假设你有一个末端类似（sì）于人手的机械臂。你已（yǐ）经（jīng）训练（liàn）它的5个指头学会拿起一把锤子，以及将钉子钉入木板。但现（xiàn）在，你（nǐ）希望（wàng）一（yī）种（zhǒng）“二指夹爪”也（yě）能完成同（tóng）样的任务。为此，科学（xué）家创造出了一连串的虚（xū）拟机（jī）器人来模（mó）拟（nǐ）两（liǎng）种机械臂之间的形态：它会从最初类（lèi）似（sì）于（yú）人（rén）手的结构缓慢地（dì）转变成一（yī）种新的形状（zhuàng）。每一个中间机器人都会通过练习指定的任（rèn）务，以（yǐ）此调整对应的人工神经网络（一种（zhǒng）计（jì）算模型），直到达到（dào）阈值成功率。紧（jǐn）接着，这个系统的（de）控制器代码就会被传（chuán）递给这条“链”上的下（xià）一个（gè）中间机器（qì）人。

 

        为了（le）完成从虚拟机（jī）器人到目（mù）标（biāo）机器人（rén）的转变，研究团（tuán）队创建出了一种（zhǒng）共（gòng）享（xiǎng）式树状运动链（kinematic tree）。其中，一组代表肢体部分的节点被一些代（dài）表关节的链接器（qì）（link）连接了起来。为（wéi）了（le）将锤击技能迁移（yí）到二指夹爪，这支团队将原本结构中代表（biǎo）三个指（zhǐ）头的节点的大小和权重都调整为零。对于（yú）每（měi）一（yī）个中间机器人来说，相应指头的大小和（hé）权（quán）重就会逐渐变小。

 

        与（yǔ）此同（tóng）时（shí），控制它们的神经（jīng）网络也（yě）必须（xū）学会作出（chū）调整。此外，研究人员还调（diào）整（zhěng）了训练方法，以（yǐ）便（biàn）使中间机器人之间的（de）变化（huà）不会（huì）太大也（yě）不会（huì）太小。

         

        这个由卡（kǎ）内基梅隆大学（xué）设计的系统叫作REvolveR（RobotEvolve Robot）。它的表现优于机器学习的基本方（fāng）法，比如从（cóng）头开（kāi）始训练（liàn）目标机器（qì）人（rén）的方法。在锤击（jī）任务和其他训练（liàn）任务（包括移动一个球（qiú）和（hé）打（dǎ）开（kāi）一扇（shàn）门）中（zhōng），为了使（shǐ）机器人夹（jiá）爪达到90%的成（chéng）功率（lǜ），此前最（zuì）好的替代（dài）性训（xùn）练方法需（xū）要（yào）比REvolveR多执行（háng）29%~108%的试（shì）验次数，尽管（guǎn）这些替代（dài）性（xìng）方法在训练过程中提供了更多的信息反馈（kuì）。接下来，研究人员还（hái）使用其他类（lèi）型的（de）虚（xū）拟机（jī）器人测试他们的训练方（fāng）法。例（lì）如，利用这种方法为一个蜘蛛状机器人添加新的腿部结（jié）构，并让（ràng）它重新学会爬行。

 

        维塔利·库林（未参与这项研究）是英（yīng）国牛津（jīn）大学的计算机科学家（jiā），主要（yào）研究机器人和机器学习，他表示：“我认为（wéi）这是一（yī）种非常巧（qiǎo）妙的（de）方法。”尽管通过（guò）将艰巨（jù）的挑战分解（jiě）成一系列小的部分，从（cóng）而使AI能够（gòu）在不同的任务之间实现（xiàn）技能迁移的方法并不新鲜，“但在（zài）一个机（jī）器人与另（lìng）一个机器人之间进（jìn）行（háng）内插（chā），以此实现技（jì）能迁移，这是我以前从（cóng）未想（xiǎng）到的。”