从精确性到灵巧性：机器人需求推动的技术变革

共享单车下半场，日渐迎来尾声了。此前，笔者独家获悉，酷骑单车致信员工称，目前公司资金确实非常紧张，甚至可能会影响到公司的正常运营，让员工自愿选择去留。

继重庆的悟空单车没搞几个月就宣布倒闭后，又一家共享单车面临资金困局。尤其是酷骑单车被指出现押金“退款难”问题，部分用户无法在平台承诺的7天内收到退款，且客服无人接听。更有公司前员工向记者爆料，酷骑单车和P2P公司共用财务，员工自己都偷退押金。

除了酷骑单车，陷入资金困局的还有小鸣单车。因8月以来小鸣单车退还押金的消费者投诉激增，广州市消委会发出调查函督促企业尽快实现押金“即还即退”。从共享单车屡被曝出资金困境来看，市场即将迎来终局的信号释放的愈加明显。

6月底，ofo创始人戴威表态，ofo在2018年能实现海内外全面盈利；前两日，ofo投资人朱啸虎便在复旦首席经济学家论坛上放言，“摩拜和ofo合并才能盈利”。这恰恰说明，面对共享单车目前两极争霸带来的巨额投入，投资人无法看到短期内盈利的可能性，因此希望走回网约车的老路，通过摩拜和ofo合并，最大限度地占据市场份额，从而持续放大规模效应，寻求通过降低边际成本等路径获取其他收益。

ofo和摩拜尚属业内龙头，对于二三梯队成员来说，前路更加艰辛。据不完全统计，截至2017年7月，全国共有共享单车运营企业近70家，累计投放车辆超过1600万辆。这意味着除了摩拜和ofo，剩下60多家第二、第三梯队共享单车企业的日子更难过，毕竟它们无法获得摩拜和ofo如此多的融资，也不具备与之相对应的市场投放量。而随着各地对于共享单车投放设置限制性条款，以及一二线城市的需求量饱和，第二、第三梯队共享单车企业不可能像摩拜和ofo一样，再通过高速扩张的故事来吸引投资人。

寻回网约车的老路，并非不可能，但步子却卖得有点大。

相比网约车可以做社会化车辆的增量，共享单车最大的问题在于，只能靠自己投放，这是典型的重资产运营。一旦融资无法支撑，资金链很容易断裂。不久前，已经上市的永安行砍掉共享单车业务逾六成股权，对于这次出让股权的原因，永安行明确表态称，是对共享单车业务不看好。永安行半退出共享单车市场，以及悟空单车倒闭、酷骑单车爆出资金危机，是共享单车市场洗牌的印证。

不过，对于用户而言，最担忧的还是押金及其他权益可能因此受到损害。

正因如此，对于这场市场洗牌，监管层需要保持足够敏感性。比如，对所有共享单车企业构建信息联动机制，有必要提上日程了。

尤其是用户押金方面，虽然之前已有北京、天津、深圳、成都、上海、南京、济南、海口8个城市先后发布了征求意见稿或管理办法，要求共享单车“押金”由第三方监管，但从意见稿、管理办法到实际执行之间存有不短的时间差。在如今已成红海的共享单车市场，时间关乎着生死，更关乎用户权益。

如何制定完善的信息联动机制，并尽快落地，真正让共享单车的用户押金管理规范化，是监管亟待解决的下一问题。

当前，共享单车进入政策出台密集期，资金放量、用户放量所带来的野蛮生长时代一去不复返。面临接下来或将出现的共享单车倒闭潮，相关部门要加紧细化监管规则，做好防火墙，如此才能倒逼行业发展趋于规范，走向理性。

人工智能+专家+高性能计算>顶级专家

其中“人工智能”就是搜索技术、剪枝技术，高性能计算就是那些芯片，专家是加入深蓝小组的一些国际象棋大师级棋手。所以，这件事意义非凡，这是人类历史上第一次人工智能在复杂博弈问题上战胜人类。在这一点上，深蓝的贡献超过了阿尔法狗。

下面就到围棋了，看一下阿尔法狗是怎么做的。两个所谓的“大脑”就是两个神经网络。这样一说其实又容易给我们造成一些误区，好像阿尔法狗技术跟以前的人工智能博弈没有关系，其实不是的。

这两个网络在理论上都是我前面跟各位介绍的决策论模型中的东西，都是马尔可夫决策里面的东西。但是它是有创新的，通过引进机器学习技术，直接学习Policynetwork和Valuenetwork，绕过了概率转移函数，直接学出了回报函数，根本不去学概率转移矩阵。

也就是说，现在阿尔法狗也还是学不了概率转移矩阵，所以它绕过去了。但新闻报道里没有人说这个事，说的都是深度学习。其实深度学习技术支撑了阿尔法狗的理论创新。

我们分析人工智能获得成功的领域，发现都有一些共同的特征，一个是确定性的，比如下棋就是确定的，一个子落在哪里不能含糊。还有一个是规则化，下棋一定是有明确规则的。第三，环境也是结构化的。在这三个条件成立的场景中，人工智能已经可以超过人。但三个条件之一不成立，人工智能就不行了。

