有哪些與控制、機器人等相關的 quotes？

12-28

也可以是「過度闡釋」的 proverbs～

我來說一個控制和機器人領域非常重要的quote：莫拉維克悖論（Moravec"s paradox）。有人稱之為AI領域最有貢獻意義的發現，如下：

It is comparatively easy to make computers exhibit adult level performance on intelligence tests or playing checkers, and difficult or impossible to give them the skills of a one-year-old when it comes to perception and mobility.
相對來說，讓機器人在智力測試和下棋等活動中展示成年人類水平的表現是容易的，而讓機器人在感知和行動方面展示出一歲小孩的水平是非常困難甚至不可能的。

簡單來說：高等級的智能很好實現，低等級的感知和運動很難實現。

漢斯-莫拉維克在1980年代提出的這一「莫拉維克悖論」直到今天依然對當代機器人學的發展有指導意義。

三十多年來，人類用不同的搜索、學習演算法不斷提高機器的認知和學習能力，2016年打敗人類頂尖圍棋大師的AlphaGo、2011年打敗人類頂級蛋逼大師的Watson和1997打敗人類頂尖象棋大師的DeepBlue都是高計算量、優化演算法、搜索演算法和深度學習技術的產物。這些硅和鐵搭成的怪物在很多程度上超越了人類的智力水平，但是它們本身並沒有和物理世界有一絲一毫的接觸，甚至連被認為是人類榮耀終結者的AlphaGo，本身連挪動一個小棋子都還是需要人類幫忙。

所以，與這些致力於模仿人類認知和學習能力、並且已經取得巨大成就的機器人相比，那些致力於模仿人類與物理世界接觸的機器人則進步緩慢。雖然Rodney Brooks在1990年就提出了機器人模仿人進行工作的概念，但是他的Baxter機器人直到2011年還是不能像裝配工人那樣自如地拿起細小的物件，2011年加州大學伯克利分校的Brett機器人要用20分鐘才能疊好一塊毛巾，2016年波士頓動力的Atlas機器人僅僅能夠像人一樣走路就被認為是巨大的成功。三十多年來，我們能夠製造出的機器人，與物理世界交互的能力依然非常差。機器人學亟待解決的問題不是如何讓機器人學會高級的推理，而是讓機器人學會基本的感知和活動，否則高級的推理只是空中樓閣。

讓機器人實現更好的感知和運動能力的瓶頸在於我們缺乏好的感測器和執行器。就像多旋翼飛行器理論其實不複雜，但是必須等MEMS成熟我們才能把他們造出來一樣，現在機器人學界很多機器人系統都是理論領先實際的狀態。我們需要研發更小更完善、更準確的感測器，研發更精密、更結實但是又更輕便的驅動器，才能造出更有效的機械腿、翅膀和手。製造他們還只是第一步，然後還要對機器人的活動部位建立完善的運動學和動力學模型，設計那些基本的感知演算法對周圍環境完善感知，有時不得不為了實現非常基本的功能而拋棄理論的簡潔完備性。

我自己對莫拉維克悖論的認識有兩個。
一方面，造成這種困局的原因是，造物主已經雕琢了生命體的運動系統幾十億年，多足、四足、直立，爬行、飛行、步行，大量的物種前仆後繼誕生和消亡，最後才產生出運動系統的最高水平——人形；相比之下，人類的智能只誕生了幾萬年，之前未曾有其他的物種有相同的推理和邏輯能力，所以人類的智能不是造物主最精巧複雜的設計。我們不是進化的終點，而是起點。也許存在更複雜、更難以被機器複製的智能形式。但是不管怎麼說，因為歷史時長不同，「智能」這種事物相比「感知和運動」這種事物，更加容易被機器複製。

另一方面，我覺得任何使用機器人技術創造產品的公司，莫拉維克悖論都應該給公司的發展作為指導。為了製造能夠真正走入人類生活的機器人，不紮實解決基本的控制和感知問題，而空談機器人能夠做到什麼人類程度的推理和邏輯能力，是一種不正視過去三十年機器人學發展歷程的歪理邪說。

有人問大疆的Phantom 4究竟好在哪裡，其實我覺得，Phantom 4最大的意義是它對莫拉維克悖論發起了挑戰式的衝鋒，雖然Phantom 4的賣點是指點飛行和智能跟隨這兩個涉及高層次推理的導航邏輯，但是我們能夠實現這些功能的基礎是Phantom 4在基本的感知和行動方面的紮實研究。Phantom 4的超聲波、雙目視覺、IMU和氣壓計等感測器首先解決是飛行器在很多基本場景中的飛行痛點，比如在氣流複雜的環境里保持穩定，比如在地形複雜的地方平穩飛行，比如從高樓窗戶飛出去之後能夠準確感知環境的突變……另外，Phantom 4還可以忍受一定程度的外界撞擊，比如大疆社區|歪果仁測試精靈4避障功能，有錢任性帖子裡面用箱子砸飛行的Phantom 4，飛行器很大概率還會保持穩定。

這些在感知和控制上一點一滴的仔細優化，都極大地拓展了飛行器安全穩定地在人類生活空間內活動的能力，只有將這些問題優化好，我們才能夠為實現更高層次的智能打下基礎，否則就是構建空中樓閣，誤導消費者。

先拋磚引玉地答個：

前者如：

Byrne』s Law: In any electrical circuit, appliances and wiring will burn out to protect fuses.
- Robert Byrne

Connectors usually cause more failures than any other type of component. Many of these failures are not reported because they can be 「fixed」 by reseating the connector.
- W. Ireson, Clyde Coombs, and Richard Moss,

後者如：

If everything seems under control, you』re just not going fast enough.
- Mario Andretti

The best way to predict the future is to create it.
- Abraham Lincoln

（The best way to predict a signal or system is to control it.)

---

補充一個，是《孫子兵法》中講到的：

「兵法：一曰度，二曰量，三曰數，四曰稱，五曰勝。」

"In respect of military method, we have, firstly, Measurement; secondly, Estimation of quantity; thirdly, Calculation; fourthly, Balancing of chances; fifthly, Victory."

這其實是很好的機器人控制的quote。過度闡釋一下：

第一感測器：包括校正等。

第二狀態估計：也包括信息融合等；除了估計演算法本身外，也取決於第一環節。

第三建模：包括辨識等；除了建模方法本身外，也取決於前兩環節，以及，最基礎的，本體、驅動器等等的製造工藝。

第四控制：是要閉環控制了；除了控制演算法本身外，也取決於前三環節。閉環當然取決於環內的所有環節。

第五才是高層次的智能：取決於前四個環節；其實高層智能也還是有閉環，這點可參考維納的《控制論》。

這幾個環節，如建樓一樣，要一層層的來網上。上層的效果直接取決於下面所有層。改善也要一層層地改善，上所謂的「高級」的演算法也要一層層地上。

以此呼應一下 @YY碩的回答。

歡迎補充～

In principle, all controllers implicitly generate an inverse of the process, in so far that this is feasible. Controllers differ with respect to the mechanism used to generate the required approximate inverse.

- Graham C Goodwin

那天讀他的書偶然讀到的，想想還是很有道理的。一個系統，對於一個輸入u(.)會生成一個輸出y(.)。控制的目的無非是針對這個系統，尋找一個輸入ud(.)以實現某種desired輸出yd(.)。而逆系統做的事情正是在給定yd(.)的情況下生成ud(.)。

— "Why is UKF called UNSCENTED Kalman Filter?"
— "Cuz unlike EKF, it does not STINK!"

Control, control, you must learn control!

– Yoda

很快了天就會變，現在是奇點前夜