奔跑、攀援、摔倒、爬起，对于野外动物来说，这些动作是与生俱来的本能。我们人类出生后，掌握这些动作的时间相对慢一些或者需要训练，但作为弥补，我们拥有非常精细的手部运动技能，可以从容操作各种工具。

而众所周知，无论是优雅地行走还是自然地抓取，机器人在这方面的表现一直不尽如人意，步态运动的协调性和机器手的灵巧度一直是业界难题。

但现在，情况正一点点发生变化。

据日前英国《自然》新闻与观点文章称，历经几十年，机器人终于在机器学习的帮助下，开始掌握自然地行走、奔跑和抓物的技能了。这一突破，被认为拉开了具有“物理灵活性”的人工智能时代的序幕，同时，开启了一个“机器人自主时代”。

机器人“活得”比你想的要难

一个机器人的“生命”，是从仿真开始的。

机器人工程师们首先会看引导软件在虚拟世界中是否表现良好，如果令人满意，这个软件就会被放进机器人体内，应用于物理世界。

但在物理世界中，看似很小的障碍都会让机器人陷入困境，他们不可避免地遭遇“真实世界”带来的无数巨大难题——那些无法预测的表面摩擦力、结构柔性、振动，以及机器人自身的传感器延迟、致动器转化不良等等，这一连串障碍，几乎没有一个能用数学模型提前假设。

过去几十年来，工程师其实也在不断尝试通过基于预测性数学模型（经典控制论）的软件，去引导机器人进行肢体活动。然而，这个方法在引导机器人肢体执行行走、攀爬和抓取不同形状物体这类极为简单的任务时，被证明无效。

机器人在仿真环境中即使再应对自如，进入真实的物理世界，也会如懵懂孩童般跌跌撞撞。

机器学习或能弥合仿真与现实差距

当人们已习惯机器人数十年如一日的蹒跚学步，科学家们却突然点亮了希望。

日前，苏黎世联邦理工学院机器人系统实验室团队在《科学·机器人学》上发表最新论文，给出了新证据表明，运用数据驱动法设计的机器人软件，有很大希望解决机器人学和人工智能研究长期面临的巨大难题——仿真与现实之间的差距。

团队演示的方法是将经典控制论与机器学习技术相结合。他们首先设计了一个四足机器人的传统数学模型，并给机器人起名“ANYmal”。接下来，再从引导机器人四肢运动的致动器中收集数据，数据输入多个人工智能神经网络系统，从而建立了第二个模型。

这个机器学习模型，就可以自动预测“AMYmal”机器人的肢体运动。经过训练的神经网络，只要插入第一个模型中，就可以在电脑上仿真运行这个混合模型。

团队发现这种利用数据驱动法设计的软件，大大提高了机器人的运动技能——它速度更快，动作也更精准。而且先将运动策略在仿真器中优化，再转入机器人体内在物理世界进行测试，最后机器人的表现，竟然和仿真表现一样好。

混合模型是变革的第一步

这一成就，被认为是机器人及人工智能的一项重要突破，其预示着，曾经不可逾越的仿真与现实之间的差距正在被消弭。

其也预示着新一轮人工智能的重大变革，而混合模型，正是这场变革的第一步。之后，所有的分析模型都将面临“下岗”。

通过机器人在现实环境中收集到的数据，训练机器学习模型——这一方法也被称为“端到端训练”（end-to-end training）。其正缓慢但坚定地照进现实，在诸如关节式机械臂、多指机械手、无人机，甚至是无人驾驶汽车中得到应用。

或许不久的将来，机器人工程师将不必再“告诉”机器人如何走路、如何抓取，而是让机器人利用自身收集得来的数据，进行自我学习。

不过，现阶段其也存在一定挑战。最重要的就是要优化可扩展性，以确定“端到端训练”是否可以扩展用于引导拥有几十个致动器的复杂机器，譬如类人机器人、制造工厂、智能城市这一类大型系统，进而用数字技术帮助人类切实地提高生活质量。

《自然》观点文章称，对人类来说，当脑中对未来行动的思路越清晰，这个人的自我意识能力也就越高。现如今，机器人已经在学习的路上更进一步，其不仅是一次具有实际意义的突破，让某些工程性劳动得以解放，还标志着科学家们已开启了“机器人自主时代”。