機器人在近幾年取得的進展還是比較大的,波士頓動力的那只機器狗就是很好的例子。不過,在之前的幾十年中,機器人的進展確實不大。
為什么會出現(xiàn)這種情況呢?這是因為直到近幾年人工智能才突破了自己的瓶頸,進入到一個快速發(fā)展期。近代人工智能依賴的一個重要理論是深度學習。盡管這不是一種新的理論,但是,深度學習要想取得好的成效需要具備三個條件,即大量的數(shù)據、算法、算力。這三個條件,尤其是算力和數(shù)據,都是在近幾年才得到很好的滿足,從這種意義上講,機器人在近幾年才取得突破性的進展也是自然而然地結果。
這里說到算力,補充一點,即深度學習為什么需要那么高的算力才可以出效果?其實這與我們的計算機結構有很大關系。傳統(tǒng)計算機是把存儲和計算分開的,這樣的設計其實并不適合人工智能。因為,如果參考自然界各種生物的神經元,每個神經元實際上都有存儲和計算的能力。但是沒有辦法,這里有個路徑依賴的問題。既然是依靠傳統(tǒng)的計算機上設計人工智能,就只能遵從其相應的規(guī)則。也就是說,我們現(xiàn)在的人工智能,實際上是通過編程的方式在傳統(tǒng)架構中構建人工神經網絡,這并不是一種最優(yōu)的方式,換一種方式,直接在芯片中編排神經元晶體管來構建人工神經網絡可能會更好一些。值得一提的是,得益于材料科學的發(fā)展,同時具有存儲和計算能力的神經元晶體管已經被德國的亥姆霍茲研究中心(HZDR)設計出來。至于未來呈現(xiàn)一個什么樣的走向,也是一個路徑選擇問題。
補充的這些資料可以從另外一個角度來說明在一個很長的時期內機器人沒有取得進展的原因,其中,路徑依賴問題是主要的。從另一方面講,要想更好的進行創(chuàng)新,就要思考問題的本質所在,一味沿著原來的道路前進,有時并不是一種好的選擇。