最前沿：閑談AI未來及幾家學習型機器人初創公司

轉自微信公眾號：FloodSung的AI遊樂場

今天不和大家聊純學術了，和大家聊聊幾家學習型的機器人初創公司。

1.為什麼關注機器人初創公司？

那我們就要問下一個五年十年最有潛力的AI發展方向是什麼？深度學習在計算機視覺語音識別上面的成功誕生了商湯這種獨角獸，也誕生了寒武紀這種晶元獨角獸，那麼下一個獨角獸會是什麼？

我們可以想到的就是當前深度學習技術在一些垂直領域的應用，比如醫療診斷，比如金融分析。像醫療診斷這種事情，一看就知道是可以做的，而且可以完全使用目前現有的深度學習技術，不帶改的，唯一的問題不過還是數據採集問題。這些垂直領域可以誕生一些小的獨角獸（壟斷了數據資源的獨角獸），但這不是最能讓人興奮的地方。

在我看來，工業機器人的智能化才是最有價值的最令人興奮的發展方向。我們知道每一次的工業革命的核心在於生產力的大幅度提升。能夠提升生產力的技術才是最具變革性的技術。從蒸汽機革命，電力革命，計算機革命，互聯網革命，下一個是什麼？必然只能是機器人智能革命。通過替代目前機器人無法替代的重複性人力勞動，來大幅度的提升生產力。對比一下，現在的什麼抖音，什麼摩拜，有帶來生產力的提升嗎？沒有，這種產品只是提供一種服務而已，沒有核心的技術突破。

但是機器人智能化卻不完全是一個現在時，而更多的是將來時。不像計算機視覺已經是完全落地的狀態，機器人智能化還有很多需要解決的技術問題，可以說依然很大程度上處於科研前沿的狀態。然而有一些子領域上的問題，現在已經看到了一些落地的跡象。所以，我們這裡要來關注一下機器人的初創公司，看看機器人智能化的發展趨勢。

2. 為什麼只關注學習型機器人初創公司？

目前的機器人技術可以分類為兩派了，一個還是傳統控制流派，使用傳統的控制演算法來實現機器人的運動控制，至多在計算機視覺問題上加點深度學習技術；另一個就是深度學習流派了，這一派認為機器人可以使用一個端到端的神經網路來實現控制，輸入視覺信息，輸出控制動作信息。那我當然是站深度學習這一派了。

為什麼？

我有三個理由：1.我不相信我們人的運動控制是靠某幾個公式計算得到的，而是完全的神經網路控制。也就是從仿生學的角度傳統控制流派就不是通往AGI的方式。2. 傳統控制流派很難處理機器人通用化的問題。我們完全可以認為傳統控制方法都是人為設計出來的一套方法，這和計算機視覺以前人工設計方法提特徵是一樣的，這必然導致其局限性。而學習型演算法則潛力無限，可以學出任意的控制方法。3.機器人智能化面對的核心問題不僅僅是最底層的控制，而是高層的邏輯推理決策問題。而邏輯推理決策這本身就不是傳統控制流派能做的。最後額外的理由就是目前的Google,DeepMind,OpenAI這幾個最前沿的AI研究機構都站隊深度學習這派，肯定是有它的原因的，這就是前沿，就是未來。

相信看過西部世界的朋友都對這個迷宮非常熟悉，實際上我對於AGI的實現想法也和這個迷宮的想法一樣，是一個由外到內的過程。比如目前深度學習從X到Y的Mapping，比如機器人簡單的能動，能走這些都是智能最最外層的東西，傳統控制也不過是這最外層上面的一小點。往內是什麼，是邏輯，是推理，是思想，以及到最後的情感，自我意識。這些和傳統控制一點關係沒有，而深度學習基於神經網路的技術則有可能往內突破。Deep Learning的下一步是Meta Learning學會學習，那Meta Learning的下一步是什麼？在我看來就是邏輯推理，這是更往內的東西，也顯然是更困難的事情。

3. 有哪些有意思的學習型初創公司呢？

下面我們就來說說4家初創公司吧，3家在矽谷，一家在日本：

(1) Osaro http://www.osaro.com

Osaro這家公司算是創立的比較早了，在DeepMind出來DQN之後很快就創立了。我們談學習型的機器人初創公司最核心的都是基於深度增強學習Deep Reinforcement Learning，做端到端的學習控制。

這個公司來頭不小：

有Peter Thiel等大佬的投資，還有Richard Sutton這位增強學習祖師爺做顧問。

那他們現在在做什麼呢？還是機器人抓取。他們和日本餐飲公司合作，實現了落地：

抓取不規則的雞塊放入餐盒，這確實是一個非常有挑戰性的任務，基於DRL得到了實現。

(2) Kindred https://www.kindred.ai/

這公司也是以機器人抓取為主打，也同樣是使用深度增強學習技術。有騰訊的投資。這家公司完全以物流分揀入手，研究機器人分揀各類不規則物體，比如下圖的衣服可能相比雞塊更有挑戰性。

這家公司相比Osaro，會發一些paper來體現他們的學術科研能力。這次CoRL2018還開源了一個機械臂的深度增強學習benchmark：

目前機器人機械臂的研究很大的問題就是沒有一個benchmark，沒有統一的評判標準，非常不利於學術的發展，這種benchmark就非常有益。之前是UCB的Sergey Levine團隊有放出一個基於Pybullet的機械臂模擬環境，也還不錯，值得研究。

（3）Covariant.ai

Covariant這家公司就比較火了，雖然什麼東西都還沒做出來，但是是Pieter Abbeel大神帶自己的學生搞的。都是基於Deep Reinforcement Learning和Imitation Learning的技術，也都是機械臂。值得期待他們的產品。

（4）Preferred Networks https://www.preferred-networks.jp/en/

日本這家AI公司就比較牛逼了，不僅僅是做機器人，還有大名鼎鼎的Chainer框架（Pytorch就是借鑒它的）

無人駕駛，機器人，醫療都做，還有強大的AI基礎科研實力做支撐，簡直就是一個完美的AI公司架構啊。這家公司也是這幾家初創公司目前發展最好最大的，拿到的投資也蠻多的：

並且這個公司也請了Pieter Abbeel做其顧問，上一篇blog介紹的ICRApaper就來自於這個公司。

4. 這些公司有什麼特點呢？

很顯然的，都是搞機械臂，都是基於深度增強學習這一技術。為什麼以機械臂為切入點？因為機械臂可以說是目前最需要實現智能化通用化的一環。比如物流分揀，一年幾十億的包裹，需要多少人力去分揀呢？現在實用化的不過是一些移動平台。如果機械臂能夠代替人去分揀，可以節省巨大的人力資源了。機械臂分揀這種問題相對比較簡單，由於Dex-Net 4.0的出現，我們基本上可以看到落地的可能了。

5. 為什麼沒有中國公司？

我也查一些國內的一些機械臂相關的公司，但是很遺憾都是基於傳統控制的，展示的效果也是撿取一些完全規則的物體，相比一下技術弱爆了，國內對於前沿的把握還是落後吧。我們只能說DRL不一定能成功，但是沒有去試絕對不會成功。也因此，未來的機器人獨角獸，機器人創新型企業恐怕也很難在中國出現。我們依然還是在copy的老路上。

6. 最後再分享兩家矽谷的機器人初創公司作為結束：

Off World：這家公司已經在研究下一代月球火星的通用機器人了！

Traptic：研究農業機器人。

ps: 當我在沙漠中穿行的時候，我意識到如果能夠由機器人來實現全智能種植，灌溉，那絕對是功蓋千秋的事情。This is the future!

最後，本文使用的圖片皆來自網路！