事。透過這些模型，機器人專家編寫極為具體的行動清單，以此規劃機器人的動作。工程師接著在實驗室反覆測試這些動作，微調到完美狀態。
但這個訓練方式有局限，因為機器人經過嚴謹規劃，只能在特定環境中工作，一旦走出實驗室來到陌生據點，可能就會跌倒。
帕沙克說，跟電腦視覺這些技術領域相比，機器人學還在黑暗時代，但不久可能就會看到曙光，因為機器人技術正在經歷一陣大風吹。他說，受惠於AI熱潮，現在的研究焦點不再是動作的靈活性，而是透過神經網路的形式，打造「通用型機器人大腦」。正如人腦懂得適應、也能控制人體的不同層面一樣，神經網絡經過調整後，也能適用於不同的機器人與情境。相關研究的初期跡象顯示，後續發展值得期待。
當機器人遇見AI
有很長一段時間，機器人一直是吃力不討好的研究領域，進展緩慢。任職於卡內基美隆大學機器人研究所的帕沙克說：「這一行以前有句話說：一接觸機器人，博士就得多讀一年。」但他說現在不一樣，學生可以接觸到很多機器人，研究結果幾星期就看得到。
新一代機器人之所以不同，原因在於軟體。機器人專家不像以前需要辛苦規劃與訓練，而是採取深度學習和神經網路，打造新型機器人，能夠隨時隨地從環境學習，視情況調整行為。此外，硬體也推陳出新、價格變得更低，讓能利用現成零件與Stretch的機器人實驗更加方便。
以AI訓練機器人大致有兩種常見方式。一種是強化學習（Reinforcement Learning）技術，能讓系統從錯中學而不斷精進，帕沙克便是採這項技術，讓機器人在新環境調整動作。波士頓動力公司也開始以這項技術訓練名為小花（Spot）的機器狗。
2022年，帕沙克的團隊借重強化學習技術，研發出四足機器人，能夠爬上階梯，遊走於複雜地形。這批機器狗先在模擬軟體接受訓練，學習如何以一般方式移動，然後放到現實世界，以一個內建設影機與電腦視覺軟體引導。其他類似的機器人則依賴嚴格規範的內部地圖，超過範圍就無法行動。
帕沙克說，他的團隊從人類導航取經。人類以雙眼接收周遭環境的訊息，直覺地將一隻腳抬到另一隻腳前面的方式走路，通常不會低頭看正下方的地面，而是看著幾步以外要去的地方。帕沙克的團隊訓練機器人也採取類似的步行方式，先以攝影機看前方，然後記下前方有何物體，決定腳步怎麼踩。機器人沒有內建的內部地圖，而是即時認識周遭世界，視情況調整行為。當時接受本刊採訪的專家都說，這項技術是「機器人學習與自主性的一大突破」，有利研究人員研發出能夠部署在實驗室以外的足式機器人。
帕沙克的機器狗如今再次升級。研究團隊採用最新運算法，讓一款四足機器人從事極限跑酷。它同樣先以模擬軟體接受訓練，學習如何一般移動，但接著加上強化學習，讓它能夠邊動作邊學習新技能，例如長距離跳躍、用兩隻前腳走路、爬上比它高1倍的大型木箱。這些行為並沒有事先設定在軟體，而是機器人又是反覆摸索、又是接收前置攝影機的視覺資訊後學習的成果。「3年前我曾覺得這根本無法做到。」帕沙克說。
另一項常用的技術稱為「模仿學習」（Imitation Learning），亦即由模型模仿人類行動，例如人類遠端操控機器人，或使用虛擬實境頭戴裝置收集機器人數據，藉此學習如何執行任務。在豐田研究所（Toyota Research Institute）擔任機器人研究部門副總裁、亦是麻省理工學院教授的泰卓克（Russ Tedrake）說，這項技術在過去幾十年來來去去，但近來在操控型機器人領域又流行了起來。
藉由把這項技術搭配生成式AI，豐田研究所、哥倫比亞大學（Columbia University）與麻省理工學院（MIT）的研究人員已能迅速教會機器人完成許多新任務。他們認為找到方法延伸這項技術，讓生成式AI不只是創造文字、圖像和視訊，也能生成機器人的動作。
