隨著技術的發展，機械手臂已經不再像我們過去印象中只能在工廠中進行重復單一勞動的裝置了，如今它們已經進化得越來越像人靈巧的手。雖然離科幻小說有血有肉的精密機械手還有很大的差距，但今天世界各地的AI實驗室已經開發出了各種各樣的“手”，推進著我們對于機器人的想象。加上算法的強大威力，他們可以推、拉、拾、放各種物體，還能在手中旋轉把玩。

旋轉翻騰

近來最出名的機器手要數OpenAI的Dectyl了，通過深度學習的算法訓練，它掌握了如何在手掌中翻轉立方體這一復雜的人類動作。

通過復雜的模型，Dectyl可以利用大量的訓練來學習如何實現復雜的操作。通過模擬學習在計算機硬件上進行了大量的訓練，隨后將訓練結果遷移到現實世界中實現了靈活的翻轉。研究人員相信通過這樣的方法可以為它訓練更多的復雜操作。

這一研究代表了目前機器手研究的巨大飛躍。但除了如此復雜的高度仿生的機械手外，研究人員們還在研究如何用更為簡單的“手”來完成一些簡單的任務。

夾爪

伯克利大學AutoLab的研究人員創造出了利用兩個手指的夾爪來抓取螺絲刀、老虎鉗等細小的工具，并把他們放到指定的箱子里。

由于夾爪的控制比五指機械手容易，同時軟件也比仿生的機械手容易的多。所以在很多簡單場合是一種不錯的抓取工具。它同時也可以處理一些稍微變化的物體。例如沙拉醬的瓶子，在它看來就十分類似于螺絲刀的長條圓柱形，可以尋找到合適的點來抓取。但當它遇到一些外形十分不同的形狀（與已知的形狀相去甚遠），例如一只鐲子，它就難以抓取了。

傳送門>>機器人操作的“圣杯問題” -- Bin Picking

撿拾

如果你想要機器人抓取更多的物體，甚至是從未見過物體那要怎么辦呢？AutoLab的科學家們在過去幾年一直致力于這方面的研究，并開發出了一款稱為Dex-Net的框架，來幫助機器人識別并抓取不同形狀的物體。

系統的硬件十分簡單，綜合了兩種抓取系統：分別是夾爪和吸盤。但簡單的組合帶來的是它可以抓取十分豐富的物體類別，從剪刀到玩具恐龍都可以輕松處理。

這主要得益于這套系統集成了目前先進的機器學習算法。研究人員們為超過10000中物體建模，識別出最好的抓取策略。隨后利用神經網絡學習、分析、處理這些數據，學會通過圖像識別出抓取物體的最好方式。這使得機器人的抓取方式有了質的提升，與過去需要為每一種任務方式編程不同，現在機器人可以通過自己來學習物體的抓取。

利用這套系統，機器人可以在完全隨機排布的情況下實現抓取。雖然這套系統并不完美，但它可以不斷學習，以遠超過去的速度不斷改進自身的表現。

鋪床

機器人可能還不是一個完美的管家，但是在某些方面已經顯示出了很棒的結果。研究人員們最近研發出了一套可以自動整理床鋪的機器人。這套系統可以通過分析目前的床鋪狀況來規劃出一系列動作，從而實現床鋪的整理。

推一推

機器人還可以利用夾爪推動在平面上的物體，并預測它最終的位置。這意味著機器人可以像你我一樣在桌面上移動物體到任意的位置。

這一系統通過大量的視頻學習了如何推動物體，通過這樣的方式它可以學會處理不確定和意外的運動。

未來

上述幾種都是單一任務，在超出一定范疇的情況下就無法準確抓取了。但隨著近年里機器學習的發展，這一領域的研究在不斷向前推進著。

和OpenAI類似，華盛頓大學的研究人員訓練著與真實情況一樣的機械手。這比起訓練吸盤和夾爪更加困難。主要是由于類人的手部具有豐富的自由度和關節，帶來了十分多樣的運動方式。

在OpenAI，研究人員們同樣利用模擬環境來訓練機械手。在大量的電腦硬件上運行模擬環境，并引入一系列隨機性使得它在短時間內掌握了超過100年的操作經驗。

當訓練完成后，就可以將這樣的經驗遷移到真實世界中去了。Dactyl的成功驗證了這種遷移學習的方法。使得更多復雜的任務成為可能。在未來，可以將這些任務輸入到具有強大運算能力的計算機中去，模擬、學習，而后輸出遷移到現實世界中。這將為機械手解鎖越來越多的新技能。除了機械手，還有無人機、制造業、甚至自動駕駛汽車，都會從中受益。