<mark id="oztn4"></mark>
0
兩個月前，陳曦離開工作了一年半的OpenAI，和同事段巖、張天浩一起創立了Embodied Intelligence。
上周， Embodied Intelligence 宣布獲700萬美元種子投資，本輪融資由Amplify Partners領投，峰瑞資本（FreeS)、Lux Capital、SV Angels、11.2 Capital以及A.Capital跟投。
三個年輕的華人，成為硅谷冉冉升起的新星。
從左到右分別為陳曦（首席執行官）、Pieter Abbeel（總裁及首席科學家）、段巖（首席技術官）、張天浩（研究科學家）
Embodied Intelligence 之所以成為投資人爭相的寵兒，離不開三個創始人的背景。
創業前，三人是OpenAI Pieter Abbeel 教授實驗室的同事，從事前沿領域如模仿學習、強化學習、無監督學習以及元學習的研究工作。
OpenAI 是由特斯拉CEO Elon Musk 于2015年12月聯合諸多硅谷大亨建立的人工智能非營利組織，希望能夠預防人工智能的災難性影響，推動人工智能發揮積極作用。
2016年6月21日，OpenAI 宣布了其主要目標，包括制造“通用”機器人和使用自然語言的聊天機器人。OpenAI研發主管Ilya Sutskever、OpenAI CTO Greg Brockman 硅谷知名創業加速器Y Combinator總裁 Sam Altman 以及連續創業家 Elon Musk 等人聯合發表博文稱：“我們正致力于利用物理機器人（現有而非OpenAI開發）完成基本家務。
OpenAI 聚集了世界級的工程師和科學家，其中就包括Pieter Abbeel。Pieter Abbeel 在人工智能領域非常有名，其在伯克利的實驗室引領了諸多近期機器人學習領域的突破性進展，包括讓機器人學會整理衣物，行走（仿真環境），以及通過反復試錯或者VR示范數據來學習視覺驅動的操縱物體的技能。
Pieter Abbeel
CEO陳曦向雷鋒網表示，最近五年學術圈有非常多突破，主要歸結到深度學習的成功，和深度學習跟像強化學習領域的結合。于是，在完成自己的博士項目后，便拉上同事段巖、張天浩一起創立了Embodied Intelligence，而導師Pieter Abbeel 也加盟了這個新團隊任總裁和首席科學家。
基于創始人們在模仿學習、強化學習、無監督學習以及元學習等領域的研究成果，Embodied Intelligence 開發了一款軟件，可讓任何人通過在虛擬現實（VR）設備里示范教學來讓機器人獲得新的技能。這些示范數據會被用來訓練深度神經網絡，而訓練完畢的智能控制器使用強化學習進一步改進。通過這套流程，機器人可以輕松地學會廣泛的技能。
傳統的機器人編程非常耗費時間，只有專業人員才能進行。Embodied Intelligence 提供的智能模塊可以接入任何市面上的機器人，讓它們可以自然地學習新的技能，無需編寫晦澀難懂的代碼。
CEO陳曦向雷鋒網進一步解釋這項技術：
第一步是通過人類的演示進行學習，但這個要比簡單的復制要復雜，因為人類演示是很難把所有的變化都覆蓋到，所以學習的結果是需要泛化的能力，就算是人類示教沒有演示到的情況下也能完成任務。
第二步是機器人可以進行自我學習，具體的學習方法叫做深度強化學習(Deep Reinforcement Learning), 這個是通過機器人自己試錯來進行，可以找到比示教更優的方案。不過不是所有場景都需要這一步，對于不少場景來講，做到跟人的示教一樣快，一樣好就可以了。
在他們發布在youtube的視頻中，他們使用這種方法訓練一個兩臂機器人從桌上拾起球或者打繩結。Embodied Intelligence 團隊們戴著 VR 頭顯，拿著動作追蹤器，不斷地在數字世界中向機器人展示如何完成任務。然后，機器人可以從這些數據中學習。
一般來說，學術圈和工業圈的技術差距在5年左右。對于深度強化學習落地到工業圈，雷鋒網咨詢了幾位機器人領域創業者，他們均表示目前確實有很大進展，尤其是Pieter Abbeel 在這個領域更是領軍人物做出了突出貢獻，不過要落地到工業圈，需要8到10年。