這項技術的概念是，先以手動控制機器人，示範打蛋攪拌、撿起碗盤等行為，再使用一種稱為「擴散策略」（Diffusion Policy）的技術，讓機器人使用這些數據學習技能。研究人員教了機器人200多種技能，像是剝蔬菜、倒液體等，並表示希望年底達到1千種技能。
其他人也善用生成式AI的優勢。機器人新創企業Covariant分拆自OpenAI目前已關閉的機器人研究部門，研發出一種多模態模型，稱為RFM-1，接受文字、圖像、影片、機器人指令或測量等形式的提示，生成式AI讓機器人了解指令，並產生與任務相關的圖像或影片。
泰卓克指出，豐田研究所希望這項技術日後催生出「大型行為模型」，類似大型語言模型。「很多人認為，行為複製（Behavior Cloning）能夠為機器人技術帶來ChatGPT等級的突破。」他說。
史丹佛大學有個團隊在年初進行類似示範，使用相對便宜、價格3萬2千美元的現成機器人，運用AI迅速學會如煮蝦、清潔污漬等較複雜的新技能。
這款名為「行動阿羅哈」（Mobile ALOHA；其意為低成本開源硬體遠端作業系統）的機器人，靠著僅僅20次的人類示範，加上其他動作如撕紙巾或撕膠帶的數據，就學會煮蝦。史丹佛大學研究人員發現，AI可以協助機器人獲得可轉移的技能，意思就是習得某項操作後，也有助於它在其他任務上的表現。
這一切都是在為居家機器人奠定基礎。人類的需求會隨時間變化，因此教會機器人做好各種任務很重要，幫助它適應人類生活。而擁有這種學習技能，也攸關機器人的商業化。第一代居家機器人的價格高昂，因此要有足夠的實用技能，一般消費者才會願意花錢購買。
在史丹佛大學擔任資工與電機工程助理教授，同時也是行動阿羅哈計畫顧問的芬恩（Chelsea Finn）指出，許多研究機器人的社群長年對上述方法高度存疑。她說，不到10年前，機器人相關會議上很少提及機器學習技術，圈內人對這些技術總是抱著嗤之以鼻的態度。「但自然語言處理技術如今大行其道，讓愈來愈多人了解到這項技術的厲害。」她說。
但新的問題來了：為了模仿新行為，AI模型需要有大量數據。
多多益善
聊天機器人可以用網路上的數十億筆數據來訓練，但機器人不同，需要有專門為機器人建立的數據。紐約大學（New York University）資工助理教授平托（Lerrel Pinto）指出，機器人需要人類實際示範如何打開洗衣機和冰箱、如何拿起餐盤、如何折衣服等。這些數據目前少之又少，靠人類來收集要花很多時間。
有些研究人員以人類執行某些任務的現有影片為素材，嘗試拿來訓練機器人，希望機器人複製動作，不必人類實際示範。
平托的實驗室也想出一個簡易又低成本的方式收集數據，讓機器人能做到期望中的動作。研究人員利用一根類似撿垃圾的抓取棒，上面綁上iPhone，請志願者拍攝做家事的過程，模仿機器人手臂末端的視野。平托的研究團隊這個代替Stretch機械手臂的裝置，再搭配DOBB-E開源系統，只用了20分鐘的iPhone資料，就讓Stretch機器人學會從杯子倒水和打開浴簾等任務。
但如果是更複雜的任務，機器人便需要更多數據和示範。
平托說，靠DOBB-E系統很難達到必要規模，因為這樣等於要說服全世界每個人買抓取器、收集資料、上傳至網路。
由Google DeepMind啟動的「開放X體現合作」（Open X-Embodiment Collaboration）計畫，旨在改變這個情況。該公司去年與34個研究實驗室、約150名研究人員合作，從22款不同的機器人收集數據，哈囉機器人公司的Stretch也是其中之一。相關數據在2023年10月公布，內容包含機器人示範527種技能，如撿東西、推東西、移動等。
