跟着科技立异成为年代主旋律，信任比如“主动驾驶替代司机”、“50%以上的作业岗位将会被AI替代”以及“机器人大规模列装，无人工厂成真”之类的新闻标题早已充满着各位的手机屏幕。

但这种技能名词的乱用往往会在不经意间使群众混杂“机器人”与“人工智能”（AI）两个概念。

机器人技能是AI的一部分吗？AI是机器人技能的一部分吗？这两个名词的差异是什么？经过今日的这篇文章，咱们来答复这些问题。

人工智能正其时

首要要阐明的是，机器人和人工智能彻底不是一回事，二者的意图十分不同。甚至能够说，这两个范畴几乎是彻底各自独立的。

人工智能（AI）是计算机科学的一个分支，它触及开发计算机程序来完结本来需求人类才智的使命。AI算法能够处理学习、感知、处理问题、言语了解和/或逻辑推理。

人工智能有两大类：通用人工智能（General AI，AGI）和狭义人工智能（Narrow AI）,有时还会从通用人工智能平分化出远超人类的超人工智能（Super AI）。

广义人工智能指的是与人类智力适当或更高的全体体系，它能够完结各种使命，从下棋到在商铺里招待顾客，再到创造艺术品。除了马斯克这样的乐观主义者外，大多数专家以为，咱们间隔看到能够逾越人类的AI还有几十年的时间。

当下，完结通用人工智能最底子的妨碍是，人类首选需求了解所谓的“智能”是怎么运作的，但是这是一个巨大的难题，亟待脑科学方面的打破。

但人类在狭义人工智能范畴现已取得了适当大的开展。在现代国际中，狭义人工智能（或弱人工智能）被用于许多方面，这些体系能够在严厉的参数内履行离散的使命，例如：

不难发现，这些使命能够概括为三类智能：感知、推理和交流，而且大多数AI程序与群众梦想中的“机器人操控”并无联系。

以苹果的Siri语音帮手为例，首要，它运用语音辨认算法来捕捉人们的问话（“感知”），然后运用自然言语处理来了解这串词的意义并确认一个答案（“推理”），最终运用自然言语生成这个答案并将其传达给用户（“交流”）。

人工智能的前史演进

那么人工智能体系是怎么走到这一步的呢？

自从20世纪40年代艾伦·图灵（Alan Turing）和他同年代的科学家开宣布第一台杂乱的计算机以来，思想机器的概念就现已存在了。

艾伦·图灵

1956年的达特茅斯学院大会一般被以为是AI开展的里程碑时间，其时计算机科学家们集合在一起，在“人工智能之父”马文·明斯基（Marvin Minsky）的推进下，将人工智能作为一个独立的范畴进行研讨。

马文·明斯基

但是，尽管前期该范畴取得了科学家的广泛热心和各界很多资金支撑，但人工智能的开端开展依然步履蹒跚，慢的令人绝望。

DARPA（美国国防部高档研讨方案局）曾在20世纪60年代向高校体系投入了数百万美元，期望机器翻译能够增强其反间谍才能，但因为机器翻译范畴缺少开展，他们的心情也变得消沉。

与此同时，在英国，1973年由詹姆斯·莱特希尔（James Lighthill）领导的一个人工智能政府委员会提出了严峻的质疑，以为人工智能研讨范畴只会以渐进的速度开展。

其成果是，美英两国甚至整个西方国际的政府赞助被大幅减少。

整个20世纪，人工智能在方针制定者和群众认识中的位置一直是起崎岖伏。往往是一个新的开展会引发一波热心和资金的激增，但因为许诺的立异未能完结，人们的爱好又急剧下降，从而导致失掉资源支撑。

为什么人工智能在20世纪开展如此缓慢？究其原因与研讨人员在开发软件时选用的办法有关。

20世纪的大多数人工智能运用都采取了专家体系的办法，这些体系依据一系列精心开发的“if-then”规矩，能够辅导根本的决议计划。

尽管专家体系关于处理一个包含的使命很有用（比如在 ATM 机中取钱），但它们却很难处理那些不简单被编入规矩的恳求。

例如，很难编写规矩来确认一个类似人类的物体是人体模型仍是真人，或许核磁共振扫描（MRI）上的深色图画是肿瘤仍是良性安排。这些使命往往依赖于那些难以表述的“隐性常识”。

只需当新的人工智能办法投入运用时，才取得了重大打破，而机器学习（Machine Learning）便是这类“新办法”中最具代表性的一个。

机器学习不需求从头开端编写规矩，而是经过运用现有的数据（例如，图画被符号为人体模型或真人，MRI扫描被符号为恶性或良性肿瘤）来“练习”算法。

反过来，这些算法每检测出一种形式，就会创立一个通用规矩来了解未来的输入，以此构成良性循环。现在，机器学习算法已被运用于多个范畴，从发现银行诈骗买卖到协助人力资源团队在招聘员工时挑选简历请求，使命多样。

