在“学做饭”这件事情上，机器人比人类努力多了

在模仿人类方面，机器人已经可以做到很多事情，比如搬运物体、模仿人类笔迹、调酒等，但对于稍微复杂一点的事情机器人就会遇到困难，比如在厨房里进行烹饪。

在模仿人类的动作时，机器人经常会被人们不经意完成的一些小动作所困扰，被分散对主要任务的注意力，比如挪动糖罐、翻找餐具等。

为了解决这个问题，华盛顿大学、斯坦福大学、伊利诺伊大学香槟分校、多伦多大学和英伟达的研究人员提出了一种“逆规划”系统，通过一系列以厨房目标为条件的视频演示来评估他们的技术，该团队报告称，他们的动作推理方法将任务成功提高了20%以上。

动作推理

动作推理能够使得机器人在完全不同的环境中计划执行、复制相同的目标。但研究人员表示，在一个杂乱的环境中，比如一个厨房，对象的配置方式可能会使得目标变得模糊。

在这种情景下，仅仅识别一个动作是不够的，因为一个任务可能需要很多的动作。比如，为了拿起一把厨刀，人类可能会先挪开餐盘，掀起桌布，再从桌布下拿起厨刀。

MIT计算机科学与人工智能实验室就有一个“自主机器人的任务和运动规划”项目，表明“我们的目标是设计算法，使机器人能够在人类环境中操作，同时推理高级任务动作和低级动作”，例如，让一个机器人在家庭厨房中自主做饭。

为了完成这样的任务，它必须考虑高层次的目标，比如需要哪些成分;同时还有低层次的目标，比如如何拿到这些成分。通常，低层次目标的可行性会影响高层次目标，比如拿到一种配料可能需要机器人打开冰箱门、移开几样挡在前面的东西。

对于人类来说，做到这些事情似乎是自然而然的。在已知的宇宙中，人类的大脑是最复杂的东西之一，拥有数以十亿计的神经元，每个神经元都和数千神经元相联系。科学家已经精确地找到大脑中负责特定任务的不同中心，但在领会神经元网络如何相互协作以完成这些任务方面，仍然缺乏有效的研究手段。

机器人“学做饭”

在这个实验中，研究人员为人工智能系统准备了一个真实的视频演示，他们让它学习一个有着24个任务的烹饪目标，关于一个人类厨师准备倒入配料，这些配料最初被三个物体阻挡，包括一个饼干盒、一个芥末瓶和一个糖盒。

研究人员说，他们的完整模型明确地对演示中的物体进行了运动推理，因此不会盲目地把所有的物体运动都当作故意的。

此外，他们注意到，它使模仿学习在不同的环境中成为可能。尽管视频中的人操作了一个对象(即糖盒)，系统还是成功归纳了正确的目标。虽然糖盒出现在厨房里，但机器人意识到它不需要移动它，因为糖盒并没有挡住所需的配料。

“我们的研究结果表明，这使得我们能够显著地超越之前的方法，即基于运动规划或任务规划来推断目标，”合著者写道。

这项研究将有利于人工智能在往通用人工智能发展的道路上更进一步。

此前，美国威斯康星大学麦迪逊分校的一个研究小组已经在机器人模仿人类敲鸡蛋、拧瓶盖、摆放盘子方面取得了进展，市面上也已出现了不少能够根据预设菜谱做饭的机器人，还有会研究馅饼食谱的机器人、能制作饭团和寿司的机器人等。

或许有一天机器人真的能走入我们的家中，像家人一样为我们做出各种各样的美食。