近些年人工智能領域已經取得了突飛猛進的進步，但這些進步大都集中于數字人工智能領域，對于能和我們這種生物體一樣執行日常任務的實體人工智能（physical artificial intelligence，PAI）來說，進展卻相對小得多。
這主要是因為實體人工智能涉及復雜的跨學科研究，而科研社區目前又非常欠缺能系統性整合這些知識的人才和技能。
著眼于未來幾十年實體人工智能的發展，兩位學者——瑞士聯邦材料科學與技術的實驗室Aslan Miriyev 和倫敦帝國理工學院Mirko Kova 教授近日在 Nature MachineIntelligence 上發表了一篇評論文章，不僅定義了PAI，還提議建立一套激勵實體人工智能跨學科研究的技能培訓體系，強調教育下一代 PAI 研究者的重要性。
作者| AslanMiriyev 、 Mirko Kova
翻譯| Panda
人們預期，下一代機器人會像生物體一樣，能夠在真實世界的非結構化環境中自動采取行動，能通過控制器自適應和學習來自我維持，具有應對物理破壞的韌性，并能與集體系統進行整合，
這些未來的機器人將在導航、運輸和其它機械作業中得到應用，這需要實時的決策和適應能力，其中涉及到處理從其「機體」上的傳感器發送到「大腦」的多種信號的組合，
此外，這些機器人還需要具備自我功能性預測能力、自主修復和自動按需成長能力以及在各種場景中維持穩態（homeostasis）的能力，這樣才能確保任務性能（task performance）與自我存續（self-preservation）方面的和諧平衡，
為了讓機器人具備如此智能的行為，需要大腦結構、機體形態和環境交互之間的密切相互作用。過去幾十年里，基于數據的數字人工智能迅猛發展，計算、算法和認知的學習能力都增長顯著，而機器人的機體、形態和材料發展卻相對落后很多。
本文將介紹數字人工智能的實體化對應版本，即實體人工智能（PAI），并為未來的 PAI 研究者的技能教育提出一種方法論。
一
實體人工智能（PAI）
近幾十年，人類的生活方式發生了非常重大的變化，這凸顯了對遠程和自動化過程的需求。但是，現如今的機器人還不夠成熟，還不足以執行日常任務，比如操控物體或在不可預測的復雜環境中移動，另外，如今的機器人也還不能足夠安全地與人類和室外環境進行交互。
大腦與機體的適當平衡是創造行為更自然和全集成的智能機器人的先決條件，機器人設計通過使用軟體已經實現了相當成功的自動化，但設計新材料和開發機器人學方法需要人類參與其中，因為這涉及到范圍更廣的技能組合。
舉個例子，在新興的軟體機器人學領域，為了得到所需的機器人功能，仍舊沒有與結構設計和控制器設計組合使用的材料選取與合成方法，
因此，未來十年內，機器人學領域的一大主要缺口是：為機器人機體以及機體形態與智能控制系統和基于學習的方法的共同進化開發新材料和新結構，為了填補這一缺口，機器人學社區的一大重要發展趨勢是實現機體、控制、形態、動作執行和感知的協同進化，這里將其稱為實體人工智能（PAI），
PAI 是指能夠執行通常與智能生物體相關的任務的實體系統，該領域包含理論和實踐，PAI 方法論原本就自帶對材料、設計和生產制造的考慮，使用 PAI 開發的機器人可以利用自身機體的物理和計算特征，再加上它們大腦的計算能力，有望在非結構化環境中自動執行任務和維持穩態。類似于生物體，PAI 機器人既可以替代數字 AI，也能通過連接大腦來為數字 AI 提供協同輔助，很多小型機器人（計算能力有限的機器人）沒有專用的中心大腦，它們的性能由機體的計算引導。
類似于自然多樣性原理，PAI 合成（synthesis）是指具有任意功能、形狀、大小和適宜場景（habitat）的機器人系統，其中尤其注重對基于化學、生物和材料的功能的整合，因此，PAI與機體變化方法無關，并且有別于具身智能（embodiedintelligence）。PAI 合成的要義在于從材料層面到形態層面再到機器人系統層面將多種不同的功能特性成功地組合到一起，
圖1：PAI是合成類似自然的智能機器人系統的理論和實踐，為了進化出功能完備的機器人，需要使用多個學科領域的技能，包括材料科學、機械工程、計算機科學、化學和生物學，這里用一只機器蜜蜂進行說明，其開發過程需考慮材料、結構、自我感知和動作執行，最終綜合起來造就一個完全自動化的多功能機器人系統，這些學科能為每個進化步驟提供知識和工具，