參與計畫的加州大學柏克萊分校資工專家萊文（Sergey Levine）說，計畫的目標在於收集全球各地實驗室的數據，建立起「機器人網路」，讓研究人員能夠取得更多、更大型、更多元的數據。造就出當今生成式AI的深度學習革命，起源於2012年大型網路圖片庫ImageNet的崛起。機器人社群希望開放X體現合作計畫也能發揮類似作用，引爆機器人數據。
初期跡象顯示，數據愈多，機器人愈聰明。研究人員建立一個稱為RT-X的機器人模型，分兩個版本，可以在個別實驗室的電腦自行運作，也能從網路取得。針對可從網路存取的大型版本，研究人員先拿大型語言模型與圖像模型對它訓練，讓它建立起「視覺常識」，也就是對世界的基礎認識。
研究人員在多款不同機器人執行RT-X模型時，發現比實驗室單獨開發的系統更懂得學習技能，成功率高出50%。
「當初應該沒有人預期會有這個結果。」Google DeepMind機器人技術主管范豪科（Vincent Vanhoucke ）說：「突然間，我們有機會利用所有數據來源，讓機器人出現高度智慧化的行為。」
范豪科說，許多機器人專家認為，大型視覺語言模型既然能夠分析圖像和語言資料，或許也能為機器人提供提示，幫助它理解周遭世界如何運作。這些語言模型提供語意線索，協助機器人詮釋圖像後進行邏輯思考、推論與 學習。研究人員測試事先經過大模型訓練的機器人，要它指出歌手泰勒絲（Taylor Swift）的照片。研究人員事前並未讓機器人看過照片，但范豪科說，機器人還是辨識得出來，因為它有整個網路的資料當作理解基礎，即使資料庫裡沒有泰勒絲的照片也不是問題。
范豪科說，Google DeepMind現在愈來愈常用類似機器翻譯的技術，把英文翻譯成機器人文。去年夏天，Google推出視覺語言動作模型，稱為RT-2，以線上文字與圖像為訓練素材，加上自己與現實生活的互動，進而建立起對世界的一般理解，再將這份數據轉譯成機器人動作。他補充道，每款機器人把英語轉譯成動作的方式略有不同。
「我們愈來愈傾向認為，機器人本質上是一種會說機器人語的聊天機器人。」范豪科說。
一步一步來
儘管機器人發展迅速，仍待克服重重考驗，才能在現實世界登場。對一般消費者來說，機器人還是太過笨拙，不值得花上幾萬美元投資購買。機器人也缺乏同時進行多項任務的常識。高伯格說，機器人不能只是撿起東西放到某個地方而已，還要懂得整理東西，例如把紙牌或桌遊放回盒子，再放入遊戲櫃。
但平托說，從機器人整合AI的初期成果來看，機器人專家的心血並沒有白費。
「我確信會出現某種形式的通用型居家機器人，但能夠普及嗎？我覺得沒辦法。」他說：「但我們已能看到原始智能表現的初步跡象。」
打造下一代機器人可能不只是幫助人類做家事，或讓亨利這樣的身障者更加獨立自主。對於平托等研究人員來說，目標更大。
他說，要判斷機器智慧是否達到人類層次，居家機器人是最好的指標之一。人類能夠展現智力因應居家環境的大小事，顯示這是可以達成的智力層次。
「我們有機會解決這個問題，只是還不知道怎麼做。」他說。
對亨利和簡恩兩夫婦來說，光是有一個運作可靠的機器人就已經是大幸，因為他們嘗試使用的Stretch機器人還是有許多問題，要靠研究人員到場排除故障，他們家的Wi-Fi連線有時也不穩定，影響亨利使用筆電跟Stretch溝通。
儘管如此，亨利說這項機器人實驗讓他重拾獨立，是最大的好處之一。「雖然只能待在床上，但現在我可以藉由操作機器人替自己完成一些事情。」
拜Stretch之賜，亨利打牌時可以自己拿紙牌，這也是他過去20年做不到的。
「我甚至有幾次把大家打得落花流水。」他說。
「夠了喔，也講得太誇張了。」簡恩說著便笑了起來。
------------------
何綺拉是《麻省理工科技評論》資深記者，報導人工智慧的趨勢與對人類社會的影響。
Copyright©2024, Technology Review. All Rights Reserved.
下載全文PDF