当然我们也得留一个尾巴，做阿尔法狗的公司是不是有一些没有公布的东西，而那些东西能够超越这三个要求，超越固定性、规则性和结构化的局限仍然可以战胜人类？如果有这样的技术，那是非常强大的，同时也就变得非常危险。但目前我们看到的已经公开的技术是无法超越的，现有成果是在这三个条件下的科技创新。

机器人应用的新需求

既然是有条件的，在这些条件下，这些新的智能技术能不能用来满足机器人应用的新的需求？

如果有一个人在家里摔倒了，你不知道摔在什么地方，没有夹具把他夹住的，机器人要去找，要观察他是不是真的倒了，倒的是一个人还是一条狗。找到以后先通过对话询问，你感觉好不好？是自己累了在地上躺着休息休息，还是需要我帮助？如果需要帮助，需要什么帮助？是需要拿药，还是抱起来？抱起来现在还不容易做到。

这个过程显然跟工业机器人完全不一样，环境没有精确化，环境中的对象都得靠机器人自己去感知，而且是变化的，比如人每次摔倒的位置可能都不一样。所以家庭应用真的是挺难的，但确实是人类所需要的。

还有一个更难一点的应用，即救援机器人，救援比在家庭里提供服务更复杂。

你执行了一个动作，这个动作的结果是什么？你事先是不知道的，没有办法确定的。很多复杂的环境因素决定了行动的结果。这就是所谓的“不确定性”。当前国际人工智能最大的挑战就在于不确定性问题。救援就是不确定性问题的一个非常好的例子。

精确性-灵巧性谱系

工业机器人具有最大的精确性，最少的灵巧性。再看手术机器人，它和工业机器人不是同类，却也很成功，为什么？因为手术机器人也是主要靠精确性的，灵巧性很少。手术前医生为患者打麻药，再捆皮带，确保患者在手术过程中不会乱动，而且很多手术机器人是人来操作的，这样就多了一些灵巧性。

因为农作物在播种前可以对田地做一些安排，所以农业生y产其实是一个半结构化环境，因此农业机器人难度是比较低的。智能制造需要更多的精确性，相对少一点的灵巧性。智能制造精确性和灵巧性都需要的比较多，所以比农业机器人还要更难一点。

最有意思的是自主无人驾驶汽车，出来两条线，左边一条线需要比较多的精确性，这代表自主驾驶的理想状态，包括两个方面的要求。一个是路况和所有的交通标识，要求自动驾驶所需要的交通标识都能够被无人车传感器得到。

另一个是周围其他的车辆和行人都遵守交规。这两个条件都满足了，无人车是很简单的，现在的技术就能实现。但实际上这两个条件很难满足，特别是在中国，不遵守交规的太多了，有的地方交通标识也不是很清晰，有的被破坏了。这就是现实状态，需要很大的灵巧性（灵敏性、灵活性）。所以在中国做全自主无人车是非常了不起的。

机器人新应用挑战

传统机器人依靠精确性，新的人工智能依赖确定性。我们面临新的应用，需要用灵巧性处理不确定性。这是新的应用需求对我们提出的主要挑战。我们如果能在技术上对这种挑战想出一些好的办法，或者在工程上想出好的办法，那就可以满足新的应用需求。

需求是“家”，技术是“回家”的路。新的应用和老的应用是什么关系？老的应用相当于我们过去的“家”，新的应用相当于我们有了一个新“家”。但是人都有路径依赖性，我们不自觉的就会往老路上走。所以，现在大部分机器人的研发都是立足于精确性技术途径的。我理解这是一种路径依赖性。

针对我们面临的挑战，中科大发展了一套灵巧性技术。这里用一个例子加以说明。

假设想让机器人给我送一杯水，放桌边，离我越近越好。但是，由于存在感知误差和操作误差，在误差区域内是不能放东西的，那我们就不在那个区域放。所以在很多应用里，特别是在很多新的应用里，是不需要太精确的，有些危险的区域避开就行了。

我们提出了一个框架：全局有一个粗略模型，机器人先按照粗略模型做一个全局决策，在执行全局决策的过程中根据任务需要进行局部观察，对全局的决策做局部调整，这样就不需要对桌面形状、边缘做精确的度量和建模，就能完成灵巧操作。

我们做过一个实验，用可佳机器人来操作微波炉，加热食品，整个过程都是机器人独立完成的，现在世界上还没有第二个团队完整实现过。这个实验和背后的技术体系也得过不少奖。最近我们提出了一个新的框架，将精确性和灵巧性相结合，再加上局部的深度强化学习。我们用新的框架重新开发了系统，开发效率大大提升了。

总结

当前我们所处的历史阶段，一个是工业机器人大规模的应用，已经成功了半个世纪。二是人工智能研究了半个世纪，现在也有一些新的发展，特别是以深度学习为代表的新技术达到了非常高的水平。

新的应用需求要处理不确定性，处理不完全信息，具体表现为非结构化环境，这些需求和现有技术比较还是有一点差距的。不是说深度学习出来了以后，马上就能解决我们所有实际问题，其实不能完全解决。但是，如果我们转到灵巧性，转到以灵巧性为核心的技术体系，现有的很多技术可以组合起来，那就能达到很好的效果。