其實，人工智能的發(fā)展還要打敗很多大小怪獸。即便是戰(zhàn)勝了人類圍棋高手的AlphaGo目前也僅具備弱人工智能水平！雖然科幻電影里被機器人接管的世界距離我們還有些遙遠，但科研人員們正在努力“打怪升級”，爭取讓能為人類提供服務的機器人早日來到我們身邊。

假如你說：“機器人，把桌上的蘋果拿去洗洗，給大家吃吧！”為了聽懂并服從這個命令，機器人到底要具備哪些本領呢？ 

首先，機器人要理解這句話的含義。這就涉及到語音識別和自然語言處理兩個研究領域。語言識別，就是把機器人聽到的聲波轉成文字。自然語言處理，就是把一句按人類習慣說的話，解析成計算機能理解的信息。這一過程并不容易——Amazon近期發(fā)布的智能音箱Echo，重點攻關了遠距離以及有噪音情況下的語音識別這一難題，但也只能進行有限的對話，更不用說像人類一樣理解對話中復雜的情境和上下文了。

假設機器人已經正確識別出這句話。接下來的難題是：什么叫“桌子”？“蘋果”是什么？什么叫“洗洗”？誰是“大家”？什么叫“吃”？這些都屬于人類知識庫里的常識問題。 人和人的溝通大量依賴常識，而這些都是機器不具備的。這種常識的學習對機器人而言是挑戰(zhàn)，因為這些知識既無法預測，也無法泛化，更無法預先植入。機器人必須具備某種持續(xù)的自主學習能力，才能推理出用戶的命令究竟是什么意思。 

自然語言處理過程中的上下文問題，個人常識的搜集、表達和存儲，以及如何利用這些常識實現人機自然交流——這些都是英特爾中國研究院的小伙伴們目前正在努力研究的課題。其中最大的挑戰(zhàn)在于發(fā)現信息之間的相關性，并在適當時機，激活最可能相關的信息，為人機交流補足上下文。相信不久后就有更會聊天的機器人來陪伴你啦！

假設機器人能正確識別出桌子和蘋果，下一步就是找到蘋果。這就涉及到計算機視覺難題——就是讓計算機長出一雙人類的眼睛，能分辨出人可以看到的景象，提取出人能提取的信息。假設機器人能夠完美捕捉三維信息，接下來就是如何理解“看到”的圖像。 

現在需要回答：這些0或1到底代表什么？計算機用像素來代表一張圖片， 每個像素都有一組數據代表該像素的顏色和光照信息，可以用下面的數學表達式來代表計算機圖像識別的工作原理： 

I=P(O,W)

其中I表示圖像，O表示包含多個不同類別的物體集合，W表示影響因素

一張圖像首先包含多個不同類別的物體集合。同一類的物體本身就存在差異，物體自身也是五顏六色。即使是同一個物體在圖像中的像素值也會受到很多因素的影響，包括光照強度和方向、相對攝像機的位置和姿態(tài)、物體之間的遮擋關系、物體自身的運動、攝像機參數等。在數學分析中，從圖像(I)中感知物體集合(O)就必須同時恢復這些相關參數(W)。這是一個高維度數學問題，而答案的不唯一極大地增加了計算難度。與之相比，“棋圣”AlphaGo需要求解的未知參數僅僅是下一步棋子的坐標，參數維度大大降低。這是機器人下圍棋比做家務更為簡單的原因之一。

現在我們的機器人已經成功拿到了蘋果，接下來它該怎樣走到人的正面并送出蘋果呢？“送蘋果”涉及很多技術，比“找蘋果”更加復雜。機器人要有房間地圖，要能定位自己的坐標，還要判別靜態(tài)和動態(tài)障礙物，之后才能規(guī)劃運動路徑，搜索所有的區(qū)域。在搜索過程中利用“眼睛”找到大家——各種姿態(tài)、各種朝向、各種運動狀態(tài)的人。然后運動到每個人面前，向大家打招呼，把蘋果遞過去。讓機器人順利完成“找人”一直是英特爾的研究重點。目前，我們的機器人已經可以在實驗環(huán)境中找到人，并識別出人的正面、背面和側面。研究員們正在努力讓機器人變得更聰明，更穩(wěn)定，在幫人類“偷懶”的道路上走得更遠。

蘋果終于被送出去了，機器人總算松了一口氣。別忙，它還有一件重要的任務——學習記憶。通過這次經歷學到了什么？當然要牢記學習成果，犯過的錯可不能重蹈覆轍。那么，機器人應該如何記憶呢？

記憶是人類的高級行為，記憶的內容某種程度上相當于形色各異的知識。將觀察所得轉換為知識還有很長的路要走，因此在機器人身上模擬人類記憶難度極大。受限于現階段傳感器的技術水平、人類行為和動機的理解局限，以及對人類大腦工作原理的未知，讓機器人具備有效的記憶功能充滿了挑戰(zhàn)。我們目前正在重點探索如何為機器人構建可學習、可推理、可搜索的記憶。

機器人領域的研究任重道遠，但又潛力無限，科研人員們正在上下求索。也許在未來的某一天，你我身邊也會出現像電影里大白那樣的智能型知心好伙伴。