對此，陳曦向雷鋒網回應了一句哈哈。對于是否有落地困難的問題，陳曦表現地很樂觀，表示如果從硬件上面來講，其實這個公司早兩年還真做不了，運算能力(GPU)最近兩年翻了好幾倍，然后消費級的VR設備也是最近才開始普及。而工業機器人方面，則是已經成熟很久了；而從難度來講，之所以選這個就是因為團隊有能力可以做出來。
從左到右分別為Pieter Abbeel（總裁及首席科學家）、陳曦（首席執行官）、段巖（首席技術官）、張天浩（研究科學家）
“第一，我們做的東西真的跟產業中所有看到過的解決方案，不過是市面上的還是在研發的都完全不一樣。我們應該是極少數使用端到端學習(end-to-end learning)的公司，這個應該解釋了為什么會有人說我們做的很學術。
第二是看這個技術本身，最主要的落地門檻在于實際應用中的可靠性。在學術界中端到端學習出來的算法一般是70-90%的成功率左右，這個離工業應用肯定是有一定距離的。但我們團隊最近的研究成果顯示只用30分鐘的示教數據，就可以在很多場景里面達到90%的成功率。那么我們認為，運用更多示教數據和進一步的算法優化，我們是可以達到工業的要求的。”
作為唯一的國內投資方，峰瑞資本創始人李豐對于這個項目給予了高度評價，
“人工智能發展到今天，真正用到決策智能的人工智能項目是很少見的。Embodied Intelligence做的機械臂的控制包括通過有監督學習做無序抓取，是一項有挑戰的事業。不過，Embodied Intelligence的創業團隊，包括 Peter Abbeel，是行業中做人工智能最頂級的研究者和創業者。且這件事是適合中美制造業國情的，應用潛力巨大。”
陳曦向雷鋒網表示目前已有跟數個工廠和系統集成商合作，已經確認了一些具體場景，接觸下來是發現能夠應用的地方很多，接下來希望挑一些有代表性的，能體現他們方案不一樣的地方。
“pick and place（抓取）是比較大的一塊，但是比較簡單的環境下面的pick and place就不是我們關注的了，因為其他解決方案也能做到。我們主要關注一些傳統方法難以解決的問題，例如抓取的原料是deformable （可變形的），像電線，數據線之類的wire bundle （導線束）。
除去抓取之外，我們也會看需要很多contact （物體間接觸）的場景，例如說assembly（裝配）。這也是傳統來講很難解決的問題。例如kitting（物料配送），從物料倉庫撿取原件到一個kit（套件）里面，然后會被運到總裝線上。這個kitting的步驟，如果是剛體的抓取是比較簡單的。有很多現成的方案只需要一個CAD模型，然后會match（匹配）到3D攝像機里面的point cloud（點云數據），然后計算抓取點。但是像電線這樣會變形的東西，這樣的現有方法就不足夠了，因為電線有太多種變形的可能，match 3d point cloud to fixed model（匹配3d點云到固定模型）的方法就很難完成了。
定性來講的話，是任何通過手動編程難以完成的場景都會是很好的candidates（候選者），比較有代表性的有剛剛說的deformable objects picking（可變形的物體抓取）。或者assembly 類型的場景。但是我們沒有講太具體的場景，因為是under NDA（保密）。抽象來講的話，只要是人可以遙控機械臂完成的工作，我們都可以從示教中學習。也就是說如果是需要硬件上的創新（就算由人來控制一個機械臂，也是不能完成的）的場景，就不是我們的關注范疇。
對于我們方案來講，不管是剛體的抓取還是柔性物體的抓取，學習方法是完全一樣的。唯一的不一樣可能是因為物體是柔性的，有更多的variations（變化），而需要更多的訓練數據。”
陳曦向雷鋒網表示，目前項目都在朝著預期進展，“如果說有什么意外的話，那應該是應用場景比想象中要多，這些是很多在學術界比較難接觸到的。”
接下來，陳曦希望在國內也找一些早期應用場景。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