曩昔的十多年里，机器学习在一直在人工智能范畴独领风骚。但在最近的几年，人们的注意力现已转向了机器学习的一个子范畴——深度学习（Deep Learning）。

深度学习体系是由“人工神经网络”（Artificial Neural Networks）组成的，它有多层，每一层都被赋予了对图画、声响或文本中不同形式进行了解的使命。

第一层能够辨认原始形式，例如图画中物体的概括，而第二层能够用来辨认该图画中的颜色带。数据经过多层输入，直到体系能够将形式聚类为不同的类别，例如物体或文字。依据伦敦国王学院的一项研讨，当运用核磁共振扫描的原始数据时，深度学习技能将大脑年纪评价的准确性提高了一倍以上。

而除了以上办法外，其他重要的人工智能办法还包含监督式学习、强化学习和搬迁学习：

监督学习（Supervised learning）：算法一开端就能够经过监督或许非监督式学习两种办法进行练习。

监督式学习意味着算法被赋予符号数据，它们从这些数据中提取形式，得出一个通用的规矩来了解未来的数据。大多数机器学习和深度学习算法都是运用监督进程来练习的。非监督式学习是指给算法供给未符号的数据，并自行发现形式。比如包含营销公司运用的人群细分，以及一些网络安全软件。

强化学习（Reinforcement learning）：有些算法只编写或练习一次，而强化学习则是运用正反馈机制，在运用进程中不断调整和改善算法。

短视频和网购中的引荐体系便是强化学习的一个比如。每逢顾客购买一件产品（一本书、一条记载或一件衣服）时，算法都会主动调整，以便在未来引荐时将这些行为考虑进去。

搬迁学习（Transfer learning）：搬迁学习是指将一个在某一范畴开发的算法进行修正，以用于另一个范畴，而不用从头开端，也不用将很多原始数据和标签数据作为来历。

要阐明的是，上述人工智能的办法并不一定是彼此排挤的，往往能够结合运用。

机器人的国际

说罢人工智能，再来谈谈机器人（Robotics）。机器人学包含规划、制作和编程能够与物理国际互动的物理机器人。机器人技能中只需一小部分触及人工智能。

一般，构成机器人有三个重要要素：

机器人经过传感器和履行器与物理国际进行互动；

机器人是能够编程的；

机器人一般是自主或半自主的。

因而，尽管拖拉机、修建挖掘机和缝纫机有运动部件，能够完结人工使命，但它们需求人类长时间（假如不是接连）监督，所以不属于机器人。

相比之下，库房里的拣货和包装机器，以及升降和转移患者的“护理机器人”，都是在部分自主的状况下完结使命的，因而它们会被归为机器人。

“机器人”一词最早出现在1921年卡雷尔·卡佩克（Karel Capek）创造的一部科幻剧中，该剧叙述了在一个社会中，克隆人被作为奴隶，成果机器人推翻了主人的故事。

直到20世纪50年代，机器人仍是科幻小说的专利，彼时全国际第一家工业机器人公司Unimation刚刚建立。它发明晰一种打破性的近2吨重的机械臂，能够依据预先编程的指令取放物品，是工厂里转移重物的抱负挑选。

1961年，Unimate机器人在通用轿车公司初次露脸，它被用来运送热的压铸金属件，并将其焊接到轿车车身部件上。

不久后的1969年，机器人前驱维克多·舍恩曼（Victor Scheinman ）开发了斯坦福臂（Stanford Arm），这是国际上第一个电动关节型机器人臂。它被看作是机器人技能的一个打破，因为它在6轴上操作，比曾经的单轴或双轴机器有更大的运动自由度。

斯坦福臂标志着关节型机器人革新的开端，它改变了制作业的装配线，并推进了包含库卡（Kuka）和ABB机器人在内的多家商业机器人公司的开展。

多年来，关节型机器人现已承当了从焊接钢材到拼装轿车，再到给白色家电加漆等各式各样的功用。国际机器人联合会（International Federation of Robotics）估量现在全球工业机器人的数量为270万台。

走出藩篱的机器人

在20世纪的大部分时间里，机器人职业依然会集重视关节型机械臂。但是，正如人工智能范畴相同，在千禧年之交，状况开端发生变化。

本田公司的ASIMO机器人于2000年露脸，是第一批能够用两条腿行走、辨认手势和答复问题的人形机器之一。

三年后，KIVA体系公司（现在的亚马逊机器人公司）建立，供给移动机器人，能够在杂乱的配送库房内络绎运送货品和托盘。

2000年代初，也是主动驾驶轿车从实验室测验走向路途实验的时期。特别具有象征意义的是2004年DARPA的挑战赛，这是同类奖项中的第一个。任何人只需能够让主动驾驶轿车跑完230公里的赛道，就能够取得100万美元的奖金。