將 PAI 和數字人工智能組合起來的范式是機器人開發領域最突出的領域之一，能提供無數研究機會。特別是將實體機器人和計算機器人整合為單一 PAI 方法的研究，這有望創造出人類-機器人共生的生態系統，從而重新定義人類與機器人的交互，目前而言，這一方向上最主要的障礙是缺乏開發 PAI 的技能，還沒有人提出清晰連貫的教育結構和培訓方式。
在創造 PAI 的雄心勃勃的征程中，許多學科都會緊密地交織在一起。其中主要有材料科學、機械工程、計算機科學、化學和生物學（圖 2），要將機器人的范式從組裝的硬件設備轉換成 PAI 組成的機器人，需要將這些學科領域的技能組合到一起。
圖 2 中給出的每個學科都包含大量且多樣的所需技能，甚至還有更多沒囊括進來。但是，對現如今的單個個人而言，范圍如此之廣的技能樹很難點滿，而且也還沒有培訓這些技能的系統性教育方法，
圖 2：PAI 的五大學部科：材料科學、機械工程、計算機科學、化學和生物學
二
推動 PAI 技能發展
作者設想，為了掌握多學科的 PAI 技能，需要一種系統性的教育方法，而且機構層面和社區層面都要有。作者也為這套潛在方法提出了一些建議，其中包括營造良好的機構和社區氛圍來發展學生的技能并為導師提供支持，
接下來可以提出多層級的方法論，以在當前的高等教育計劃中實施PAI 培訓。作者提議該方法論需包含以下三大組成部分：（1）機構支持；（2）理解跨學科研究的復雜性和挑戰性；（3）創造認可和傳播研究成果的場所，
首先，如果要為 PAI 技能培訓打下堅實的基礎，機構層面的支持是至關重要的，作者認為，在機構層面上，主要努力方向是顯式地鼓勵不同科系和學院的研究者積極合作研究 PAI，共同研究 PAI 的機構集群可以創造一個教育平臺，比如提供多學科選修課程和實驗室培訓，并允許內部科研合作和互相使用設備，其重點在于，正常運作的機構集群能確保在選擇正確的技能組合時提供專業的指導，從而適應每位學生的興趣范圍和研究需求，這種方法也能促進不同機構中心之間的外部合作，并推進大陸和國際的交流與課外活動。
由于 PAI 本質上是跨學科研究，因此相關研究成果的受眾范圍更廣，有發表在更高影響力期刊上的潛力。但是，由于多學科研究涉及到廣泛的專業知識，風險會更高，情況也會更復雜，多學科之間和之中的研究工作需要有走出舒適區的勇氣，去面對自己并不熟悉專業術語和人際網路，而且還必需持續不斷的學習以及堅持不懈的內在動力，此外，職業發展步驟也需要鼓勵和獎勵跨學科研究工作。舉個例子，現如今雇傭教職人員時，往往會根據范圍狹窄的特定目標領域執行，而不會從多學科角度考慮，通過雇傭在串聯 PAI 相關學科方面有專長的教職人員并提供合適的機構支持，能為跨學科 PAI 研究提供至關重要的激勵。這些步驟能直接推進 PAI 研究，同時還能通過高影響力的成果發布、專利和吸引的投資為機構的聲譽帶來許多倍的回報。
此外，創造認可和傳播多學科研究的場所也非常重要，如果將 PAI 研究劃分到傳統的科研社區，比如材料科學、力學、有機化學等，則可能收窄一個科學問題的展示空間，即只能展示該特定社區能夠理解的部分，這種方式缺乏整體視野，也不能理解該問題的整體復雜性。尤其是機器人學和人工智能領域，需要一種更廣泛的多學科認證模式，并且要使其注重學科和專業知識之間的復雜交互關系。作者提出創建和支持以 PAI 的復雜多學科挑戰為目標的研究者社區、會議和期刊。他們也建議通過不同學科共同組織設立競爭性的獎學金、獎勵和獎金，以支持社區層面的參與。
三
總結
在這篇文章中，作者提出通過創造 PAI 來研發用于共生式人類-機器人生態系統的機器人，進而引領未來數十年的機器人研究，目前而言，社區還缺乏創造PAI 所需的多學科技能，而大多數機構仍還沒有為這一挑戰性的多學科研究方向建立基礎設施。作者提出了幾點推進PAI 技能教育的途徑：通過創建激勵性的機構和社區環境來同時培訓學生的多學科技能和支持導師的活動。需要說明，本文的目標是強調教育下一代 PAI 研究者的重要性，而不是給出詳細確切的最終行動綱領，希望科學和研究社區能就這一主題展開更廣泛的討論，互相交流不同的意見和方法。
https:http://www.nature.com/articles/s42256-020-00258-y
https:http://www.nature.com/articles/s42256-020-00258-y.epdf?no_publisher_access=1&r3_referer=nature
報告精選：五年才買一臺機器人？MIT學者實錄美中小企業智造現狀
2020-11-27
智能制造企業還在受困數字化轉型？不妨試試生態系統打法 | 報告解讀
2020-11-23
萬家民企、每年4億「嫁妝」：蘇南制造「騰云」換鳥
2020-11-26
