机械手通过晶振的引导变得更加灵活

虽然一只机械手臂和五个机械手指还不能达到与人类一样的灵活度，但在世界 的人工智能实验室里，研究人员通过晶振的引导正越来越接近于创造出能够模仿真实人手的机械手臂。

在由埃隆⋅马斯克和其他几个硅谷 人士共同创建的OpenAI实验室中，研究人员制造了一款名为 Dactyl 的机械手臂。它看起来很像 的星球大战电影中的卢克⋅天行者的机械假体：它的机械手指能够像人的手指一样弯曲或伸直。

你可以让Dactyl为你展示字母积木的某一面——比方说红色的O，橙色的P或蓝色的I——它会向你展示，然后用灵活的方式旋转、扭动和翻转积木。

这对于人类来说非常简单，但对于一台机器来说，这是一个非常了不起的成就：机械手臂Dactyl在很大程度上是靠自己来学习如何完成这项任务的。研究人员利用数学的方法让Dactyl学习，他们相信可以通过训练让机械手臂和其他机器来完成更复杂的任务，这其中，通过石英晶振的不断记忆使得机械手臂更加熟练。

抓取系统是由加州大学伯克利分校的机器人实验室Autolab的研究人员创建的，它充分发挥了32.768K晶振的性能，在几年前代表了技术的极限。机器配有一个两根手指的“钳子”，可以拿起像螺丝起子或钳子一样的物件，然后把它们分类到不同容器里。

钳子比五个手指更容易控制，而制造一个操作夹钳所需的软件也不那么困难。它可以处理一些不太熟悉的物体。比如，它可能不知道什么是餐馆式的番茄酱瓶子，但是它知道瓶子的形状和螺丝起子类似。但是，如果这台机器遇到的东西与它之前所遇到的不同——比如一个塑料手镯——可能就会处理的不太好。在这个行动过程中，温补晶振给CPU提供了 的识别信号，使得机械手臂做出判断，开始行动。

大家都希望有一个能捡起任何东西的机器人，包括它以前从未见过的东西。这是其他Autolab的研究人员在过去几年里所建立的机器人。

拾取系统得益于机器学习的巨大进步。伯克利的研究人员对超过1万个物体的物理模型进行了建模，确定了每一个物体的 选择。然后，系统使用神经网络算法分析了所有这些数据，并学会了识别每个物品的 方式。在过去，研究人员必须对机器人进行编程，让它们完成每项任务。但现在，它可以自己学习这些任务。

当面对一个塑料尤达玩具时，系统会意识到它应该用钳子把玩具捡起来。但当它遇到番茄酱瓶子时，它会选择吸杯。这个机械手可以成功地捡起多件随机物品。它并不 ，但是由于系统可以自己学习，它的进步速度比过去的机器快得多，对于晶振的要求也越来越高。

这些都是简单的任务，而且机器只能在特定条件下处理它们。它们失败的次数并不比成功的次数少。但驱动这些系统的机器学习方法表明，在未来几年内将会继续取得很大的进步。

　　许多研究人员质疑这种模拟训练是否使成果只停留在理论层面，但就像伯克利和其他实验室的研究人员一样，OpenAI团队已经证明了这一点。他们在模拟训练中引入了一定的随机性——它们改变了手和木块之间的摩擦力，甚至改变了模拟的重力。在模拟的世界中，学会处理这种随机性后，机械手就可以处理真实世界的不确定性。

　　今天，Dactyl所能做的只是旋转一个方块，但研究人员正在探索如何将这些技术应用于更复杂的任务。比如制造业，无人驾驶飞机，甚至是无人驾驶汽车。康华尔电子生产的 高性能晶振提供了很多的帮助，为机械手臂的发展做出了一份贡献。