尽管这些机器人的功用、巨细和环境各不相同，但它们都有一个一起的特色：可移动性。20世纪的关节型机器人往往只能固定在一个当地，但21世纪的机器人现已动了起来。

其间一个驱动要素是人工智能和机器人技能的共生，杂乱的软件让物理机器有才能处理无法意料的环境和事情。例如，强化学习意味着机器人现在能够仿照和学习人类。此外，将数据存储在云端意味着机器人能够与网络中的其他机器人学习和同享经历。

另一方面，机器人技能的前进也得益于硬件的立异。传感器的改善使机器人具有了在非结构化环境中导航所需的视觉感知才能。与这些传感器才能相匹配的是丰厚且不断增加的物理国际数据库，包含新的3D图画数据集，如谷歌或百度的3D街景地图。

最终，资料科学也在飞速开展。硅胶和蜘蛛丝等更好的资料使机器人外观看起来更锋利，而由压电晶体管制成的“机械毛发”则像人的皮肤相同灵敏。此外，液压泵也有改善，不只摩擦力极小，而且能够完结杰出的操控水平。

归纳以上的要素，成果是机器人不再局限于工厂，而是能够在医院病房、商铺楼层和城市大街等各种环境中周游。

更可喜的是，即便在工厂里，机器人也在不断进化。最新的机器被称为“协作机器人”（co-bots），其规划意图是与人类工人协同作业，例如从料箱中拣出零件，从出产线上取出不良品，并完结简略的作业，如拧螺丝、涂胶和焊接。

别的，它们也十分简单从头编程，因而对小批量出产的企业很有吸引力，而且它们还具有扭矩传感器，能够在人类触摸的状况下坚持不动。麻省理工学院与宝马公司协作进行的研讨发现，机器人与人类协作比人类独自作业的作业效率高85%。

纵观机器人技能的开展，能够看出现在的物理机器人主要有五种类型：

关节型机器人（Mobile robots）：固定式机器人，其手臂至少有三个旋转关节，这种机器人一般出现在工业环境中。协作机器人是关节型机器人的最新迭代。

移动机器人（Mobile robots）：轮式或履带式机器人，能够将货品和人员从一个意图地运送到另一个意图地。主动驾驶轿车是移动机器人才能的巅峰。

人形机器人（Humanoid robots）：与人类生理上类似并企图仿照人类才能的机器人。软银宣称其Pepper机器人是第一个能够辨认人类心情并相应调整其行为的机器人。

假肢机器人（Prosthetic robots）：能够穿戴或操作的机器人，让人们取得更大的力气，包含残疾人或从事风险作业的工人。群众更了解的名词是“外骨骼”。

蛇形机器人（Serpentine robots）：由多个部分和关节组成的蛇形机器人，能够极端灵敏地移动。因为蛇形机器人能够穿越困难的地势和在狭隘的空间中移动，因而在工业检测和搜救使命中得到了运用。

人工智能机器人：机器人和AI的桥梁

从以上的描绘能够了解，大多数机器人都不是“智能”的。即便AI被用于操控机器人，AI算法也仅仅更大的机器人体系的一部分，该体系还包含传感器、履行器和非AI程序。

直到现在，一切的工业机器人都只能经过编程来进行一系列重复性的动作，这些动作明显并不需求人工智能。但是，非智能机器人的功用适当有限。

当你想让机器人履行更杂乱的使命时，人工智能算法是必要的。

例如，仓储机器人或许会运用途径搜索算法在库房周围导航；无人机或许会在电池快用完的时分运用自主导航回来家中；主动驾驶轿车或许会结合运用人工智能算法来检测和防止路途上的潜在风险。这些都是人工智能机器人的比如。

未来会怎样？

假如要问我人工智能和机器人技能这两项技能在未来几年和几十年将怎么开展，恐怕很难给出好的答案。深度学习算法或许会走入死胡同，而仿人机器人也或许仅仅一种梦想。

有观察家现已提出，全球范围内的人工智能泡沫正在胀大，而机器人的“人工”程度超过了“智能”程度。

但咱们能够比较肯定地说，只需算力、数据收集和存储、通用基础设施以及研讨出资没有停下来，那么这些技能将持续以这样或那样的办法持续开展。继那之后，咱们更应该警觉的是AI、机器人以及二者结合后所发生的社会性影响。

参考资料：

[1]https://medium.com/@thersa/what-is-the-difference-between-AI-robotics-d93715b4ba7f