马斯克投资，数据利用率是深度学习的300倍，这套「智慧臂」在丝芙兰、梅西百货落地

「会思考的」机械臂...

Vicarious公司的递归皮质网络通过人类视觉中的横向连接和自上而下的注意力机制，让机器拥有对周围环境的感知能力。

近日，Vicarious 宣布，递归皮质网络已经应用，在机器臂上，让其能在复杂的工业环境中，替代一部分人类工作，产品已经以租赁的方式与丝芙，兰等商家合作。

编译 | 徐丹

在「让机器人变得和，人一样聪明」这件事情上，科学家们从未放弃过努力。

2017 年，美国人工智能公司 Vicarious AI 发表了一篇论文《A generative vision model that trains with high data efficiency and breaks text-based CAPTCHAs》，作者在论文中，提出了一个模型——递归皮质网络（Recursive Cortical Network）。

与一般机器人采用的机器深度，学习模型不同，递归皮质网络采用，生成概率模型，可以模拟和再生物体的，基本元素，比如角、轮廓和形状等特征，这意味着，如果这个模型应用到，机器人上，便能产生「可以想象的机器人」。

如果说深度学习模型是「狭义人工智能」，根据算法做数据预测或者机械，运动等工作，那么 RCNs 便是「智慧人工智能」，这些机器人更像人类，的大脑，会思考和想象，有适应性和灵活性。

近日，Vicarious AI 宣布，RCNs 已经真正应用了在了，工业机器人身上，制造出了一批智慧机械臂。

Vicarious 公司的商业模式是，购买工业机器人，用递归皮质网络对其改造，以出租的方式售卖给厂家，目前合作的工厂包括丝芙兰和布鲁明(，布鲁明)戴尔百货公司（梅西百旗下连锁店）等，进行包装盒码跺、产品包装和电商，物流等业务。



与一般机械臂相比，Vicarious 机械臂的软件开发原理和应用，效果都有所不同。

开发普通的机械臂，需要用一系列的，路点移动手臂，设计好它在三位，空间移动的命令列表。单个机器臂开发成本高，且具有无可避免的机械性。机器只能在固定路线移动，一旦物体位置稍有变化，机器臂便无法完成任务。

Vicarious 公司机械臂的开发逻辑是，为机器注入人脑模型，让机器在学习了，一项新的信息后，能够预想信息在其他环境，中的应用，即拥有理解周围环境，的能力。

在实际应用方面，Vicarious 机械臂可以做产品组装，和打包等更灵巧的工作，用时更短且更精准，能对未预测的变化，做出反应，即便物体位置有移动，也不会影响机器臂，正常工作。

Vicarious 的合作伙伴 Lila Snyder 就评价说，「Vicarious 可以让我们实现过去无法，实现的自动化。」

另外，机器臂触屏界面可支持快速，的重新编程，一分钟左右的时间就可以让机械臂将，包装盒码跺成新的图案。

据 Vicarious 公司介绍，智能机械臂未来还会用在更为复杂的，机械制造场景中。

让机器能理解周围环境的关键技术就是递归皮质网络（Recursive Cortical Network）。

Vicarious AI 有 20% 的成员是研究神经科学，的专家，认为大脑开发是实现，通用人工智能的关键。能够感知环境的递归皮质层网络，也正是借由大脑的视觉系统创造出。

2017 年，Vicarious AI 发表过一篇对人脑，皮质研究的论文，详细解释了地归皮质，网络与人类视觉系统的渊源。

一个典型的例子是利用，视觉皮层中的横向连接（lateral connections）。在人类的视觉系统中，横向连接能够保证人类理解物体，轮廓的连续性。将其应用到递归，皮质网络上时，横向连接允许递归皮质网络在池化的过程，中不会失去特异性，从而增加不变性。

另一个例子则是「自上而下的注意力机制」。即使是高度重叠且重叠部分，透明的字母 A 和 B，人类也可以轻松地，分开识别这些字母，这是依靠了注意力机制。当这种特性应用在递归，皮质网络时，就可以允许网络拥有，组合型（compositionality），允许用多个对象来，表示场景。

在应用过程中，科学家们利用了程序员，编程中的用到的框架「脚手架」，脚手架原本被用来，更好的访问函数，在这里被用来建造人类，识别图像的框架，让机器拥有和人类，视觉系统一样的特征。

从结果上来看，和主流的深度学习算法相比，Vicarious AI 的递归皮质网络在场景文字识别，中体现了 300 倍的训练数据使用效率，换句话说，通过递归皮质网络层，用于训练算法的图像数量比其他，方法少了300倍。

当拥有人类视觉系统的递归皮质网络运用，在机器人身上时，机器在一定程度上便有了，感知环境的能力，拥有注意力和分辨，物体轮廓的能力，进行复杂场景下的工作。

Vicarious 成立于 2010 年。联合创始人 Phoenix 和 George 从一开始就致力于利用人脑，开发人工智能，其中 George 在研究生时期就在，神经学研究中颇有造诣。

2013 年，Vicarious 就宣布其破解了，基于文本的验证码 (captcha)，这种验证码以图灵式网络，安全测试区分人类与机器人。

如果计算机程序能以超过 1% 的速度欺骗验证码，验证码就被认为无效。Vicarious 技术在 reCAPTCHAs 上的使用率是 66.6%，BotDetect 上 64.4%，Yahoo 上达到了 57.4%，PayPal 上达 57.1%。

基于安全考虑，Vicarious 当时并未公布具体的，技术细节，于是引来了非常，多的媒体质疑。有专家直接宣称，Vicarious 的这项宣布是「人工智能技术炒作的，教科书式的反例」。

2017 年，在一场深度学习会议上，Vicarious 正式提出递归皮质网络，模型，批判了深度学习技术，缺乏灵活性的特征，在 AI 届引起了不小的骚动。

虽然争议一直未停止，但这个技术还是得到，了不少投资人的青睐，Vicarious 在产品未正式落地，前便拿到了 1.3 亿美元融资，投资方包括 Facebook 创始人 Mark Zuckerberg、特斯拉的创始人 Elon Musk 和亚马逊创始人 Jeff Bezos。

而与融资的大幅扩张，不成比例的是，公司的规模并未扩张，一直保持着 50 人左右的规模，几乎所有的精力都，用在了研发上。

机械臂的诞生是递归皮质网络，的首次应用，为这项诞生以来就备受，争议的技术提供了一个有力的证明。机器思考时代的到来，或许也已经在路上了。

▼ 专题推荐

    关注 机器之能