當數據科學家談論深度學習時，通常談論的是圖像生成、檢測、分類和回歸任務。盡管如此，深度學習和人工智能正被廣泛應用于機器人領域，并解決了其中一些重大的挑戰。正是對計算機視覺的深入學習推動了人們對自動駕駛汽車的追求。強化學習也為AlphaGo這樣的應用提供了動力，而更多的組織希望通過這些應用獲得更多回報。

深度學習如今已經取得了很多進步，但人們仍然希望在某個時間點達到最終目標——通用人工智能(AGI)。

[[380749]]

AGI機器人可以執行任務嗎?

AGI是一種假想的機器智能，它可以理解或學習人類可以完成的任何智能任務。

行業專家Steve Wozniak提出了一項用于確認AGI具有人類水平的測試，其中一項是家庭應用的機器人需要知道如何煮咖啡——也就是說，機器人必須找到咖啡機和咖啡，加水，找到杯子，然后煮咖啡。

這項任務對人類來說可能輕而易舉。然而對于機器人來說，它本質上意味著使用各種計算機視覺技術以正確的方式與環境進行交互，以識別和使用對象，然后根據對任務的理解采取所有正確的措施。

確認AGI的另一項測試是圖靈測試，其中人類與機器交談，而人員必須猜測是在與機器還是在與另一個人交談。如果機器能夠愚弄人類很多次，那么就會通過測試。

圖靈測試涉及對人類語言及其結構的深刻理解，這是一種如何連續使用語言的感覺。

人工智能能夠提供什么幫助?

埃隆·馬斯克、比爾·蓋茨以及史蒂芬·霍金等公眾人物都認為人工智能可能對人類構成生存風險(例如終結者的Skynet)，但是人們離真正害怕人工智能的地步還很遙遠。

雖然像AlphaGo擊敗圍棋世界冠軍這樣的進步確實讓人們以為計算機超越了人類，但必須明白的是，這臺機器本質上是在試圖模仿它所學習的數以百萬個棋局的邏輯。這些棋局提供了大量的訓練數據，與真實世界相比，人工智能采取的行動的自由度非常有限。另一件事是，這些人工智能不是多功能的。這意味著，雖然人工智能可以很擅長做一件事，但并不會做其他事情。而能夠獨立思考并產生現實行動的機器人可能出現在遙遠的未來。

盡管如此，人們在實現這一目標方面正在取得一些進展。而且應該考慮如何立即設置過濾器或限制，以確保人工智能不會傷害人類或帶來其他損害。人們已經在基于人工智能的培訓方式和人員的角度來應對人工智能偏見，因此在未來的自主人工智能出現之前，仍然存在很多障礙。

研究人員已經在研究用于計算機視覺(CV)的深度學習，它可以幫助機器人和機器人應用程序使用各種傳感器來了解其環境，并幫助他們避開道路上的障礙物。而機器學習和計算機視覺(CV)技術確實可以解決這一問題。這將成為自動駕駛汽車的重要組成部分，即使沒有訓練數據，它們也必須學習如何在新條件下觀察和學習。

許多研究也圍繞著語音識別(可用于將人類語言轉換為機器語言)和自然語言處理(NLP)展開，自然語言處理可為機器提供理解和與人類對話的能力。有些人已經通過Alexa、Portal和Google家庭設備使用了低級的版本。事實上，GPT-3是一種新的語言生成模型，可以撰寫有趣的文章，它再次通過在自然語言處理中使用深度學習來提供支持。

關于機器人深度學習的幾點思考

如今，人工智能的狀態往往以一種孤立的方式解決問題。例如，視覺問題與語言/語音問題分開解決。

研究人員需要做的下一件事是將所有這些功能集成到可以自己做出決定的工作機器人中。這些機器人需要能夠親身體驗現實世界，以創建自己的世界觀，并從其環境中獲取可用于自身訓練的其他數據。

雖然說起來容易做起來難，但要達到這樣的目標還需要更多的技術進步，但是只要繼續朝著正確的方向前進，機器人實現AGI并開啟全新的世界只是時間問題。